《人工智慧導論（第3版）》是2020年1月電子工業出版社出版的圖書，作者是丁世飛。
基本介紹
- 中文名：人工智慧導論（第3版）
- 作者：丁世飛
- ISBN：9787121363955
- 頁數：324
- 定價：￥56.0
- 出版社：電子工業出版社
- 出版時間：2020年1月
- 開本：16開
內容簡介,圖書目錄,
內容簡介
本書主要闡述人工智慧的基本原理、方法和套用技術。全書共13章，除第1章討論人工智慧基本概念、第13章討論人工智慧的爭論與展望外，其餘11章按照“基本智慧型+典型套用+計算智慧型”三個模組編排內容。第一個模組為人工智慧經典的三大技術，分別為知識表示技術、搜尋技術和推理技術，主要包括知識表示、確定性推理、搜尋策略、不確定性推理；第二個模組為人工智慧的典型套用領域，包括機器學習、支持向量機和專家系統；第三個模組為計算智慧型與群智慧型，包括神經計算、進化計算、模糊計算和群智慧型。本書力求科學性、模組化、實用性。內容由淺入深、循序漸進，條理清晰，讓讀者在有限的時間內，掌握人工智慧的基本原理、基本方法和套用技術。本書為教師提供習題答案。本書可作為計算機科學與技術、智慧型科學與技術、人工智慧、自動化、機器人工程等相關專業的教材，也可供從事人工智慧研究與套用的科技工作者學習參考。
圖書目錄
第1章 緒論 1
1.1 人工智慧的概念 1
1.1.1 智慧型的定義 1
1.1.2 人工智慧的定義 3
1.2 人工智慧的產生和發展 5
1.2.1 孕育期（20世紀50年代中期以前） 5
1.2.2 形成及第一個興旺期（20世紀50年代中期至60年代中期） 6
1.2.3 蕭條波折期（20世紀60年代中期至70年代中期） 7
1.2.4 第二個興旺期（20世紀70年代中期至80年代中期） 8
1.2.5 穩步增長期（20世紀80年代中期至今） 10
1.2.6 中國的人工智慧發展 11
1.3 人工智慧的主要學派 12
1.3.1 符號主義學派 12
1.3.2 連線主義學派 13
1.3.3 行為主義學派 14
1.4 人工智慧的主要研究內容 14
1.5 人工智慧的主要套用領域 17
小結 24
習題1 24
第2章 知識表示 25
2.1 知識表示概述 25
2.1.1 知識的概念 25
2.1.2 知識表示的概念 26
2.2 一階謂詞邏輯表示法 27
2.2.1 命題 27
2.2.2 謂詞 28
2.2.3 謂詞公式 29
2.2.4 謂詞邏輯表示 30
2.2.5 謂詞邏輯表示法的特點 33
2.3 產生式表示法 33
2.3.1 產生式表示的基本方法 33
2.3.2 產生式系統的基本結構 35
2.3.3 產生式系統的分類 36
2.3.4 產生式表示法的特點 37
2.4 語義網路表示法 39
2.4.1 語義網路的基本概念 39
2.4.2 語義網路的基本語義關係 39
2.4.3 語義網路表示知識的方法 41
2.4.4 語義網路的推理過程 45
2.4.5 語義網路表示法的特點 46
2.5 框架表示法 46
2.5.1 框架結構 46
2.5.2 框架表示 48
2.5.3 框架表示的推理過程 50
2.5.4 框架表示法的特點 50
2.6 腳本表示法 50
2.7 面向對象表示法 54
小結 56
習題2 57
第3章 確定性推理 59
3.1 推理概述 59
3.1.1 推理的概念 59
3.1.2 推理的分類 59
3.1.3 推理的控制策略 61
3.2 推理的邏輯基礎 63
3.2.1 謂詞公式的永真性和可滿足性 63
3.2.2 置換與合一 65
3.3 自然演繹推理 68
3.4 歸結演繹推理 69
3.4.1 子句型 69
3.4.2 魯濱遜歸結原理 72
3.4.3 歸結演繹推理的歸結策略 76
3.4.4 用歸結原理求取問題的答案 81
小結 81
習題3 82
第4章 搜尋策略 85
4.1 搜尋概述 85
