目录
第1章概述
1.1人工智能概述
1.2人工智能的产生及主要学派
1.3人工智能、专家系统和知识工程
1.4人工智能模拟智能成功的标准
1.5人工智能应用系统
1.6人工智能的技术特征
习题1
第1部分搜索与问题求解
第2章通过搜索求解问题的基本原理
2.1通过搜索求解问题的基本思路
2.2搜索过程的三大要素
2.2.1搜索对象
2.2.2扩展规则
2.2.3目标测试
2.3通过搜索求解问题
2.4问题特征分析
2.4.1问题的可分解性
2.4.2问题求解步骤的撤回
2.4.3问题全域的可预测性
2.4.4问题要求的解的满意度
习题2
第3章搜索的基本策略
3.1盲目搜索
3.1.1宽度优先搜索
3.1.2深度优先搜索
3.1.3分支有界搜索
3.1.4迭代加深搜索
3.1.5一个盲目搜索问题的几种实现
3.2启发式搜索
3.2.1启发式信息的表示
3.2.2几种最基本的搜索策略
3.3随机搜索
3.3.1模拟退火法
3.3.2其他典型的随机搜索算法
习题3
第4章图搜索策略
4.1或图搜索策略
4.1.1通用或图搜索算法
4.1.2A算法与A*算法
4.2与/或图搜索策略
4.2.1问题归约求解方法与与/或图
4.2.2与/或图搜索
4.2.3与/或图搜索的特点
4.2.4与/或图搜索算法AO*
4.2.5对AO*算法的进一步观察
4.2.6用AO*算法求解一个智力难题
习题4
第5章博弈与搜索
5.1人机大战
5.1.1国际象棋人机大战
5.1.2围棋人机大战
5.2博弈与对策
5.3极小极大搜索算法
5.3.1极小极大搜索的思想
5.3.2极小极大搜索算法的执行过程
5.3.3算法分析与举例
5.4αβ剪枝算法
习题5
第6章遗传算法
6.1遗传算法的基本概念
6.1.1遗传算法的基本定义
6.1.2遗传算法的基本流程
6.2遗传编码
6.2.1二进制编码
6.2.2格雷码
6.2.3实数编码
6.2.4有序编码
6.2.5结构式编码
6.3适应值函数
6.4遗传操作
6.4.1选择
6.4.2交叉操作
6.4.3变异操作
6.5初始化群体
6.6控制参数的选取
6.7算法的终止准则
6.8遗传算法的基本理论
6.8.1模式定理
6.8.2隐含并行性
6.8.3构造块假设
6.8.4遗传算法的收敛性
6.9遗传算法简例
6.10遗传算法的应用领域
习题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绍
7.2.1蚁群算法
7.2.2Flocking算法
7.2.3粒子群算法
7.3集智系统介绍
7.3.1人工鱼
7.3.2Terrarium世界
7.4群集智能的优缺点
习题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点
8.6禁忌搜索算法的改进
习题8
第9章基于智能体的搜索
9.1DAI概述
9.2分布式问题求解
9.3智能体的定义
9.3.1智能体的弱定义
9.3.2智能体的强定义
9.4智能体的分类
9.4.1按功能划分
9.4.2按属性划分
9.5智能体通信
9.5.1智能体通信概述
9.5.2言语动作
9.5.3SHADE通信机制
习题9
第2部分知识与推理
第10章知识表示与处理方法
10.1概述
10.1.1知识和知识表示的含义
10.1.2知识表示方法分类
10.1.3人工智能对知识表示方法的要求
10.1.4知识表示要注意的问题
10.2逻辑表示法
10.3产生式表示法
10.3.1产生式系统的组成
10.3.2产生式系统的知识表示
10.3.3产生式系统的推理方式
10.3.4产生式规则的选择与匹配
10.3.5产生式表示的特点
10.4语义网络表示法
10.4.1语义网络结构
10.4.2二元语义网络的表示
10.4.3多元语义网络的表示
10.4.4连接词和量词的表示
10.4.5语义网络的推理过程
10.4.6语义网络的一般描述
10.5框架表示法
10.5.1框架理论
10.5.2框架结构
10.5.3框架表示下的推理
10.6过程式知识表示
习题10
第11章谓词逻辑的归结原理及其应用
11.1命题演算的归结方法
11.1.1基本概念
11.1.2归结方法的步骤
11.2谓词演算的归结方法
11.2.1谓词演算的基本问题
11.2.2将公式化成标准子句形式的步骤
11.2.3合一算法
11.2.4变量分离标准化
11.2.5谓词演算的归结算法
11.3谓词演算的归结原理
11.3.1谓词演算的基本概念
11.3.2归结方法可靠性证明
11.3.3归结方法的完备性
习题11
第12章非经典逻辑推理
12.1非单调推理
12.1.1单调推理与非单调推理的概念
12.1.2默认逻辑
12.1.3默认逻辑非单调推理系统
12.2DempsterShater（DS）证据理论
12.2.1识别框架
12.2.2基本概率分配函数
12.2.3置信函数Bel(A)
12.2.4置信区间
12.2.5证据的组合函数
12.2.6DS证据理论的评价
12.3不确定性推理
12.3.1不确定性
12.3.2主观概率贝叶斯方法
12.4MYCIN系统的推理模型
12.4.1理论和实际的背景
12.4.2MYCIN模型
12.4.3MYCIN模型分析
12.4.4MYCIN推理网络的基本模式
12.4.5MYCIN推理模型的评价
12.5模糊推理
12.5.1模糊集论与模糊逻辑
12.5.2模糊聚类分析
习题12
第13章知识图谱
13.1知识图谱的定义与组成
