内容简介
本书涵盖了人工智能的广泛主题，具有三个不同的特征。首先，本书系统而全面，包括“传统”人工智能的基本理论和技术，以及计算智能的基本原理和方法。其主要研究和应用领域包括知识表示和推理，计算智能，专家系统，机器学习，智能规划，分布式智能和自然语言理解。其次，本书内容较新，注重创新，介绍了人工智能的先进研究方法，特别是一些新技术和交叉技术应用。例如，基于本体的知识表示，各种基于生物行为的算法，新型专家系统，深度学习算法，分布式智能系统和语料库语言学。第三，该书的理论和实践高度整合。有理论，技术和方法论的解释，以及许多应用实例，这将有助于读者理解人工智能的理论及其应用发展。由于上述特点，本书已出版六版，已发行近70万册，已被广泛使用，并获得多项国内外技术和教育奖项。本书是本科生和大学研究生学习人工智能的必备参考书。它也是人工智能研发人员进行相关人工智能项目研究的综合手册和实用指南。
本书第6版共10章。第1章叙述人工智能的定义、起源与发展，简介人工智能不同学派的认知观，列举出人工智能的研究与应用领域。第2章和第3章主要研究传统人工智能的知识表示方法和搜索推理技术。第4章探讨不确定性推理方法，涉及概率推理、主观贝叶斯方法、可信度方法和证据理论等。第5章阐述计算智能的基本知识，包含神经计算、模糊计算、进化计算、人工生命、粒群优化和蚁群计算诸内容。第6章至第10章比较详细地逐一讨论了人工智能的主要应用领域，包括专家系统、机器学习、自动规划、分布式人工智能和自然语言理解等。与第5版本科生用书相比，许多内容都是第一次出现的，多数章节内容也在第5版的基础上或多或少作了相应的修改、精简或补充。
前沿学科的最精彩成就
代序
计算机时代的脑力劳动机械化与科学技术现代化
(可以第三版研究生用书编辑稿为准)
西方在18世纪的工业革命中，以机器代替或减轻人的体力劳动，使科学技术突飞猛进。而在东方，从元明以来中国各方面本已落后于西方。清初更因种种原因未赶上工业革命的潮流，使本已落后的局面更为严重，几乎陷于万劫不复的局面。现在由于计算机的出现，人类正在进入一个崭新的工业革命时代，它以机器代替或减轻人的脑力劳动为其重要标志。中国是否能认清形势，借此契机重新崛起，是每一个中华儿女应该深长思考的问题。
试先就过去和正在到来的两次工业革命借用控制理论奠基人美国维纳（N. Wiener）的话来加以说明。维纳先生说（据钱学森、宋健著《工程控制论》）：
第一次工业革命是人手由于机器竞争而贬值。
现在的工业革命则在于人脑的贬值。至少人脑所起的简单的较具体较具有常规性质的判断作用将要贬值。
我把维纳所说人手和人脑的贬值，改成体力劳动与脑力劳动的代替或减轻。说法有异，但其内容实质，基本上应该是相同的。
事实上，这种提法早已有之。例如，已故周恩来总理在1956年1月14日《关于知识分子问题报告》中就提出：
由于电子学和其它科学的进步而产生的电子自动控制机器，已经可以开始有条件地代替一部份特定的脑力劳动，就像其它机器代替体力劳动一样，从而大大提高了自动化技术的水平。这些最新的成就，使人类面临着一个新的科学技术革命和工业革命的前夕。这个革命，就它的意义来说，远远超过蒸气机和电的出现而产生的工业革命。
在《科学技术8年规划纲要》中也说：
现代科学技术……正经历着一场伟大的革命。特别是电子计算机技术的发展和应用，使机器不仅能够代替脑力劳动，而且能够代替脑力劳动的某些职能，成为记忆、运算和逻辑推理的辅助工具。
体力劳动以机器来代替或减轻，通常称为体力劳动的机械化。因而脑力劳动用适当的设备来代替或减轻，在以下也将称为脑力劳动的机械化。
应该指出，体力劳动千差万别，不同类型的体力劳动，只能用不同类型的机器来代替或减轻。其次，体力劳动的机械化，是一个漫长而几乎无终点可言的过程，根本谈不上完成二字。脑力劳动远比体力劳动复杂。我们对它的认识还停留在表面上，它的机械化路程的复杂与漫长将远远超过体力劳动的机械化，是可想而知的。
尽管如此，历史上减轻脑力劳动的尝试却是由来已久。略举数例如下：
