本书以详尽和丰富的资料，全面阐述了人工智能领域的核心内容，并深入介绍了各个子领域主要的研究方向，是一本综合性的教材。全书共分为9章，包括绪论、知识及知识的表示、经典逻辑推理、不确定性推理、搜索策略、机器学习、遗传算法、数据挖掘以及模式识别等人工智能的基础知识和基本理论。

    本书既详细介绍了大量的基本概念、思想和算法，也描述了各研究方向最前沿的进展。每章都附有思考题和设计题，用于指导学生自学及加深对基本概念和技术的理解与掌握。全书讲述力求由浅入深，通俗易懂，理论上具有完整性和系统性，强调基本原理和基本技术，配以大量的实例、图表，易于教学，便于自学。

    本书可以作为信息领域和相关领域的高等院校本科生和研究生的教科书或教学辅导用书，也可以作为相关领域的科研与工程技术人员的参考书。

    课件新增期末考试试卷，课件更新日期2008年8月21日

人工智能是研究理解和模拟人类智能、智能行为及其规律的一门学科。其主要任务是建立智能信息处理理论，进而设计可以展现某些近似人类智能行为的计算系统。人工智能始终处于计算机科学技术发展的最前沿。高级计算机语言、计算机界面及文字处理器的存在或多或少都归功于人工智能的研究。人工智能研究带来的理论和洞察力指引着计算技术发展的未来方向。尽管现有的人工智能产品对于即将到来的人工智能应用来说可谓微不足道，但是它们预示着人工智能的未来。对人工智能更高层次的需求已经并继续影响人们的工作、学习和生活。

由于人工智能是模拟人类智能解决问题的方法，在几乎所有学科领域都越来越普遍地用到各种人工智能技术，所以许多理工类高校相关专业都为本科生和研究生开设了“人工智能”课程，越来越多的高校师生也深感这门课程内容重要。因此，人工智能的教材建设具有十分重要的意义。

本书作者从1994年开始，一直为计算机科学与技术等相关专业的本科生和研究生讲授“人工智能原理及应用”课程，对这门课程的教材现状有比较多的了解。目前这门课程所使用的教材很多，但多是20世纪90年代中前期出版的，不仅内容不一致，风格不统一，而且着重点也各不相同。因此，结合现今人工智能技术不断推陈出新的形势，编著出一本内容翔实、可读性好、适合讲授、并具有时代特色的人工智能新教材就显得极为迫切和必要。本书正是作者基于这个指导思想，在作者多年教学经验积累的基础上编写而成的。

由于人工智能技术包含的内容十分丰富，很多理论与技术尚处在发展中，这使得教学内容的选择十分困难。本书的着眼点是力图使读者能够较全面地了解人工智能的基本理论和基本技术，为进一步学习和研究人工智能奠定基础，同时又能够涉及人工智能研究的一些前沿问题，以便为读者将来的研究工作提供帮助。

本书对常用算法归纳出了较详细的基本计算步骤，列举了大量的算法过程，读者按此可顺利编制出所用算法语言程序。尽管书中每章都设有习题，但我们并不鼓励读者逐一完成所有习题，只要精心完成一部分足矣。此外，本书没有给出“标准答案”，因为很多习题根本就不存在标准答案，同样的题目，采用不同的方法都可以给出解决方案。随着学习的不断深入、建议读者能够突破所在章节的限制。对于每一道设计题，除用所在章节的方法外，同时积极探索采用所在章节以外的方法来解决，这对深入了解基本概念，掌握知识之间的横向联系有极大的好处。

本书主要作为信息领域和相关领域的高等院校本科生和研究生的教材。由于书中的几大部分内容相对独立，读者可以很容易地根据课程计划学时选择部分内容学习，这并不影响课程体系结构的完整性。本书也可以作为相关领域的科研与工程技术人员的参考。

本书在编写过程中得到了湖北省高等学校研究项目（20050180）“高校人工智能课程体系改革研究”的资助。

参加本教材编写人员（按章节顺序）有金聪（第1章、第4章、第9章）、张维（第2章、第8章）、郭京蕾（第3章、第7章）、戴上平（第5章、第6章），最后由金聪审阅全部书稿。

作者感谢蔡自兴、史忠植、王永庆、高济等多位专家学者，正是通过讲授他们的教材使本书作者受益匪浅，同时本书也吸取了这些教材中的精华。感谢华中师范大学计算机科学系叶俊民教授对本教材出版的关心和支持，感谢清华大学出版社编辑们的辛勤劳动，最后还要感谢研究生付瑜、姜燕在文字输入等方面的贡献。