4.2 一般圖搜尋 86
4.2.1 圖搜尋的基本概念 86
4.2.2 狀態空間搜尋 87
4.2.3 一般圖搜尋過程 91
4.3 盲目搜尋 92
4.3.1 寬度優先搜尋 93
4.3.2 深度優先搜尋 95
4.3.3 有界深度搜尋和疊代加深搜尋 97
4.3.4 搜尋最優策略的比較 98
4.4 啟發式搜尋 99
4.4.1 啟發性信息和評估函式 99
4.4.2 啟發式搜尋A算法 100
4.4.3 實現啟發式搜尋的關鍵因素 102
4.4.4 A*算法 103
4.4.5 疊代加深A*算法 106
4.5 回溯搜尋和爬山法 107
4.5.1 爬山法 107
4.5.2 回溯策略 108
4.6 問題規約 109
4.7 與/或圖搜尋 111
4.7.1 與/或圖表示 111
4.7.2 與/或圖的啟發式搜尋 113
4.8 博弈 117
4.8.1 極大極小過程 119
4.8.2 α?β過程 121
小結 122
習題4 123
第5章 不確定性推理 125
5.1 不確定性推理概述 125
5.1.1 不確定性推理的概念 125
5.1.2 知識不確定性的來源 125
5.1.3 不確定性推理要解決的基本問題 126
5.1.4 不確定性推理方法的分類 128
5.2 機率方法 129
5.2.1 機率論基礎 129
5.2.2 經典機率方法 130
5.2.3 逆機率方法 130
5.3 主觀貝葉斯方法 132
5.3.1 規則不確定性的表示 132
5.3.2 證據不確定性的表示 134
5.3.3 組合證據不確定性的計算 135
5.3.4 不確定性推理 135
5.3.5 結論不確定性的合成算法 137
5.4 確定性理論 140
5.4.1 可信度 140
5.4.2 CF模型 142
5.4.3 確定性方法的說明 145
5.5 證據理論 146
5.5.1 證據理論的形式描述 147
5.5.2 證據理論的推理模型 150
5.5.3 證據不確定性的表示 152
5.5.4 規則不確定性的表示 152
5.5.5 不確定性的推理 152
5.5.6 組合證據的不確定性計算 152
5.6 模糊推理 155
5.6.1 模糊數學的基本知識 155
5.6.2 模糊假言推理 157
小結 160
習題5 161
第6章 機器學習 163
6.1 機器學習概述 163
6.1.1 學習與機器學習 163
6.1.2 學習系統 164
6.1.3 機器學習的發展簡史 166
6.1.4 機器學習的分類 167
6.1.5 機器學習的套用和研究目標 168
6.2 歸納學習 169
6.2.1 歸納學習的基本概念 169
6.2.2 變型空間學習 171
6.2.3 歸納偏置 173
6.3 決策樹學習 174
6.3.1 決策樹的組成及分類 174
6.3.2 決策樹的構造算法CLS 175
6.3.3 基本的決策樹算法ID3 177
6.3.4 決策樹的偏置 179
6.4 基於實例的學習 180
6.4.1 k?近鄰算法 180
6.4.2 距離加權最近鄰法 181
6.4.3 基於範例的學習 181
6.5 強化學習 186
6.5.1 強化學習模型 186
6.5.2 馬爾可夫決策過程 187
6.5.3 Q學習 188
小結 190
習題6 191
第7章 支持向量機 193
7.1 支持向量機概述 193
7.2 統計學習理論 194
7.2.1 學習問題的表示 194
7.2.2 期望風險和經驗風險 195
7.2.3 VC維理論 196
7.2.4 推廣性的界 197
7.2.5 結構風險最小化 198
7.3 支持向量機的構造 199
7.3.1 函式集結構的構造 199
7.3.2 支持向量機的模式 200
7.4 核函式 203
7.4.1 核函式概述 203
7.4.2 核函式的分類 204