- Napier（1550-1617）在1614年发明对数。使繁复的乘除计算转化为简单得多的加减计算。
- Descartes（1596-1650）在1637的《几何学》一书中，引进相当于座标的方法，使艰难的几何推理，转化为易于驾驭的代数运算。这使艰深的脑力劳动有望减轻。
- Pascal（1023-1662）与L. Leibniz（1646-1716）分别于1642与1672造出了加法计算器与加乘计算器，为用适当机器进行某种脑力劳动作出范例。Leibniz甚至说，把计算交给机器去做，可以使优秀人才从繁重的计算中解脱出来。
两位伟大的思想家Descartes与Leibniz，不仅进行了某些具体的减轻脑力劳动的尝试，还对一般的脑力劳动的代替与减轻即我们所说脑力劳动的机械化提出了许多有普通意义的思想与主张。现据美国数学史家M. Kline所著《古今数学思想》一书所提到的某些有关片段，抄录如下：
[Descartes]认为代数使数学机械化，因而使思考和运算步骤变得简单，而无需花很大的脑力。这可能使数学创造变成一种几乎是自动化的工作。
[Descartes认为]甚至逻辑上的原理和方法也可能用符号来表达，而整个体系则可用之于使一切推理过程机械化。
[Leibniz]为一种宽广演算的可能性所激动。这种运算将使人们在一切领域中能够机械地轻易地去推理。
自Descartes与Leibniz在17世纪提出脑力劳动机械化并作出某些具体成就外，此后两百余年间，在他们指引的道路上不断有所前进。略举若干进展如下。
- Boole（1815-1864）创立了逻辑代数即现今所称的布尔代数，基本上完成了Descartes与Leibniz所提出的一种“用符号表达使一切推理过程机械化的宽广的演算。”
Boole所开创的工作后来为W.S. Jevons, C.S. Peince, F.W. Schnoden, G. Frege, G. Peano, A.N. Whitehead与B. Russell等所继承与发展。特别是D.Hilbert（1862-1943）在20世纪初开创了数理逻辑这一学门，建立了证明论。又提出了数学相容性的命题，它相当于认为整个数学可以机械化。但是，与Hilbert的预期相反，1930年时，奥地得K. Godel（1906-1978）证明了形式系统的不完全定理，使Hilbert的相容性命题完全破产。Godel的发现成为20世纪数学上最惊人的一项成果，它隐含了许多数学领域机械化的不可能性。Godel与其后的许多数理逻辑学家，就证明了不少具体的数学领域与问题用逻辑的惯用语言来说是不可判定的，或用我们所使用的语言来说是不能机械化的。举例来说, Hilbert在他有名的23个问题中，第10个问题相当于要求机械化地解任意不定方程组，但经过几十年的努力，最后的结论却是：这种机械化的解法是不可能有的。
与以上相反，波兰的数学家A.Tanski（1901-1983）在1950年却证明了初等代数与初等几何的定理证明都是逻辑上可判定的，也就是说是可以机械化的。这似乎出人意料。
但是，上面所列举的许多成果，基本上都是理论上的探讨。上世纪40年代出现了计算机，使局面为之改观。计算机为机械化提供了一种现实可行的工具手段。它使原来的理论探讨可以考虑如何通过计算机来具体实现。例如Tanski即曾提出过为他初等代数与初等几何定理的机械化证明方法专门制造一种判断机或证明机。到70年代美国还曾利用当时的计算机对 Tanski的方法进行过实验。但是以方法过于复杂远远超出计算机的计算能力而无故而终。1976年时，美国的K. Appel与W. Haken借助于计算机证明了地图四色定理，引起了数学界的震动。但这只是说明计算机可以对特殊的个别问题起到辅助作用而已。真正的成功应该是在1959年。当时我国留美的王浩教授（1921-1995）在一台计算机上只用了几分钟的计算时间，就证明了Whitehead-Russell的名著《数学原理》中的几百条命题。这可以说是开创了数学机械化的新时代。
