目录

第1章核心人工智能： 问题解决和

自动推理

1．1早期的里程碑

1．1．1数字运算的极限

1．1．2AI的诞生

1．1．3早期策略： 搜索

算法

1．1．4早期的智慧： 计算机

需要知识

1．1．5编程语言

1．1．6教科书： 许多不同的

主题

1．1．721世纪的展望

1．2问题解决

1．2．1典型问题

1．2．2经典搜索方法

1．2．3规划

1．2．4遗传算法

1．2．5群体智能算法

1．2．6涌现特性和人工

生命

1．3自动推理

1．3．1斑马问题

1．3．2计算机能解决斑马

问题吗

1．3．3家庭关系

1．3．4知识表示

1．3．5自动推理

1．3．6不那么明确的

概念

1．3．7不完美的知识

1．3．8不确定性处理

1．3．9专家系统

1．4本书结构与方法

第2章盲搜

2．1动机和术语

2．1．1简单谜题

2．1．2搜索树

2．1．3搜索操作符

2．1．4人工智能中的

盲搜

2．1．5滑方块

2．1．6传教士和食人族

2．1．7程序员的视角

2．2深度优先搜索和广度优先

搜索

2．2．1搜索树举例

2．2．2深度优先搜索: 

原理

2．2．3深度优先搜索

算法

2．2．4数值举例

2．2．5广度优先搜索： 

原理

2．2．6广度优先搜索

算法

2．2．7数值举例

2．3实际考虑

2．3．1通用搜索模型

2．3．2最终状态的确切形式

可能是未知的

2．3．3最终状态的未知形式： 

举例

2．3．4验证状态是否为最终状

态可能代价高昂

2．3．5目标1——问题的解看

上去怎样

2．3．6目标2——什么途径可

以得到问题的解

2．3．7停止条件

2．3．8检查Lseen可能代价

高昂

2．3．9搜索有序列表

2．3．10哈希函数

2．4搜索性能方面

2．4．1代价计量

2．4．2分支因子

2．4．3搜索深度

2．4．4BFS的内存开销

2．4．5DFS的内存开销

2．4．6两种算法的计算

代价

2．4．7两者哪个成本

更低

2．4．8寻找比尔的家

2．4．9具有多个最终状态的

场景

2．5迭代深化(和扩展)

