人工智能原理

前言
第1章 緒論
1.1 人工智能的起源與發(fā)展
1.2 人工智能學術流派
1.3 人工智能的研究與應用領域
第2章 知識表示和推理
2.1 知識和知識表示的基本概念
2.2 命題邏輯
2.2.1 語法
2.2.2 語義
2.2.3 命題演算形式系統
2.3 謂詞邏輯
2.3.1 語法
2.3.2 語義
2.4 歸結推理
2.4.1 子句集及其簡化
2.4.2 海伯倫定理
2.4.3 Robinson歸結原理
2.4.4 利用Robinson歸結原理實現定理證明
2.4.5 應用歸結原理求解問題
2.5 產生式系統
2.5.1 產生式系統的組成部分
2.5.2 產生式系統的控制策略
2.5.3 產生式系統的推理方式
2.6 語義網絡表示法
2.6.1 語義網絡的結構
2.6.2 基本命題的語義網絡表示
2.6.3 語義網絡的知識表示方法
2.6.4 語義網絡表示法的特點
2.7 框架表示法
2.8 狀態(tài)空間表示法
2.9 與或圖表示法
第3章 圖搜索技術
3.1 問題的提出
3.2 狀態(tài)圖搜索
3.2.1 狀態(tài)圖搜索分類
3.2.2 窮舉式搜索
3.2.3 啟發(fā)式搜索
3.2.4 A算法及A算法
3.3 與或圖搜索
3.3.1 與或圖
3.3.2 與或圖搜索舉例
3.4 博弈圖搜索
3.4.1 博弈圖
3.4.2 極大極小分析法
3.4.3 剪枝技術
第4章 專家系統
4.1 專家系統的概述
4.1.1 專家系統的概念與特點
4.1.2 專家系統和傳統程序的區(qū)別
4.2 專家系統的結構
4.3 專家系統的設計原則與開發(fā)過程
4.3.1 專家系統的設計原則
4.3.2 專家系統的開發(fā)過程
4.4 專家系統評價
4.5 專家系統開發(fā)工具
4.5.1 骨架型開發(fā)工具
4.5.2 語言型開發(fā)工具
4.5.3 構造輔助工具
4.5.4 支撐環(huán)境
4.6 Prolog語言
4.6.1 Prolog語言的特點
4.6.2 基本Prolog的程序結構
4.6.3 Prolog程序的運行機理
4.6.4 TurboProlog程序結構
4.6.5 TurboProlog的數據與表達式
4.6.6 VisualProlog介紹
4.6.7 PIE Prolog的推理機
第5章 模糊理論及應用
5.1 模糊理論的產生與發(fā)展
5.2 模糊理論的數學基礎
5.2.1 經典集合論的基本概念
5.2.2 模糊集合的基本概念
5.2.3 模糊關系與復合運算
5.3 模糊邏輯
5.3.1 模糊條件語句
5.3.2 模糊推理
5.4 模糊控制系統及模糊控制器
5.4.1 模糊控制系統的基本結構
5.4.2 模糊控制器
5.4.3 模糊控制器的設計
5.4.4 模糊PID控制器的設計
5.5 模糊聚類分析與模糊模式識別
5.5.1 模糊聚類分析
5.5.2 模糊模式識別
第6章 機器學習和神經網絡
6.1 機器學習的基本概念和發(fā)展史
6.2 經典機器學習方法
6.3 基于神經網絡的學習j
6.3.1 神經網絡概述
6.3.2 人工神經網絡模型
6.3.3 BP神經網絡
6.3.4 RBF神經網絡
6.3.5 cMAc神經網絡
6.3.6 Hopfield神經網絡
6.3.7 模糊神經網絡
6.3.8 其他類型的神經網絡介紹
第7章 混沌理論與混沌神經網絡
7.1 混沌研究的起源與發(fā)展
7.2 混沌的基本特性
7.3 通往混沌的道路
7.4 混沌的識別
7.4.1 定性分析法
7.4.2 定量分析法
7.5 混沌應用
7.6 混沌神經網絡
7.6.1 暫態(tài)混沌神經網絡
7.6.2 其他類型的混沌神經網絡
7.6.3 G-s混沌神經網絡應用實例
第8章 智能優(yōu)化計算
8.1 優(yōu)化問題的分類
8.2 優(yōu)化算法分類
8.3 梯度優(yōu)化計算
8.4 混沌優(yōu)化
8.5 模擬退火算法
8.6 遺傳算法
8.6.1 遺傳算法中的關鍵參數與操作
8.6.2 遺傳算法中的基本流程
8.6.3 遺傳算法的改進
8.6.4 遺傳算法的實現
8.7 蟻群算法
8.7.1 蟻群算法的研究現狀
8.7.2 基本蟻群算法的工作原理
8.8 粒子群算法及應用
8.8.1 基本粒子群優(yōu)化算法
8.8.2 粒子群優(yōu)化算法的拓撲結構
8.9 魚群算法簡介
8.10 混合優(yōu)化計算方法簡介
參考文獻