7.5 SVM的算法及多類SVM 205
7.6 用於非線性回歸的SVM 206
7.7 支持向量機的套用 207
小結 209
習題7 209
第8章 專家系統 210
8.1 專家系統概述 210
8.1.1 專家系統的特性 210
8.1.2 專家系統的結構和類型 211
8.2 基於規則的專家系統 213
8.3 基於框架的專家系統 215
8.4 基於模型的專家系統 217
8.5 專家系統的開發 219
8.5.1 專家系統的開發過程 219
8.5.2 專家系統的知識獲取 220
8.5.3 專家系統的開發工具和環境 222
8.6 專家系統設計舉例 224
8.6.1 專家知識的描述 224
8.6.2 知識的使用 227
8.6.3 決策的解釋 230
8.6.4 MYCIN系統 230
8.7 新型專家系統 231
小結 233
習題8 234
第9章 神經計算 235
9.1 神經計算概述 235
9.2 感知器 237
9.2.1 感知器的結構 237
9.2.2 感知器的學習算法 238
9.3 反向傳播網路 240
9.3.1 BP網路的結構 240
9.3.2 BP網路的學習算法 241
9.4 自組織映射神經網路 244
9.4.1 SOM網路結構 244
9.4.2 SOM網路的學習算法 244
9.5 Hopfield網路 246
9.5.1 離散Hopfield網路的結構 246
9.5.2 離散Hopfield網路的穩定性 247
9.5.3 離散Hopfield 網路的學習算法 247
9.6 脈衝耦合神經網路 248
9.6.1 PCNN的結構 248
9.6.2 PCNN的學習算法 249
9.7 深度神經網路 249
小結 250
習題9 251
第10章 進化計算 252
10.1 進化計算概述 252
10.2 遺傳算法 253
10.2.1 遺傳算法的基本原理 253
10.2.2 遺傳算法的套用示例 255
10.2.3 模式定理 257
10.2.4 遺傳算法的改進 259
10.3 進化規劃 260
10.3.1 標準進化規劃及其改進 261
10.3.2 進化規劃的基本技術 262
10.4 進化策略 263
10.4.1 進化策略及其改進 263
10.4.2 進化策略的基本技術 264
10.5 GA、EP、ES的異同 266
小結 267
習題10 267
第11章 模糊計算 268
11.1 模糊集合的概念 268
11.1.1 模糊集合的定義 268
11.1.2 模糊集合的表示方法 268
11.2 模糊集合的代數運算 273
11.3 正態模糊集和凸模糊集 275
11.4 模糊關係 276
11.4.1 模糊關係的概述 276
11.4.2 模糊關係的性質 277
11.5 模糊判決 277
11.6 模糊數學在模式識別中的套用 278
11.6.1 最大隸屬度原則 278
11.6.2 擇近原則 279
小結 280
習題11 280
第12章 群智慧型 282
12.1 群智慧型概述 282
12.1.1 群智慧型最佳化算法定義 282
12.1.2 群智慧型最佳化算法原理 283
12.1.3 群智慧型最佳化算法特點 283
12.2 蟻群算法 283
12.2.1 蟻群算法概述 283
12.2.2 蟻群算法的數學模型 284
12.2.3 蟻群算法的改進 286
12.2.4 蟻群算法的套用示例 287
12.3 粒子群最佳化算法 288
12.3.1 粒子群最佳化算法基本思想 288
12.3.2 粒子群最佳化算法基本框架 288
12.3.3 粒子群最佳化算法參數分析與改進 290
12.3.4 粒子群最佳化算法的套用示例 291
12.4 其他群智慧型最佳化算法 292
12.4.1 人工魚群算法 292
12.4.2 細菌覓食算法 295
12.4.3 混合蛙跳算法 297