计算机的出现对现代数学这种脑力劳动的发展带来了不可估量的影响。计算机不仅可以代替繁重的人工计算，而且Tanski, Appel与Haken, 特别是王浩先生等的工作说明计算机还可以至少帮助人们进行看来与机械化很不相容像定理证明这一类的工作。计算机将使数学面临脱离传统的一张纸一支笔方式，而代之以以计算机进行不仅计算且能推理谁的全新形式。例如在20世纪的70年代，对于计算机的发明有过重要贡献的法兰数学家S. Ulam就曾说过：“将来会出现一个数学研究的新时代，计算机将成为数学研究必不可少的工具。”
事实上，王浩先生早在他1959年划时代的工作之后，就曾写有专文说明计算机对于数学研究的重要意义。现据王浩先生原文试意译片段如下：
“可以认为一门新的应用逻辑分支已经趋于成熟。它可以称为‘推理’分析，用以处理证明，就像数值分析之处理计算那样。可以相信，这一学门将在不远的将来，导致用机器来证明艰难的新定理。
适用于一切数学问题的普遍的判定程序已知是不可能有的。但是形式化使我们相信，机器能完成当代数学研究所需的大部份工作。”
计算机发明人类进入计算机时代以后，脑力劳动的机械化具有了某种程度的现实可行性。除了上面所说的种种成就外，另一项有着重大意义的成就是在上世纪50年代人工智能这一新学科的诞生。
所谓人工智能，意指人类的各种脑力劳动，或智能行为，诸如判断、推理、证明、识别、感知、理解、通信、设计、思考、规划、学习和问题求解等思维活动，可用某种智能化的机器来予以人工的实现。（见本书页2定义1.3）。诸如机器编译、机器诊断、机器推理、机器下棋以及各种专家系统，在上世纪60年代后，都不断出现，并有相应的软件与器件问世。特别是世界国际象棋冠军卡斯波洛夫与计算机的人机大战，曾引起轰动。
2003年11月，在广州召开了全国人工智能大会的第10届全国学术年会，笔者有幸参加。在会议期间，参观了广州工业大学举办的一次机器人的足球比赛。目前，具有某种智能行为的各种机器蛇、机器人等等已频繁出现。总之，人工智能已成为一个受到广泛重视与认可并有广阔应用潜能的庞大学科。另一面，又由于学科所牵涉到的许多概念与方法的不确定性，引发了学科内部的许多争论。总之，关于人工智能的方方面面，读者包括笔者在内，可从本书获得充分的了解。
在脑力劳动的机械化中，数学家们起了特殊的作用。计算机的发明与发展过程中，数学家如J. von Neumann, A. Turing, K. Godel等都有着特出的贡献。对于脑力劳动机械化的认识，前面已提到过Descartes与Leibniz的思想影响与实际作为。这两位既是思想家又是数学家。此外在前面提到过的许多人物，大多也是数学家。这决不是因为笔者本人是数学工作者对数学情有独钟而有意提到那些数学家。事实上此事决非偶然，而是有着深层次的原因，使得数学家们自然而然地要在脑力劳动机械化的伟大事业中扮演重要的角色。首先，数学研究现实世界中的数与形。由于数与形无处不在，因而数学也就通过数与形渗透到形形色色几乎所有的不同领域，成为具有最广泛的基础性的学门。这说明了数学在各种脑力劳动的机械化中，显得更为迫切，而应享有机械化的最高优先权。其次，数学作为一种典型的脑力劳动，它与前面人工智能中所提到的各种智能型脑力劳动相较，具有表达严密精确，且又极其简明等特点。因而在各种脑力劳动的机械化中，理应更为容易取得突破。Tanski, Appel-Haken, 王浩先生等人的工作，以及笔者本人在上世纪70年代以来在几何定理证明方面所做的工作，足可说明易于突破之说决非妄言。
人们在中学时代的学习中，都熟知几何定理证明的一般方式。一个几何定理包含假设与结论两部份。为了证明这一定理，需要从假设这一叙述出发，根据某些已给公理或是某些已经证明过的定理，得出另一个叙述。然后再据某些已给的公理，或是某些已经证明过的定理，得出又一个新的叙述。如此逐次进行，如果到某一步所得的叙述恰好是原来已给的结论，定理就算是获得了证明。在证明的过程中，每一步已给公理或已证定理的选择，漫无依据可言。总之定理的这种证明方式，与机械化毫无共同之处，而是极端非机械化的。它是一种超高强度的脑力劳动。
