人工智能（第4版）

朱福喜，曾任武漢大學計算機學院教授，博士生導師。浙江大學數學系獲學士學位、武漢大學計算機科學系獲碩士學位和博士學位。一直從事人工智能方面的教學和科研工作。曾主持和參與了國家自然科學基金項目多項，發表論文100余篇，編寫教材和專著20余部。

目錄

第1章概述

1.1人工智能概述

1.2人工智能的產生及主要學派

1.3人工智能、專家系統和知識工程

1.4人工智能模擬智能成功的標準

1.5人工智能應用系統

1.6人工智能的技術特征

習題1

第1部分搜索與問題求解

第2章通過搜索求解問題的基本原理

2.1通過搜索求解問題的基本思路

2.2搜索過程的三大要素

2.2.1搜索對象

2.2.2擴展規則

2.2.3目標測試

2.3通過搜索求解問題

2.4問題特征分析

2.4.1問題的可分解性

2.4.2問題求解步驟的撤回

2.4.3問題全域的可預測性

2.4.4問題要求的解的滿意度

習題2

第3章搜索的基本策略

3.1盲目搜索

3.1.1寬度優先搜索

3.1.2深度優先搜索

3.1.3分支有界搜索

3.1.4疊代加深搜索

3.1.5一個盲目搜索問題的幾種實現

3.2啟發式搜索

3.2.1啟發式信息的表示

3.2.2幾種最基本的搜索策略

3.3隨機搜索

3.3.1模擬退火法

3.3.2其他典型的隨機搜索算法

習題3

第4章圖搜索策略

4.1或圖搜索策略

4.1.1通用或圖搜索算法

4.1.2A算法與A*算法

4.2與/或圖搜索策略

4.2.1問題歸約求解方法與與/或圖

4.2.2與/或圖搜索

4.2.3與/或圖搜索的特點

4.2.4與/或圖搜索算法AO*

4.2.5對AO*算法的進一步觀察

4.2.6用AO*算法求解一個智力難題

習題4

第5章博弈與搜索

5.1人機大戰

5.1.1國際象棋人機大戰

5.1.2圍棋人機大戰

5.2博弈與對策

5.3極小極大搜索算法

5.3.1極小極大搜索的思想

5.3.2極小極大搜索算法的執行過程

5.3.3算法分析與舉例

5.4αβ剪枝算法

習題5

第6章遺傳算法

6.1遺傳算法的基本概念

6.1.1遺傳算法的基本定義

6.1.2遺傳算法的基本流程

6.2遺傳編碼

6.2.1二進制編碼

6.2.2格雷碼

6.2.3實數編碼

6.2.4有序編碼

6.2.5結構式編碼

6.3適應值函數

6.4遺傳操作

6.4.1選擇

6.4.2交叉操作

6.4.3變異操作

6.5初始化群體

6.6控制參數的選取

6.7算法的終止準則

6.8遺傳算法的基本理論

6.8.1模式定理

6.8.2隱含並行性

6.8.3構造塊假設

6.8.4遺傳算法的收斂性

6.9遺傳算法簡例

6.10遺傳算法的應用領域

習題6

第7章群集智能算法

7.1群集智能算法的研究背景

7.2群集智能的基本算法介紹

7.2.1蟻群算法

7.2.2Flocking算法

7.2.3粒子群算法

7.3集智系統介紹

7.3.1人工魚

7.3.2Terrarium世界

7.4群集智能的優缺點

習題7

第8章禁忌搜索算法

8.1禁忌搜索算法的基本思想

8.2禁忌搜索算法的基本流程

8.3禁忌搜索示例

8.4禁忌搜索算法的基本要素分析

8.5禁忌搜索算法流程的特點

8.6禁忌搜索算法的改進

習題8

第9章基於智能體的搜索

9.1DAI概述

9.2分布式問題求解

9.3智能體的定義

9.3.1智能體的弱定義

9.3.2智能體的強定義

9.4智能體的分類

9.4.1按功能劃分

9.4.2按屬性劃分

9.5智能體通信

9.5.1智能體通信概述

9.5.2言語動作

9.5.3SHADE通信機制

習題9

第2部分知識與推理

第10章知識表示與處理方法

10.1概述

10.1.1知識和知識表示的含義

10.1.2知識表示方法分類

10.1.3人工智能對知識表示方法的要求

10.1.4知識表示要註意的問題

10.2邏輯表示法

10.3產生式表示法

10.3.1產生式系統的組成

10.3.2產生式系統的知識表示

10.3.3產生式系統的推理方式

10.3.4產生式規則的選擇與匹配

10.3.5產生式表示的特點

10.4語義網絡表示法

10.4.1語義網絡結構

10.4.2二元語義網絡的表示

10.4.3多元語義網絡的表示

10.4.4連接詞和量詞的表示

10.4.5語義網絡的推理過程

10.4.6語義網絡的一般描述

10.5框架表示法

10.5.1框架理論

10.5.2框架結構

10.5.3框架表示下的推理

10.6過程式知識表示

習題10

第11章謂詞邏輯的歸結原理及其應用

11.1命題演算的歸結方法

11.1.1基本概念

11.1.2歸結方法的步驟

11.2謂詞演算的歸結方法

11.2.1謂詞演算的基本問題

11.2.2將公式化成標準子句形式的步驟

11.2.3合一算法

11.2.4變量分離標準化

11.2.5謂詞演算的歸結算法

11.3謂詞演算的歸結原理

11.3.1謂詞演算的基本概念

11.3.2歸結方法可靠性證明

11.3.3歸結方法的完備性

習題11

第12章非經典邏輯推理

12.1非單調推理

12.1.1單調推理與非單調推理的概念

12.1.2默認邏輯

12.1.3默認邏輯非單調推理系統

12.2DempsterShater（DS）證據理論

12.2.1識別框架

12.2.2基本概率分配函數

12.2.3置信函數Bel(A)