2．5．1ID算法

2．5．2为什么该技术

有效

2．5．3数值举例

2．5．4哪些因素决定了搜索

成本

2．5．5迭代深化是否

浪费

2．5．6ID与基本算法的

比较

2．5．7注意事项

2．5．8备选方案： 迭代

扩展

2．6熟能生巧

2．7结语

第3章启发式搜索和退火

3．1爬山算法和最佳优先搜索

3．1．1评价函数

3．1．2数值举例： 滑

方块

3．1．3复杂的评价函数

3．1．4最大化或最小化

3．1．5爬山算法

3．1．6最佳优先搜索

3．1．7实现最佳优先搜索的

两种方法

3．1．8两种方法的比较

3．1．9人类的搜索方式

3．2评价函数的实践方面

3．2．1状态值的时间

恶化

3．2．2多个状态可以有

相同的值

3．2．3前瞻性评价策略

3．2．4集束搜索

3．2．5N在集束搜索中的

作用

3．2．6数值举例

3．2．7昂贵的评价

3．3A*和IDA*

3．3．1动机

3．3．2代价函数

3．3．3A*算法

3．3．4数值举例

3．3．5A*的两个版本

3．3．6更复杂的代价

函数

3．3．7跳跃式技术

3．3．8IDA*

3．4模拟退火

3．4．1生长无缺陷晶体

3．4．2正式视图

3．4．3AI视角

3．4．4简化视角下的模拟

退火

3．4．5状态值的影响

3．4．6温度影响

3．4．7冷却

3．4．8初始温度

3．5背景知识的作用

3．5．1AI搜索解决的幻方

问题

3．5．2数学家解决幻方

问题

3．5．3课程： 背景知识的

好处

3．5．4数独中的分支

因子

3．5．5斑马谜题

3．6连续域

3．6．1连续域举例

3．6．2离散化

3．6．3梯度上升与神经

网络

3．6．4群体智能算法

3．7熟能生巧

3．8结语

第4章对抗搜索

4．1典型问题

4．1．1简单游戏举例

4．1．2其他游戏

4．1．3更普遍的观点

4．1．4与经典搜索的

区别

4．2基准极小极大算法

4．2．1最大化者和最小

化者

4．2．2游戏树

4．2．3父母自孩子遗传

4．2．4极小极大算法

原理

4．2．5数值举例

4．2．6回传值

4．3启发式极小极大算法

4．3．1游戏树过于庞大

4．3．2深度必须受到

限制

4．3．3对抗搜索中的评价

函数

4．3．4评价函数从何

而来

4．3．5启发式极小极大

算法原理

4．3．6影响游戏玩得好坏

的因素

4．3．7灵活的评价深度

4．3．8计算代价可能很

昂贵

4．3．9成功案例

4．4AlphaBeta剪枝

4．4．1常规情况

4．4．2多余的评价

4．4．3另一个例子

4．4．4关于剪枝算法

4．4．5关于AlphaBeta

剪枝

4．4．6反向方法

4．5额外的游戏编程技巧

4．5．1启发式的算法控制

搜索深度

4．5．2望向视野外

4．5．3开局库

4．5．4残局查找表

4．5．5人类模式识别

技能

4．5．6人类的“剪枝”

方式

4．5．7游戏中的模式

识别

4．6熟能生巧

4．7结语

第5章规划

5．1玩具积木

5．1．1移动积木

5．1．2描述符

5．1．3状态描述示例

5．1．4注释

5．2可用操作

5．2．1玩具场景的操作

5．2．2前提条件列表

5．2．3添加列表

5．2．4删除列表

5．2．5定义move(x,y,z)

5．2．6通用操作的实

例化

5．2．7有多少个实例

5．2．8执行操作

5．2．9示例

5．3使用STRIPS进行规划

5．3．1目标集

5．3．2一般理念

5．3．3具体实例

5．3．4如何确定行动

5．3．5倒数第二个状态是

什么样的

5．3．6STRIPS的伪

代码

5．4数值举例

5．4．1应该考虑哪些

操作

5．4．2检查列表

5．4．3注意事项

5．4．4描述前一个状态

5．4．5迭代过程

5．5人工智能规划的高级应用

5．5．1旅行推销员问题

5．5．2包裹投递和数据包

路由

5．5．3救护车路由

5．5．4背包问题

5．5．5工作车间调度

5．5．6注意事项

5．5．7重要评论

5．6熟能生巧

5．7结语

第6章遗传算法

6．1一般模式

6．1．1不完全复制，适者

生存

6．1．2GA应用中的

个体

6．1．3基本循环

6．1．4人口

6．1．5适者生存

6．1．6有多少代

6．1．7停止标准

6．2不完全复制与生存

6．2．1交配

6．2．2重组

6．2．3变异

6．2．4实施生存博弈

6．2．5利用生存机制进行

交配

6．2．6评论生存游戏

6．2．7属于父母两边的

孩子

6．2．8GA的简单任务

6．2．9探索与父母的

距离

6．2．10重组与变异

6．2．11算法为何有效

6．3其他GA操作符

6．3．1两点交叉

6．3．2随机位交换

6．3．3反转

6．3．4程序员控制程序的

方法

6．4潜在问题

6．4．1退化种群

6．4．2无害退化与过早

退化

6．4．3识别退化状态

6．4．4摆脱退化状态

6．4．5设计不当的适应度

函数

6．4．6不能反映遗传算法目

标的适应度函数

6．5高级变体

6．5．1数字染色体

6．5．2树结构形式的染

色体

6．5．3多人群和多目标

6．5．4拉马克方法

6．6GA和背包问题

6．6．1背包规则(修

订版)