然而，笔者在上世纪70年代有幸学习中国古代的数学，开始发现中国古代的传统数学遵循了一条与源自古希腊的现代所谓公理化数学完全不相同的途径。它与源于古希腊的所谓演绎体系相反而无共同之处。简言之，中国的古代数学是高度机械化的。它使数学研究这种脑力劳动的强度大大减轻。这具体表现在几何定理的证明上面。试说明如下。
源于古希腊的现代公理化数学体系主要内容是证定理。它的成果往往以定理的形式出现。与之相反，中国古代的传统数学根本不考虑定理的证明，根本没有公理、定理与证明这样的概念，自然也没有什么演绎体系。中国的古代数学重视的是解决问题，而考虑的问题主要来自客观实际，虽然也有例外。由于问题的原始数据与所求的结果数据总是用某种类型现代所谓方程的形式联系起来，而多项式方程是这种最根本也是最自然的形式，因而解多项式方程（组）的问题自然成为我国古代数学几千年研究与发展的核心。这一发展到元代（1271-1368）朱世杰时达到了顶峰。朱世杰在所著《四元玉鑑（1303）》一书中给出了解任意多项式方程组的思想路线与具体的方法过程。朱所提出的思想路线与方法过程在原则上应该说是完满无缺的。尤其应该指出的是：中国古代在解决问题时，结果数据往往用原始数据的某种公式的形式表示出来。这可以认为是某种形式的“定理”。因之中国古代的方程解法，实质上也已隐含了至少是某种形式的定理证明。事实上，朱在他的著作中已经指出了这一点，且已具体使用在某些著名的问题上。下面将再作具体说明。
笔者由于学习中国古代数学史而得到启发，在1976年冬季进行用机械化方法证明几何定理的尝试。首先是引进适当座标，在通常的情况下，定理的假设与结论将各转化为一个多项式方程组与一个多项式方程。于是定理变成一个纯代数的问题：如何从相当于假设的多项式组得出相当于终结的多项式。从朱世杰的著作得知有一机械化的算法，可从杂乱无章的假设多项式组得到另一颇有条理的有序多项式组，由此即容易验证是否可导出终结多项式来。循此途径笔者对某些已知定理进行相应的计算验证。但出于意外的是其间总是会遇到一些不合理的意外情况。经过几个月的反复计算与深入思考，才发现了问题的症结所在。终于在1977年春节期间获得了恰当的证明几何定理的机械化方法。此后的许多年间，即致力于置备适当的计算机使这一定理证明方法得以在机器上予以实现。在此期间曾得王浩先生的许多鼓励与协作。特别是当时留美的周成青先生，利用美国的良好设备，在计算机上用上述方法证明甚至发现了几百条艰深的几何定理，每条定理的证明所需时间以微秒计。这成为周在美获得博士学位的主要内容，并已写成专著于1988年在国外出版。这说明王浩先生预测有一新学门“将在不远的将来导致用机器来证明艰难的新定理”，事实上已经实现。
笔者在机器证明几何定理上取得了成功。按前面笔者曾说过：数学作为一种典型的脑力劳动，在各种脑力劳动中，它的机械化应最为迫切而有最大的优先权。又说过：数学的机械化较之其它脑力劳动的机械化，应更易取得成功。几何定理机器证明的成功足见笔者所言非虚。
在几何定理机器证明取得成功之后的二十多年来，笔者与许多志同道合的同志们在科技部、科学院、基金委等大力支持下，开展了一场可谓“数学机械化”的“运动”。它在理论与应用诸多方面都已取得了若干成功。但总的说来还只能说是刚开始起步。漫长而更为艰难的路程正等着我们。
需要郑重指出的是：我们工作的起点来自于对中国古代数学的认识。这是有深刻的道理的。中国古代数学以解多项式方程（组）为其主要目标。解方程的方法以依据确定步骤逐步机械地来进行。这种机械进程在我国经典著作中通称为“术”，相当于现代辞条中的“算法”。如果有一台计算机，即可依据“术”编成程序，将原始数据输入后，即可机械地进行计算以解所设的方程。这种机械进行的“术”贯穿在中国古代的数学经典之中。因之中国的古代数学是一种算法型数学，或即是一门适合于现代计算机的“机械化”数学。