13.1.1知识图谱的组成元素
13.1.2知识图谱的表示形式
13.1.3知识图谱的核心目标
13.2知识图谱的构建方法
13.2.1自上而下构建方法
13.2.2自下而上构建方法
13.2.3混合构建方法
13.3知识图谱的关键技术
13.3.1知识抽取技术
13.3.2知识融合技术
13.3.3图存储与查询技术
13.4知识图谱的应用场景
13.4.1搜索引擎
13.4.2推荐系统
13.4.3智能问答
13.4.4金融风控
13.5知识图谱与人工智能协同应用案例
13.5.1智能客服： 知识图谱+对话系统
13.5.2自动驾驶： 知识图谱+决策系统
13.5.3生物医学： 知识图谱+药物研发
习题13
第3部分学习与发现
第14章机器学习
14.1概述
14.1.1机器学习的定义和意义
14.1.2机器学习研究的简史
14.1.3机器学习方法的分类
14.1.4机器学习中的推理方法
14.2归纳概念学习
14.2.1归纳概念学习的定义
14.2.2归纳概念学习的形式描述
14.2.3归纳概念学习算法的一般步骤
14.2.4归纳概念学习算法复杂度和精确度测量
14.2.5归纳概念学习的基本方法
习题14
第15章人工神经网络
15.1人工神经网络的特点
15.2人工神经网络的基本原理
15.3人工神经网络的基本结构模式
15.4人工神经网络互连结构
15.5神经网络模型分类
15.6几种基本的神经网络学习算法介绍
15.6.1Hebb型学习
15.6.2误差修正型学习
15.6.3随机型学习
15.6.4竞争型学习
15.6.5基于记忆的学习
15.6.6结构修正学习
15.7几种典型神经网络简介
15.7.1单层前向网络
15.7.2多层前向网络及BP学习算法
15.7.3Hopfield神经网络
15.8人工神经网络与人工智能其他技术的比较
15.9人工神经网络的应用领域
习题15
第16章数据挖掘与知识发现
16.1数据挖掘
16.1.1数据挖掘的定义与发展
16.1.2数据挖掘研究的主要内容
16.1.3数据挖掘的特点
16.1.4数据挖掘的分类
16.1.5数据挖掘常用的技术
16.1.6数据挖掘过程
16.1.7数据挖掘研究面临的困难
16.1.8关联规则挖掘
16.1.9聚类分析
16.2Web挖掘
16.2.1Web挖掘概述
16.2.2Web内容挖掘
16.2.3Web结构挖掘
16.2.4Web使用挖掘
16.2.5Web数据挖掘的技术难点
16.2.6XML与Web数据挖掘技术
16.3文本挖掘
16.3.1文本挖掘的概念
16.3.2文本挖掘预处理
16.3.3文本挖掘的关键技术
16.3.4文本挖掘系统的评价标准
习题16
第4部分工具与应用
第17章专家系统
17.1专家系统概述
17.1.1专家系统的定义
17.1.2专家系统的结构
17.1.3专家系统的特点
17.1.4专家系统的类型
17.1.5几个成功的专家系统简介
17.2专家系统中的知识获取
17.2.1概述
17.2.2知识获取的直接方法
17.2.3知识获取的新进展
17.3专家系统的解释机制
17.3.1预制文本解释法
17.3.2路径跟踪解释法
17.3.3自动程序员解释法
17.3.4策略解释法
17.4专家系统开发工具与环境
17.4.1专家系统开发工具的基本概念
17.4.2专家系统工具JESS
17.4.3JESS中的Rete匹配算法和逆向推理机制
17.5专家系统开发
17.5.1专家系统开发的步骤
17.5.2专家系统开发方法
17.6专家系统开发实例
17.6.1动物识别专家系统
17.6.2MYCIN专家系统
习题17
第18章大语言模型构建方法及应用
18.1大语言模型基本原理与核心构件
18.1.1神经网络与深度学习
18.1.2Transformer架构与注意力机制
18.2大语言模型的训练与部署
18.2.1预训练
18.2.2微调
18.2.3部署
18.3DeepSeek开发实践
18.3.1开发环境搭建与模型准备
18.3.2基于DeepSeek的模型构建
18.3.3模型应用场景
18.4大语言模型的使用
18.4.1主流大语言模型分类
18.4.2大语言模型的主要应用途径
18.4.3提示词设计技巧
习题18
第19章具身智能
19.1具身智能基础与具身认知理论
19.1.1人工智能的三代发展范式
19.1.2具身智能的定义与三大必备要素
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
19.1.5三大经典具身认知理论
19.2具身系统数学建模基础
19.2.1MDP五元组： 理想情况下的交互建模
19.2.2POMDP： 真实具身智能标准建模框架
19.2.3具身任务三类奖励函数设计
19.2.4世界模型完整理论
19.3具身智能核心算法体系
19.3.1底层运动控制算法(第一层)
19.3.2强化学习与模仿学习(第二层)
19.3.3世界模型推演模块(第三层)
19.3.4大模型驱动具身智能(底层)
19.3.5四层算法架构与布鲁克斯包容三层架构的对应关系
19.4仿真环境与实体硬件平台
19.4.1三类主流仿真平台
19.4.2实体具身智能硬件平台
19.4.3标准化仿真基准与开源数据集
19.4.4Sim2Real仿真到现实的迁移
19.5具身智能典型应用场景
19.6技术挑战、伦理安全与发展趋势
19.6.1五大技术瓶颈
19.6.2人机交互伦理与安全约束
19.6.3三大长期发展趋势
习题19
参考文献
