人工智能及其應(yīng)用

第 1章 　緒論 1
1.1 人工智能的起源與發(fā)展 1
1.1.1 孕育階段 2
1.1.2 形成階段 2
1.1.3 發(fā)展階段 2
1.2 人工智能的研究目標(biāo)和內(nèi)容 3
1.2.1 人工智能的研究目標(biāo) 3
1.2.2 人工智能研究的基本內(nèi)容 4
1.3 人工智能研究的主要途徑 5
1.3.1 人工智能研究的特點(diǎn) 5
1.3.2 研究人工智能的方法 5
1.4 人工智能的研究與應(yīng)用領(lǐng)域 7
1.4.1 自動(dòng)定理證明 7
1.4.2 博弈 7
1.4.3 專家系統(tǒng) 8
1.4.4 機(jī)器視覺 8
1.4.5 人工神經(jīng)網(wǎng)絡(luò) 9
小結(jié) 9
思考與練習(xí) 10
第 2章 　知識(shí) 表示方法 11
2.1 狀態(tài)空間表示 12
2.1.1 問題狀態(tài)描述 12
2.1.2 狀態(tài)圖示法 13
2.2 問題歸約表示 16
2.2.1 問題歸約描述 16
2.2.2 與或圖表示 17
2.3 謂詞邏輯表示 19
Ⅰ
人工智能及其應(yīng)用
2.3.1 謂詞演算 20
2.3.2 謂詞公式 20
2.3.3 置換與合一 22
2.4 語義網(wǎng)絡(luò)表示 22
2.4.1 二元語義網(wǎng)絡(luò)的表示 23
2.4.2 多元語義網(wǎng)絡(luò)的表示 24
2.4.3 語義網(wǎng)絡(luò)的推理過程 24
2.5 框架表示 26
2.5.1 框架的構(gòu)成 26
2.5.2 框架的推理 29
2.6 腳本表示法 31
2.6.1 腳本的定義與組成 31
2.6.2 用腳本表示知識(shí)的步驟 33
2.6.3 用腳本表示知識(shí)的推理方法 33
2.6.4 腳本表示法的特點(diǎn) 34
2.7 面向?qū)ο蟮闹R(shí)表示 34
2.7.1 面向?qū)ο蟮幕靖拍?34
2.7.2 面向?qū)ο蟮闹R(shí)表示 35
2.7.3 面向?qū)ο蠓椒▽W(xué)的主要觀點(diǎn) 36
小結(jié) 36
思考與練習(xí) 37
第 3章 　確定 性推理 38
3.1 圖搜索策略 38
3.2 盲目搜索 39
3.3 啟發(fā)式搜索 44
3.4 消解原理 49
3.5 規(guī)則演繹系統(tǒng) __________54
3.6 產(chǎn)生式系統(tǒng) 59
小結(jié) 63
思考與練習(xí) 64
第 4章 　非經(jīng) 典推理 65
4.1 經(jīng)典推理和非經(jīng)典推理 65
4.2 不確定性推理 66
4.3 概率推理 67
4.4 主觀貝葉斯方法 69
4.5 可信度方法 73
4.6 證據(jù)理論 76
小結(jié) 79
思考與練習(xí) 80
第 5章 　機(jī)器 學(xué)習(xí) 81
5.1 機(jī)器學(xué)習(xí)概述 81
5.1.1 機(jī)器學(xué)習(xí)的概念 81
5.1.2 機(jī)器學(xué)習(xí)的發(fā)展過程 82
5.1.3 機(jī)器學(xué)習(xí)系統(tǒng)的基本模型 82
5.1.4 機(jī)器學(xué)習(xí)的主要策略 83
5.1.5 機(jī)器學(xué)習(xí)的問題 84
5.2 記憶學(xué)習(xí) 85
5.2.1 概念 85
5.2.2 學(xué)習(xí)模型 85
5.3 歸納學(xué)習(xí) 85
5.3.1 示例學(xué)習(xí) 85
5.3.2 決策樹學(xué)習(xí) 88
5.4 基于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí) 93
5.4.1 神經(jīng)元與神經(jīng)網(wǎng)絡(luò) 93
5.4.2 前向神經(jīng)網(wǎng)絡(luò) 97
5.4.3 動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò) 102
5.4.4 徑向基神經(jīng)網(wǎng)絡(luò) 105
5.4.5 CMAC神經(jīng)網(wǎng)絡(luò) 107
5.4.6 Hopfield神經(jīng)網(wǎng)絡(luò) 110
小結(jié) 115
思考與練習(xí) 115
第 6章 　智能 算法及其應(yīng)用 116
6.1 遺傳算法 116
6.1.1 遺傳算法概述 116
6.1.2 遺傳算法研究與應(yīng)用 123
6.2 粒子群優(yōu)化算法 126
6.2.1 粒子群優(yōu)化概述 127
6.2.2 粒子群優(yōu)化算法研究與應(yīng)用 135
6.3 蟻群算法 140
6.3.1 蟻群算法的生物基礎(chǔ) 141
6.3.2 旅行商問題 142
6.3.3 基于TSP問題的螞蟻系統(tǒng) (AS) 143
6.3.4 基于TSP的蟻群系統(tǒng) (ACS) 145
6.3.5 最大最小螞蟻系統(tǒng) (MMAS) 146
6.3.6 蟻群算法與機(jī)器人路徑規(guī)劃 149
6.4 人工魚群算法 153
6.4.1 人工魚群算法概述 154
6.4.2 人工魚群算法研究與應(yīng)用 158
小結(jié) 161
思考與練習(xí) 161
參考文獻(xiàn) 162