不仅如此而已。中国不仅具有作为典型脑力劳动的数学机械化的合适的土壤，而且也是各种脑力劳动机械化的沃土。
原因是，古代的中国是脑力劳动机械化的故乡，也是脑力劳动机械化的发源地。它有着为发展脑力劳动机械化所需的坚实基础、有效手段与丰富经验。
我们都知道0与1的二进位制对于计算机的关键作用。虽然中国未真正进入到二进制，但完善的十进位位值制则早已在中国的远古作出了典范。这一十进位位值制通过印度阿剌伯传入西方后，曾被西方的科学家誉为亘古以来最伟大的一项发明创造。仿制为位值制二进制后，成为制造计算机以至脑力劳动机械化的不可或缺的组成部份。追本溯源，应该归之于中国古代位值制十进制的创造。至于西方往往把这一创造归之于印度，自然是一种历史性的错误，是张冠李戴。
其次，在作为典型脑力劳动的数学方面，有过许多重大的大幅度减轻脑力劳动强度的特出成就。除有关定理证明者外，还试举数例如下。
中国古代的十进位位值制，不仅可以使不论多大的整数有简明的表达形式，而且加、减、乘、除以至分数运算甚至开方都可变得轻而易举，因而大大减轻了计算中脑力劳动的强度。这是位值制被西方有识之士誉为最伟大创造的根本原因。此其一。
解放前我国的小学六年级或初中一年级往往要花整整一年的时间，学习各种四则难题的解法，这是一种极度非机械化的超高强度脑力劳动。但至少早在公元前二世纪时，我国就创造了解线性联立方程组的各种消去算法。它使解四则难题变得轻而易举。这些算法已被吸收入了初中代数教科书中，使年轻学子解除了不必要的脑力负担。这是用机械化的方法大幅度减轻脑力劳动强度的又一实例，而这一实例来自古代中国。
解方程必须先列出方程。但列方程并无成法。事实上这是一个难题，它无必然的途径可以遵循，也就是高度非机械化的。但中国在宋元时代，在过去已引进了的整数、分数或有理数，正负数以及小数、无理数、实数之外，又引进了一种新型的数，称之为天元、地元等，相当于现代的未知数。这种天元、地元等可以作为通常的数那样进行各种运算。由此产生了与现代多项式与有理函数等相当的概念及其运算方法，成为现代代数与代数几何的先驱。不仅如此，天元、地元等的引入，使列方程这种非机械化的脑力劳动，从此变为容易得多的接近于机械化的脑力劳动。这是中国古代脑力劳动机械化的又一实例。
以上是笔者认为古代中国是脑力劳动机械化的故乡与发源地的一些理由，是否言之过当，甚至有浮夸之嫌，愿各家学者有以教之。
科学技术是第一生产力，科技兴国，在四个现代化中，科学技术的现代化具有特殊的关键地位。而科学技术的现代化，是与脑力劳动的机械化密不可分的。宋健同志曾作对联说：“人智能则国智，科技强则国强，”把智能与科技并列，可谓一语道出了真谛。
自然，我们真正的意图决不在于口舌之争，在字面上夸夸其谈。真正应该做的事是实干巧干，借计算机时代来临的大好契机，率先在全世界推行脑力劳动机械化。以具体成就来说服世人我们的主张与我们的成功。
中国科学院数学与系统科学研究所
吴文俊
2004年3月
目录
第一版序 傅京孙
前沿学科的最精彩成就 宋 健
代序—计算机时代的脑力劳动机械化与科学技术现代化 吴文俊
第五版前言 蔡自兴
第六版前言 蔡自兴
第一章 绪论
1.1 人工智能的定义和发展
1.1.1 人工智能的定义
1.1.2 人工智能的起源与发展
1.1.3 中国人工智能发展简史
1.2 人工智能的各种认知观
1.2.1 人工智能各学派的认知观
1.2.2 人工智能的争论
1.3 人类智能和人工智能
1.3.1 智能信息处理系统的假设
1.3.2 人类智能的计算机模拟
1.4 人工智能系统的分类
1.5 人工智能的研究目标和内容
1.5.1 人工智能的研究目标
1.5.2 人工智能研究的基本内容
1.5.3 人工智能的核心技术
1.5 人工智能研究的主要方法
1.6 人工智能的研究与应用领域
1.7 本书概要
习题1
参考文献
第二章 知识表示方法
2.1 状态空间表示
2.1.1 问题状态描述
2.1.2 状态图示法
2.2 问题规约表示