12.2.4置信區間

12.2.5證據的組合函數

12.2.6DS證據理論的評價

12.3不確定性推理

12.3.1不確定性

12.3.2主觀概率貝葉斯方法

12.4MYCIN系統的推理模型

12.4.1理論和實際的背景

12.4.2MYCIN模型

12.4.3MYCIN模型分析

12.4.4MYCIN推理網絡的基本模式

12.4.5MYCIN推理模型的評價

12.5模糊推理

12.5.1模糊集論與模糊邏輯

12.5.2模糊聚類分析

習題12

第13章知識圖譜

13.1知識圖譜的定義與組成

13.1.1知識圖譜的組成元素

13.1.2知識圖譜的表示形式

13.1.3知識圖譜的核心目標

13.2知識圖譜的構建方法

13.2.1自上而下構建方法

13.2.2自下而上構建方法

13.2.3混合構建方法

13.3知識圖譜的關鍵技術

13.3.1知識抽取技術

13.3.2知識融合技術

13.3.3圖存儲與查詢技術

13.4知識圖譜的應用場景

13.4.1搜索引擎

13.4.2推薦系統

13.4.3智能問答

13.4.4金融風控

13.5知識圖譜與人工智能協同應用案例

13.5.1智能客服： 知識圖譜+對話系統

13.5.2自動駕駛： 知識圖譜+決策系統

13.5.3生物醫學： 知識圖譜+藥物研發

習題13

第3部分學習與發現

第14章機器學習

14.1概述

14.1.1機器學習的定義和意義

14.1.2機器學習研究的簡史

14.1.3機器學習方法的分類

14.1.4機器學習中的推理方法

14.2歸納概念學習

14.2.1歸納概念學習的定義

14.2.2歸納概念學習的形式描述

14.2.3歸納概念學習算法的一般步驟

14.2.4歸納概念學習算法復雜度和精確度測量

14.2.5歸納概念學習的基本方法

習題14

第15章人工神經網絡

15.1人工神經網絡的特點

15.2人工神經網絡的基本原理

15.3人工神經網絡的基本結構模式

15.4人工神經網絡互連結構

15.5神經網絡模型分類

15.6幾種基本的神經網絡學習算法介紹

15.6.1Hebb型學習

15.6.2誤差修正型學習

15.6.3隨機型學習

15.6.4競爭型學習

15.6.5基於記憶的學習

15.6.6結構修正學習

15.7幾種典型神經網絡簡介

15.7.1單層前向網絡

15.7.2多層前向網絡及BP學習算法

15.7.3Hopfield神經網絡

15.8人工神經網絡與人工智能其他技術的比較

15.9人工神經網絡的應用領域

習題15

第16章數據挖掘與知識發現

16.1數據挖掘

16.1.1數據挖掘的定義與發展

16.1.2數據挖掘研究的主要內容

16.1.3數據挖掘的特點

16.1.4數據挖掘的分類

16.1.5數據挖掘常用的技術

16.1.6數據挖掘過程

16.1.7數據挖掘研究面臨的困難

16.1.8關聯規則挖掘

16.1.9聚類分析

16.2Web挖掘

16.2.1Web挖掘概述

16.2.2Web內容挖掘

16.2.3Web結構挖掘

16.2.4Web使用挖掘