12.4.4 果蠅最佳化算法 298
小結 299
習題12 300
第13章 爭論與展望 301
13.1 爭論 301
13.1.1 對人工智慧理論的爭論 301
13.1.2 對人工智慧方法的爭論 302
13.1.3 對人工智慧技術路線的爭論 302
13.1.4 對強弱人工智慧的爭論 303
13.2 展望 304
13.2.1 更新的理論框架 304
13.2.2 更好的技術集成 305
13.2.3 更成熟的套用方法 305
13.2.4 腦機接口 306
小結 306
習題13 307
附錄A 參考答案 308
參考文獻 309,
第1章 緒論 1
1.1 人工智慧的概念 1
1.1.1 智慧型的定義 1
1.1.2 人工智慧的定義 3
1.2 人工智慧的產生和發展 5
1.2.1 孕育期（20世紀50年代中期以前） 5
1.2.2 形成及第一個興旺期（20世紀50年代中期至60年代中期） 6
1.2.3 蕭條波折期（20世紀60年代中期至70年代中期） 7
1.2.4 第二個興旺期（20世紀70年代中期至80年代中期） 8
1.2.5 穩步增長期（20世紀80年代中期至今） 10
1.2.6 中國的人工智慧發展 11
1.3 人工智慧的主要學派 12
1.3.1 符號主義學派 12
1.3.2 連線主義學派 13
1.3.3 行為主義學派 14
1.4 人工智慧的主要研究內容 14
1.5 人工智慧的主要套用領域 17
小結 24
習題1 24
第2章 知識表示 25
2.1 知識表示概述 25
2.1.1 知識的概念 25
2.1.2 知識表示的概念 26
2.2 一階謂詞邏輯表示法 27
2.2.1 命題 27
2.2.2 謂詞 28
2.2.3 謂詞公式 29
2.2.4 謂詞邏輯表示 30
2.2.5 謂詞邏輯表示法的特點 33
2.3 產生式表示法 33
2.3.1 產生式表示的基本方法 33
2.3.2 產生式系統的基本結構 35
2.3.3 產生式系統的分類 36
2.3.4 產生式表示法的特點 37
2.4 語義網路表示法 39
2.4.1 語義網路的基本概念 39
2.4.2 語義網路的基本語義關係 39
2.4.3 語義網路表示知識的方法 41
2.4.4 語義網路的推理過程 45
2.4.5 語義網路表示法的特點 46
2.5 框架表示法 46
2.5.1 框架結構 46
2.5.2 框架表示 48
2.5.3 框架表示的推理過程 50
2.5.4 框架表示法的特點 50
2.6 腳本表示法 50
2.7 面向對象表示法 54
小結 56
習題2 57
第3章 確定性推理 59
3.1 推理概述 59
3.1.1 推理的概念 59
3.1.2 推理的分類 59
3.1.3 推理的控制策略 61
3.2 推理的邏輯基礎 63
3.2.1 謂詞公式的永真性和可滿足性 63
3.2.2 置換與合一 65
3.3 自然演繹推理 68
3.4 歸結演繹推理 69
3.4.1 子句型 69
3.4.2 魯濱遜歸結原理 72
3.4.3 歸結演繹推理的歸結策略 76
3.4.4 用歸結原理求取問題的答案 81
小結 81
習題3 82
第4章 搜尋策略 85
4.1 搜尋概述 85
4.2 一般圖搜尋 86
4.2.1 圖搜尋的基本概念 86
4.2.2 狀態空間搜尋 87
4.2.3 一般圖搜尋過程 91
4.3 盲目搜尋 92
4.3.1 寬度優先搜尋 93
4.3.2 深度優先搜尋 95
4.3.3 有界深度搜尋和疊代加深搜尋 97
4.3.4 搜尋最優策略的比較 98
4.4 啟發式搜尋 99
4.4.1 啟發性信息和評估函式 99
4.4.2 啟發式搜尋A算法 100
4.4.3 實現啟發式搜尋的關鍵因素 102
4.4.4 A*算法 103
4.4.5 疊代加深A*算法 106
4.5 回溯搜尋和爬山法 107