2.2.1 问题规约描述
2.2.2 与或图表示
2.3 谓词逻辑表示
2.3.1 谓词演算
2.3.2 谓词公式
2.3.3 置换与合一
2.4 语义网络表示
2.4.1 二元语义网络的表示
2.4.2 多元语义网络的表示
2.4.3 语义网络的推理过程
2.5 框架表示
2.5.1 框架的构成
2.5.2 框架的推理
2.6 本体
2.6.1 本体的概念
2.6.2 本体架组成与分类
2.6.3 本体的建模
2.7 过程表示
2.8 小结
习题2
参考文献
第三章 确定性推理
3.1 图搜索策略
3.2 盲目搜索
3.2.1 宽度优先搜索
3.2.2 深度优先搜索
3.2.3 等代价搜索
3.3 启发式搜索
3.3.1 启发式搜索策略和估价函数
3.3.2 有序搜索
3.3.3 A＊算法
3.4 消解原理
3.4.1 子句集的求取
3.4.2 消解推理规则
3.4.3 含有变量的消解式
3.4.4 消解反演求解系统
3.5 规则演绎系统
3.5.1 规则正向演绎系统
3.5.2 规则逆向演绎系统
3.5.3 规则双向演绎系统
3.6 产生式系统
3.6.1 产生式系统的组成
3.6.2 产生式系统的推理
3.6.3 产生式系统举例
3.7 非单调推理
3.7.1 缺省推理
3.7.2 限定推理
3.8 小结
习题3
参考文献
第四章 不确定性推理
4.1 经典推理与非经典推理
4.2 不确定性推理
4.2.1 不确定性的表示与度量
4.2.2 不确定性的算法
4.3 概率推理
4.3.1 概率的基本性质和计算公式
4.3.2 概率推理方法
4.4 主观贝叶斯方法
4.4.1 知识不确定性的表示
4.4.2 证据不确定性的表示
4.4.3 主观贝叶斯方法的推理过程
4.5 可信度方法
4.5.1 基于可信度的不确定性表示
4.5.2 可信度方法的推理算法
4.6 证据理论
4.6.1 证据理论的形式化描述
4.6.2 证据理论的不确定性推理模型
4.6.3 推理示例
4.7 小结
习题4
参考文献
第五章 计算智能
5.1 概述
5.2 神经计算
5.2.1 人工神经网络研究的进展
5.2.2 人工神经网络的结构
5.2.3 人工神经网络示例及其算法
5.2.4 基于神经网络的知识表示与推理
5.3 模糊计算
5.3.1 模糊集合、模糊逻辑及其运算
5.3.2 模糊推理与模糊判决
5.4 遗传算法
5.4.1 遗传算法的基本机理
5.4.2 遗传算法的求解步骤
5.5 人工生命
5.5.1 人工生命研究的起源和发展
5.5.2 人工生命的定义和研究意义
5.5.3 人工生命的研究内容和方法
5.5.4 人工生命实例
5.6 粒群优化
4.9.1 群智能和粒群优化概述
4.9.2 粒群优化算法
5.7 蚁群计算
4.10.1 蚁群计算理论
4.10.2 蚁群算法的研究与应用
5.8 小结（修改补充）
习题5
参考文献
第六章 专家系统
6.1 专家系统概述
6.1.1 专家系统的定义与特点
5.1.2 专家系统的结构和建造步骤
6.2 基于规则的专家系统
6.2.1 基于规则专家系统的工作模型和结构
6.2.2 基于规则专家系统的特点
6.3 基于框架的专家系统
6.3.1 基于框架专家系统的定义、结构和设计方法
6.3.2 基于框架专家系统的继承、槽和方法
6.4 基于模型的专家系统
6.4.1 基于模型专家系统的提出
6.4.2 基于神经网络的专家系统
6.5 基于Web的专家系统
6.5.1 基于Web专家系统的结构
6.5.2 基于Web架专家系统的实例
6.6 新型专家系统
6.6.1 新型专家系统的特征
6.6.2 分布式专家系统
6.6.3 协同式专家系统
6.7 专家系统的设计
6.7.1 专家系统的设计过程
6.7.2 基于规则专家系统的一般设计方法
6.7.3 反向推理规则专家系统的设计任务
6.8 专家系统开发工具
6.8.1 专家系统的传统开发工具