6．6．2用二进制字符串对

问题进行编码

6．6．3运行程序

6．6．4GA是否能找到最佳

解决方案

6．6．5观察： 隐含并

行性

6．6．6用数字字符串编码

包内容

6．6．7数字字符串中的

变异和重组

6．6．8小结

6．7GA和囚徒困境

6．7．1要保密还是选择告发/

告密

6．7．2实际观察

6．7．3重复事件的策略

6．7．4在染色体中编码

策略

6．7．5早期回合

6．7．6锦标赛方法

6．7．7实验表现

6．7．8小结

6．8熟能生巧

6．9结语

第7章人工生命

7．1涌现特性

7．1．1从原子到蛋白质

7．1．2从分子到社会

7．1．3从字母到诗歌

7．1．4通往人工生命

之路

7．2L系统

7．2．1原始的L系统

规则

7．2．2另一个例子： 康托尔

集合

7．2．3启示

7．3细胞自动机

7．3．1简单示例

7．3．2变化

7．3．3增加另一个维度

7．4康威的生命游戏

7．4．1棋盘及其单元格

7．4．2规则

7．4．3更有趣的例子

7．4．4典型行为

7．4．5小结

7．5熟能生巧

7．6结语

第8章涌现特性和群体智能

8．1蚁群优化

8．1．1琐碎的表述

8．1．2蚁群选择

8．1．3信息素路径

8．1．4选择路径

8．1．5挥发与添加

8．1．6程序员的视角

8．1．7选择具体路径的

概率

8．1．8路径选择机制

8．1．9添加信息素

8．1．10信息素挥发

8．1．11非稳态任务

8．2ACO算法解决推销员

问题

8．2．1蚂蚁与智能体

8．2．2ACO对TSP的

看法

8．2．3初始化

8．2．4建立概率决策

8．2．5数值举例

8．2．6一只蚂蚁会释放多少

信息素

8．2．7各路线上的蚂蚁

数量

8．2．8在每条边上添加信

息素

8．2．9更新数值

8．2．10完整的概率

公式

8．2．11ACO处理推销员问题

(TSP)的概述

8．2．12结束语

8．2．13主要限制

8．3粒子群优化算法

8．3．1是粒子还是鸟

8．3．2寻找多元函数的最

大值

8．3．3专业术语

8．3．43个假设

8．3．5智能体的目标

8．3．6更新速度和位置： 

简单公式

8．3．7速度更新的全尺寸

版本

8．3．8c1和c2的值应该是

多少

8．3．9PSO 算法的总体

流程

8．3．10可能的并发

问题

8．3．11本地极端行为的危

险性

8．3．12多个群体

8．4人工蜂群算法

8．4．1原始灵感

8．4．2这个比喻对人工智能

的贡献

8．4．3任务

8．4．4第一步

8．4．5如何选择有前途的

目标

8．4．6跟随蜜蜂

8．4．7更新最佳位置

8．4．8支援蜜蜂

8．4．9参数

8．4．10算法

8．5熟能生巧

8．6结语

第9章自动推理的要素

9．1事实与查询

9．1．1事实列表

9．1．2回答用户的查询

9．1．3带变量的查询

9．1．4多个变量

9．1．5复合查询

9．1．6练习

9．1．7将变量与具体值

绑定

9．1．8如何处理复合

查询

9．1．9谓词排序

9．1．10查询回答和

搜索

9．1．11嵌套论证

9．2规则和基于知识的系统

9．2．1简单规则

9．2．2较长的规则

9．2．3规则的形式观

9．2．4封闭世界假设

9．2．5基于知识的系统

9．3使用规则进行简单推理

9．3．1回答查询

9．3．2基础知识之外

9．3．3由多条规则定义的

概念

9．3．4断分正则表达式

9．3．5递归概念定义

9．3．6评估递归概念

9．3．7关于递归的评论

9．3．8小结

9．4熟能生巧

9．5结语

第10章逻辑与推理（简化版）

10．1蕴涵、推理、定理证明

10．1．1蕴涵

10．1．2推理过程

10．1．3最简形式的肯定

前项式

10．1．4示例

10．1．5其他推理

机制

10．1．6推理过程的可

靠性

10．1．7推理过程的完

备性

10．1．8定理证明

10．1．9半可判定性

10．2基于肯定前项式的

推理

10．2．1肯定前项式的

一般形式

10．2．2霍恩子句

10．2．3事件的真实性与

虚假性

10．2．4具体示例

10．2．5实际考虑

10．2．6霍恩子句知识库中

的推理

10．3运用归结原则进行

推理

10．3．1标准形式

10．3．2归结原则

10．3．3理论的优势

10．3．4具体举例1

10．3．5实际考虑

10．3．6计算成本

10．3．7反向链

10．3．8具体举例2

10．3．9归结作为

搜索

10．4运用标准形式表达

知识

10．4．1标准形式(修

改版)