4.5.1 爬山法 107
4.5.2 回溯策略 108
4.6 問題規約 109
4.7 與/或圖搜尋 111
4.7.1 與/或圖表示 111
4.7.2 與/或圖的啟發式搜尋 113
4.8 博弈 117
4.8.1 極大極小過程 119
4.8.2 α?β過程 121
小結 122
習題4 123
第5章 不確定性推理 125
5.1 不確定性推理概述 125
5.1.1 不確定性推理的概念 125
5.1.2 知識不確定性的來源 125
5.1.3 不確定性推理要解決的基本問題 126
5.1.4 不確定性推理方法的分類 128
5.2 機率方法 129
5.2.1 機率論基礎 129
5.2.2 經典機率方法 130
5.2.3 逆機率方法 130
5.3 主觀貝葉斯方法 132
5.3.1 規則不確定性的表示 132
5.3.2 證據不確定性的表示 134
5.3.3 組合證據不確定性的計算 135
5.3.4 不確定性推理 135
5.3.5 結論不確定性的合成算法 137
5.4 確定性理論 140
5.4.1 可信度 140
5.4.2 CF模型 142
5.4.3 確定性方法的說明 145
5.5 證據理論 146
5.5.1 證據理論的形式描述 147
5.5.2 證據理論的推理模型 150
5.5.3 證據不確定性的表示 152
5.5.4 規則不確定性的表示 152
5.5.5 不確定性的推理 152
5.5.6 組合證據的不確定性計算 152
5.6 模糊推理 155
5.6.1 模糊數學的基本知識 155
5.6.2 模糊假言推理 157
小結 160
習題5 161
第6章 機器學習 163
6.1 機器學習概述 163
6.1.1 學習與機器學習 163
6.1.2 學習系統 164
6.1.3 機器學習的發展簡史 166
6.1.4 機器學習的分類 167
6.1.5 機器學習的套用和研究目標 168
6.2 歸納學習 169
6.2.1 歸納學習的基本概念 169
6.2.2 變型空間學習 171
6.2.3 歸納偏置 173
6.3 決策樹學習 174
6.3.1 決策樹的組成及分類 174
6.3.2 決策樹的構造算法CLS 175
6.3.3 基本的決策樹算法ID3 177
6.3.4 決策樹的偏置 179
6.4 基於實例的學習 180
6.4.1 k?近鄰算法 180
6.4.2 距離加權最近鄰法 181
6.4.3 基於範例的學習 181
6.5 強化學習 186
6.5.1 強化學習模型 186
6.5.2 馬爾可夫決策過程 187
6.5.3 Q學習 188
小結 190
習題6 191
第7章 支持向量機 193
7.1 支持向量機概述 193
7.2 統計學習理論 194
7.2.1 學習問題的表示 194
7.2.2 期望風險和經驗風險 195
7.2.3 VC維理論 196
7.2.4 推廣性的界 197
7.2.5 結構風險最小化 198
7.3 支持向量機的構造 199
7.3.1 函式集結構的構造 199
7.3.2 支持向量機的模式 200
7.4 核函式 203
7.4.1 核函式概述 203
7.4.2 核函式的分類 204
7.5 SVM的算法及多類SVM 205
7.6 用於非線性回歸的SVM 206
7.7 支持向量機的套用 207
小結 209
習題7 209
第8章 專家系統 210
8.1 專家系統概述 210
8.1.1 專家系統的特性 210
8.1.2 專家系統的結構和類型 211
8.2 基於規則的專家系統 213
8.3 基於框架的專家系統 215
8.4 基於模型的專家系統 217
8.5 專家系統的開發 219
8.5.1 專家系統的開發過程 219
8.5.2 專家系統的知識獲取 220
8.5.3 專家系統的開發工具和環境 222
8.6 專家系統設計舉例 224