6.8.2 专家系统的Matlab开发工具
6.9 小结
习题6
参考文献
第七章 机器学习
7.1 机器学习的定义和发展历史
7.1.1 机器学习的定义
7.1.2 机器学习的发展史
7.2 机器学习的主要策略和基本结构
7.2.1 机器学习的主要策略
7.2.2 机器学习系统的基本结构
7.3 归纳学习
7.3.1 归纳学习的模式和规则
7.3.2 归纳学习方法
7.4 决策树学习
7.4.1 决策树和决策树构造算法
7.4.2 决策树学习算法ID3
7.5 类比学习
7.5.1 类比推理和类比学习类型
7.5.2 类比学习过程和研究类型
7.6 解释学习
7.6.1 解释学习过程和算法
7.6.2 解释学习实例
7.7 神经网络学习
7.7.1 基于反向传播网络的学习
7.7.2 基于Hopfield网络的学习
7.8 知识发现
7.8.1 知识发现的发展和定义
7.8.2 知识发现的处理过程
7.8.3 知识发现的方法
7.8.4 知识发现的应用
7.9 增强学习
7.9.1 增强学习概述
7.9.2 Q－学习
7.10 深度学习
7.10.1 深度学习的定义与特点
7.10.2 深度学习基础及神经网络
7.10.3 深度学习的常用模型
7.10.3 深度学习应用简介
7.10.4 讨论
7.11 小结
习题7
参考文献
第八章 自动规划
8.1 自动规划概述
8.1.1 规划的概念和作用
8.1.2 规划的分类和问题分解途径
8.1.3 执行规划系统任务的一般方法
8.2 任务规划
8.2.1 积木世界的自动规划
8.2.2 基于消解原理的规划
8.2.3 具有学习能力的规划系统
8.2.4 分层规划（精简）
8.2.5 基于专家系统的规划
8.3 路径规划
8.3.1 机器人路径规划的主要方法和发展趋势
8.3.2 基于模拟退火算法的机器人局部路径规划
8.3.3 基于免疫进化和示例学习的机器人路径规划
8.3.4 基于蚁群算法的机器人路径规划
8.4 轨迹规划简介
8.5 小结
习题8
参考文献
第九章 分布式人工智能与Agent
9.1 分布式人工智能
9.2 Agent及其要素
9.2.1 Agent的定义和译法
9.2.2 真体的要素和特性
9.3 真体的结构
9.3.1 真体的抽象结构和结构特点
9.3.2 真体结构的分类
9.4 真体通信
9.4.1 真体通信的过程
9.4.2 真体通信的类型和方式
9.4.3 交谈的规划与实现
9.4.4 真体的通信语言
9.5 移动真体和多真体系统
9.5.1 移动真体的定义和系统构成
9.5.2 多真体系统的特征和关键技术
9.5.3 多真体系统的模型和结构
9.5.4 多真体的协作、协商和协调
9.5.5 多真体的学习和规划
9.5.6 多真体系统的研究和应用领域
9.6 小结
习题9
参考文献
第十章 自然语言理解
10.1 自然语言理解概述
10.1.1 语言与语言理解
10.1.2 自然语言处理的概念和定义
10.1.3 自然语言处理的研究领域和意义
10.1.4 自然语言理解研究的基本方法和进展
10.1.5 自然语言理解过程的层次
10.2 词法分析
10.3 句法分析
10.3.1 短语结构语法
10.3.2 乔姆斯基形式语法
10.3.3 转移网络
10.3.4 扩充转移网络
10.3.5 词汇功能语法
10.4 语义分析 （修改补充）
10.5 句子的自动理解
10.5.1 简单句的理解方法
10.5.2 复合句的理解方法
10.6 语料库语言学
10.7 语音识别
10.7.1 语音识别基本原理
10.7.2 语音识别关键技术
10.7.3 语音识别技术的发展
10.7.4 语音识别技术展望
10.78 文本的自动翻译——机器翻译
10.89 自然语言理解系统的主要模型
10.910 自然语言理解系统应用举例
10.910.1 自然语言自动理解系统
10.910.2 自然语言问答系统
10.1011 小结
习题10
参考文献
结束语
索引