10．4．2转换为标准

形式

10．4．3具体举例

10．5熟能生巧

10．6结语

第11章使用变量的逻辑和推理

11．1规则和量词

11．1．1对象和函数

11．1．2关系

11．1．3常量和变量

11．1．4参数顺序

11．1．5原子和表

达式

11．1．6自动推理中的逻辑

表达式

11．1．7全称量词

11．1．8存在量词

11．1．9量词的顺序

11．1．10其他示例

11．2删除量词

11．2．1删除一些存在

量词

11．2．2存在量化

向量

11．2．3经常被忽视的

案例

11．2．4斯科勒姆化

11．2．5删除剩余的存在

量词

11．2．6消失的

后果

11．3绑定、统一和推理

11．3．1绑定变量

11．3．2绑定列表

11．3．3嵌套关系的

绑定

11．3．4统一

11．3．5使用变量的肯定

前项式和归结

原则

11．4实用推理程序

11．4．1具体示例

11．4．2多个解决

方案

11．4．3绑定数量

11．4．4从左边开始

11．4．5加速推理

过程

11．4．6先行的策略

11．4．7回跳

11．5熟能生巧

11．6结语

第12章表示知识的不同方式

12．1框架和语义网络

12．1．1框架的具体

例子

12．1．2继承值

12．1．3规则的例外

12．1．4语义网络

12．2基于框架的知识推理

12．2．1查找实例

的类

12．2．2找到一个变量

的值

12．2．3语义网络中的

推理

12．2．4框架中推理的计算

成本

12．3框架和SN中的N元

关系

12．3．1二元关系与

框架

12．3．2基于二元关系的

框架推理

12．3．3将二元关系转换为

规则

12．3．4促进二元关系推理

的规则

12．3．5N元关系带来的

困难

12．4熟能生巧

12．5结语

第13章自动推理道路上的障碍

13．1隐性假设

13．1．1框架问题

13．1．2隐性假设

13．2非单调性

13．2．1推理的单

调性

13．2．2母鸡会飞吗

13．2．3它们不会

飞吗

13．2．4一般情况

13．2．5异常情况

13．2．6选择哪个

版本

13．2．7理论、假设和

扩展

13．2．8多个扩展

13．2．9多值逻辑

13．2．10框架和语义

网络

13．3Mycin的不确定性

因素

13．3．1不确定性

处理

13．3．2Mycin的确定性

因素

13．3．3一组事实和规则

的真相

13．3．4否定的确

定性

13．3．5数值举例1

13．3．6确定性因素和肯定

前项式

13．3．7数值举例2

13．3．8结合证据

13．3．9直观的解释

13．3．10数值举例3

13．3．11数值举例4

13．3．12两种以上的

选择

13．3．13理论基础

13．4熟能生巧

13．5结语

第14章概率推理

14．1概率论(修改版)

14．1．1概率信息

来源

14．1．2单位间隔

14．1．3联合概率

14．1．4数值举例

14．1．5条件概率

14．1．6更一般的

公式

14．1．7罕见事件： m

估计

14．1．8通过m来量化

信心

14．1．9数值举例

14．2概率与推理

14．2．1家庭关系领域的

例子

14．2．2规则和条件

概率

14．2．3依赖事件和独立

事件

14．2．4贝叶斯公式

14．2．5贝叶斯公式和概率

推理

14．2．6选择最有可能的

假设

14．3信念网络

14．3．1信念网络

概述

14．3．2数值举例

14．3．3具体情况的

概率

14．3．4结论的概率

14．3．5B是真的吗

14．4处理更现实的领域

14．4．1更大的信念

网络

14．4．2看不见的原因和

漏洞节点

14．4．3需要太多的

概率

14．4．4朴素贝叶斯

14．4．5朴素贝叶斯假设是

否有害

14．4．6否定概率

(提醒)