16.2.5Web數據挖掘的技術難點

16.2.6XML與Web數據挖掘技術

16.3文本挖掘

16.3.1文本挖掘的概念

16.3.2文本挖掘預處理

16.3.3文本挖掘的關鍵技術

16.3.4文本挖掘系統的評價標準

習題16

第4部分工具與應用

第17章專家系統

17.1專家系統概述

17.1.1專家系統的定義

17.1.2專家系統的結構

17.1.3專家系統的特點

17.1.4專家系統的類型

17.1.5幾個成功的專家系統簡介

17.2專家系統中的知識獲取

17.2.1概述

17.2.2知識獲取的直接方法

17.2.3知識獲取的新進展

17.3專家系統的解釋機制

17.3.1預制文本解釋法

17.3.2路徑跟蹤解釋法

17.3.3自動程序員解釋法

17.3.4策略解釋法

17.4專家系統開發工具與環境

17.4.1專家系統開發工具的基本概念

17.4.2專家系統工具JESS

17.4.3JESS中的Rete匹配算法和逆向推理機制

17.5專家系統開發

17.5.1專家系統開發的步驟

17.5.2專家系統開發方法

17.6專家系統開發實例

17.6.1動物識別專家系統

17.6.2MYCIN專家系統

習題17

第18章大語言模型構建方法及應用

18.1大語言模型基本原理與核心構件

18.1.1神經網絡與深度學習

18.1.2Transformer架構與註意力機制

18.2大語言模型的訓練與部署

18.2.1預訓練

18.2.2微調

18.2.3部署

18.3DeepSeek開發實踐

18.3.1開發環境搭建與模型準備

18.3.2基於DeepSeek的模型構建

18.3.3模型應用場景

18.4大語言模型的使用 

18.4.1主流大語言模型分類

18.4.2大語言模型的主要應用途徑

18.4.3提示詞設計技巧

習題18

第19章具身智能

19.1具身智能基礎與具身認知理論

19.1.1人工智能的三代發展範式

19.1.2具身智能的定義與三大必備要素

19.1.3具身智能的六大特性

19.1.4具身智能四大主流研究方向

19.1.5三大經典具身認知理論

19.2具身系統數學建模基礎

19.2.1MDP五元組： 理想情況下的交互建模

19.2.2POMDP： 真實具身智能標準建模框架

19.2.3具身任務三類獎勵函數設計

19.2.4世界模型完整理論

19.3具身智能核心算法體系

19.3.1底層運動控制算法(第一層)

19.3.2強化學習與模仿學習(第二層)

19.3.3世界模型推演模塊(第三層)

19.3.4大模型驅動具身智能(底層) 

19.3.5四層算法架構與布魯克斯包容三層架構的對應關系

19.4仿真環境與實體硬件平臺

19.4.1三類主流仿真平臺

19.4.2實體具身智能硬件平臺

19.4.3標準化仿真基準與開源數據集

19.4.4Sim2Real仿真到現實的遷移

19.5具身智能典型應用場景

19.6技術挑戰、倫理安全與發展趨勢

19.6.1五大技術瓶頸

19.6.2人機交互倫理與安全約束

19.6.3三大長期發展趨勢

習題19

參考文獻