由于作者水平有限，加上时间紧张，书中可能会存有疏漏，欢迎读者不吝指正。

编者

2007年1月于武汉

第1章绪论

1.1什么是人工智能

1.1.1智能的解释

1.1.2人工智能的解释

1.1.3计算机与人工智能

1.1.4人类智能与人工智能

1.1.5人工智能的研究目标

1.1.6人工智能中的通用问题求解方法

1.2人工智能的发展简史及趋势

1.2.1人工智能发展简史

1.2.2人工智能发展趋势

1.3人工智能的研究方法及基本内容

1.3.1人工智能的研究方法

1.3.2人工智能研究的基本内容

1.4人工智能的基本技术

1.5人工智能的主要研究领域及实践

1.5.1人工智能的主要研究领域

1.5.2人工智能实践

习题

第2章知识及知识的表示

2.1概述

2.1.1知识

2.1.2知识表示

2.2一阶谓词逻辑表示法

2.2.1知识的谓词逻辑表示法

2.2.2谓词逻辑表示知识的举例

2.2.3一阶谓词逻辑表示法的特点

2.3产生式表示法

2.3.1产生式的基本形式

2.3.2产生式表示知识的方法

2.3.3产生式系统的组成

2.3.4产生式系统的推理方式

2.3.5产生式表示法的特点

2.4框架表示法

2.4.1框架的构成

2.4.2框架表示知识举例

2.4.3框架系统的推理

2.4.4框架表示法的特点

2.5语义网络表示法

2.5.1语义网络的概念及结构

2.5.2语义网络的基本语义联系

2.5.3语义网络表示知识的方法及步骤

2.5.4语义网络知识表示举例

2.5.5语义网络的推理过程

2.5.6语义网络表示法的特点

2.6面向对象表示法

2.6.1面向对象的基本概念

2.6.2面向对象的知识表示

习题

第3章经典逻辑推理

3.1基本概念

3.1.1推理定义

3.1.2推理方式及分类

3.1.3推理的控制策略

3.1.4模式匹配

3.2自然演绎推理

3.2.1自然演绎推理的基本概念

3.2.2利用演绎推理解决问题

3.3归结演绎推理

3.3.1子句

3.3.2Herbrand理论

3.3.3鲁滨孙归结原理

3.3.4归结策略

3.3.5使用归结原理证明问题

3.3.6用归结原理求解问题

3.4与/或形演绎推理

3.4.1与/或形正向演绎推理

3.4.2与/或形逆向演绎推理

3.4.3与/或形双向演绎推理

3.4.4一致解图与剪枝策略

习题

第4章不确定性推理

4.1不确定性推理中的基本问题

4.2不确定性推理方法分类

4.3概率方法

4.3.1经典概率方法

4.3.2Bayes定理

4.3.3逆概率方法的基本思想

4.3.4逆概率方法的优缺点

4.4主观Bayes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不确定性的传递算法

4.4.4结论不确定性的合成算法

4.4.5例子

4.4.6主观Bayes方法的主要优缺点

4.5可信度方法

4.5.1可信度概念

4.5.2CF模型

4.5.3可信度方法应用举例

4.6证据理论

4.6.1基本概念

4.6.2DS理论

4.6.3知识不确定性的表示

4.6.4证据不确定性的表示

4.6.5例子

4.6.6证据理论的主要优缺点

习题

第5章搜索问题求解

5.1基本概念

5.2状态空间搜索

5.2.1问题的状态空间表示

5.2.2状态空间的穷搜索法

5.2.3启发式搜索法

5.3问题归约法

5.3.1问题归约描述

5.3.2与或图表示

5.3.3AO*算法

5.4博弈树搜索

5.4.1极大极小过程

5.4.2α-β过程

习题

第6章机器学习

6.1机器学习的概念

6.1.1机器学习的发展历史

6.1.2什么是机器学习

6.1.3机器学习分类

6.2示例学习

6.2.1示例学习的两个空间模型

6.2.2示例学习的一个变种——决策树学习算法

6.3基于解释的学习

6.3.1基于解释学习的工作原理

6.3.2基于解释学习的方法举例

6.4基于案例的推理

6.4.1CBR系统的特点

6.4.2CBR系统的体系结构

6.4.3学习方法

6.4.4结论

6.5加强学习

6.5.1加强学习基本方法

6.5.2加强学习技术目前主要研究方向

6.5.3结论

习题

第7章遗传算法

7.1遗传算法简介

7.1.1遗传算法的起源

7.1.2设计遗传算法的基本原则

7.1.3设计遗传算法的基本步骤

7.1.4遗传算法的主要特点

7.1.5遗传算法的研究内容和应用前景

7.2基本遗传算法

7.2.1编码表示

7.2.2适应性的度量

7.2.3选择策略

7.2.4遗传算子的设计

7.3函数优化

7.3.1问题描述

7.3.2种群的初始化

7.3.3选择策略

7.3.4遗传算子

7.4旅行商问题

7.4.1旅行商问题的描述

7.4.2个体的编码表示

7.4.3杂交算子

7.4.4变异算子

7.4.5实验仿真

习题

第8章数据挖掘

8.1数据挖掘概述

8.1.1数据挖掘的定义

8.1.2数据挖掘与数据库中的知识发现

8.1.3数据挖掘研究的理论基础

8.1.4数据挖掘与其他数据处理方法的区别及联系

8.1.5数据挖掘的内容

8.1.6数据挖掘的研究历史和现状

8.2数据挖掘技术简介

8.2.1分类和预测

8.2.2聚类分析

8.3关联规则挖掘

8.3.1关联规则概述

8.3.2关联规则的分类

8.3.3经典关联规则挖掘算法

8.3.4多层关联规则挖掘

8.4序列模式挖掘

8.4.1序列模式的概念及定义

8.4.2序列模式的发现

8.4.3序列阶段的算法

8.5Web挖掘

8.5.1概述

8.5.2Web内容挖掘

8.5.3Web结构挖掘

8.5.4Web使用记录挖掘

8.6数据挖掘的研究热点与发展趋势

8.6.1研究热点

8.6.2发展趋势

习题

第9章模式识别

9.1概论

9.1.1预处理

9.1.2特征和模式基元选择

9.1.3识别

9.2统计模式识别

9.2.1决策理论方法

9.2.2统计分类法

9.2.3特征的提取与选择

9.3监督与非监督分类方法

9.3.1监督分类方法

9.3.2非监督分类法

9.4结构模式识别

9.4.1概述

9.4.2结构模式识别系统

9.4.3模式基元的选择与抽取

9.4.4模式文法

9.4.5串的识别与分析

9.5神经网络模式识别

9.5.1人工神经网络概述

9.5.2BP模型及其在模式识别中的应用

习题

参考文献