8.6.1 專家知識的描述 224
8.6.2 知識的使用 227
8.6.3 決策的解釋 230
8.6.4 MYCIN系統 230
8.7 新型專家系統 231
小結 233
習題8 234
第9章 神經計算 235
9.1 神經計算概述 235
9.2 感知器 237
9.2.1 感知器的結構 237
9.2.2 感知器的學習算法 238
9.3 反向傳播網路 240
9.3.1 BP網路的結構 240
9.3.2 BP網路的學習算法 241
9.4 自組織映射神經網路 244
9.4.1 SOM網路結構 244
9.4.2 SOM網路的學習算法 244
9.5 Hopfield網路 246
9.5.1 離散Hopfield網路的結構 246
9.5.2 離散Hopfield網路的穩定性 247
9.5.3 離散Hopfield 網路的學習算法 247
9.6 脈衝耦合神經網路 248
9.6.1 PCNN的結構 248
9.6.2 PCNN的學習算法 249
9.7 深度神經網路 249
小結 250
習題9 251
第10章 進化計算 252
10.1 進化計算概述 252
10.2 遺傳算法 253
10.2.1 遺傳算法的基本原理 253
10.2.2 遺傳算法的套用示例 255
10.2.3 模式定理 257
10.2.4 遺傳算法的改進 259
10.3 進化規劃 260
10.3.1 標準進化規劃及其改進 261
10.3.2 進化規劃的基本技術 262
10.4 進化策略 263
10.4.1 進化策略及其改進 263
10.4.2 進化策略的基本技術 264
10.5 GA、EP、ES的異同 266
小結 267
習題10 267
第11章 模糊計算 268
11.1 模糊集合的概念 268
11.1.1 模糊集合的定義 268
11.1.2 模糊集合的表示方法 268
11.2 模糊集合的代數運算 273
11.3 正態模糊集和凸模糊集 275
11.4 模糊關係 276
11.4.1 模糊關係的概述 276
11.4.2 模糊關係的性質 277
11.5 模糊判決 277
11.6 模糊數學在模式識別中的套用 278
11.6.1 最大隸屬度原則 278
11.6.2 擇近原則 279
小結 280
習題11 280
第12章 群智慧型 282
12.1 群智慧型概述 282
12.1.1 群智慧型最佳化算法定義 282
12.1.2 群智慧型最佳化算法原理 283
12.1.3 群智慧型最佳化算法特點 283
12.2 蟻群算法 283
12.2.1 蟻群算法概述 283
12.2.2 蟻群算法的數學模型 284
12.2.3 蟻群算法的改進 286
12.2.4 蟻群算法的套用示例 287
12.3 粒子群最佳化算法 288
12.3.1 粒子群最佳化算法基本思想 288
12.3.2 粒子群最佳化算法基本框架 288
12.3.3 粒子群最佳化算法參數分析與改進 290
12.3.4 粒子群最佳化算法的套用示例 291
12.4 其他群智慧型最佳化算法 292
12.4.1 人工魚群算法 292
12.4.2 細菌覓食算法 295
12.4.3 混合蛙跳算法 297
12.4.4 果蠅最佳化算法 298
小結 299
習題12 300
第13章 爭論與展望 301
13.1 爭論 301
13.1.1 對人工智慧理論的爭論 301
13.1.2 對人工智慧方法的爭論 302
13.1.3 對人工智慧技術路線的爭論 302
13.1.4 對強弱人工智慧的爭論 303
13.2 展望 304
13.2.1 更新的理論框架 304
13.2.2 更好的技術集成 305
13.2.3 更成熟的套用方法 305
13.2.4 腦機接口 306
小結 306
習題13 307
附錄A 參考答案 308
參考文獻 309