14．4．7P(X|A1∨A2∨…

∨An)的概率是

多少

14．4．8具体事件的

概率

14．4．9数值举例

14．4．10这些概率从哪

里来

14．5DempsterShafer理论： 

使用权重代替概率

14．5．1动机

14．5．2权重而非

概率

14．5．3辨识框架

14．5．4单例和组合

实例

14．6从权重到信念和可信度

14．6．1基本信念

分配

14．6．2任何BBA的基本

特性

14．6．3相信某个

命题

14．6．4命题的可

信度

14．6．5不确定性由两个

值量化

14．6．6数值举例

14．7DST证据组合规则

14．7．1多个权重转移的

源头

14．7．2冲突的级别

14．7．3组合法则

14．7．4数值举例

14．7．5不止两个来源的

情况

14．7．6BBA通常是什么

样的

14．8熟能生巧

14．9结语

第15章模糊集

15．1现实世界概念的模

糊性

15．1．1清晰概念和模糊

概念

15．1．2堆的悖论

15．1．3视觉示例

15．1．4另一个例子

15．2模糊集成员资格

15．2．1隶属度

15．2．2黑色矩形

15．2．3有才华的

学生

15．2．4高个子

15．2．5温暖的房间

15．2．6μA(x)函数的其他

常见形状

15．2．7μA(x)的值

来源

15．3模糊性与其他范式的

比较

15．3．1一个清晰事件发生

的概率

15．3．2特征的范围

15．3．3模糊值的

概率

15．3．4模糊概率

15．4模糊集合运算

15．4．1模糊逻辑

15．4．2合取

15．4．3析取

15．4．4否定

15．4．5图形说明

15．4．6数值举例

15．4．7复杂表达

15．5计算语言变量

15．5．1语言变量的

例子

15．5．2语言变量的主

观性

15．5．3上下文依赖

15．5．4计算模糊对象

数量

15．5．5数值举例

15．5．6更高级的

例子

15．6模糊推理

15．6．1模糊规则

15．6．2更加真实的

规则

15．6．3用模糊规则

推理

15．6．4传播隶属度

15．6．5模糊控制

15．7熟能生巧

15．8结语

第16章专家系统的优点和缺点

16．1早期探索： Mycin

16．1．1实现

16．1．2预期的应用

范围

16．1．3早期关注

16．1．4早期希望

16．2后续发展

16．2．1另一个医学

系统

16．2．2发展前景

16．2．3数以百计的专家

系统

16．2．4过高期待的

风险

16．2．5怀疑主义

16．2．6现状

16．3一些经验

16．3．15分钟到5小时

规则

16．3．2瓶颈： 知识库

16．3．3通信模块

16．3．4优雅降级

16．4熟能生巧

16．5结语

第17章超越核心人工智能

17．1计算机视觉

17．1．1图像及其

像素

17．1．2去除噪声

17．1．3边缘检测

17．1．4连接边缘

17．1．5纹理

17．1．6颜色

17．1．7分割

17．1．8场景解释

17．1．9现代方法

17．2自然语言处理

17．2．1信号处理

17．2．2句法分析

(解析)

17．2．3语义分析

17．2．4歧义

17．2．5语言生成

17．2．6现代方法： 机器

学习

17．3机器学习

17．3．1知识获取： 人工

智能的瓶颈

17．3．2从实例中

学习

17．3．3规则和决

策树

17．3．4其他方法

17．3．5旧机器学习的普遍

理念

17．3．6如今的机器

学习

17．4智能体技术

17．4．1为什么选择智

能体

17．4．2框架

17．5结语

第18章哲学思考

18．1图灵测试

18．1．1图灵的基本

方案

18．1．2其他应用

18．1．3打破图灵

测试

18．2中文房间和其他意见

18．2．1Searle的基本

设想

18．2．2这个人是否懂

中文

18．2．3哲学家的

观点

18．2．4下棋程序带来的

启示

18．2．5图灵对神学保留

意见的回应

18．2．6弱人工智能与强

人工智能

18．3工程师角度

18．3．1实践性

18．3．2人们是否应该

担忧

18．3．3增强人类

智慧

18．3．4现有人工智能的

局限性

18．4结语

参考文献