人工智能原理及其应用（第3版）

　　第1章  人工智能概述
　　1.1  人工智能的基本概念
　　1.1.1  智能的概念
　　1.1.2  人工智能的概念
　　1.1.3  人工智能的研究目标
　　1.2  人工智能的产生与发展
　　1.2.1  孕育期
　　1.2.2  形成期
　　1.2.3  知识应用期
　　1.2.4  从学派分立走向综合
　　1.2.5  智能科学技术学科的兴起
　　1.3  人工智能研究的基本内容
　　1.3.1  与脑科学和认知科学的交叉研究
　　1.3.2  智能模拟的方法和技术研究
　　1.4  人工智能研究中的不同学派
　　1.4.1  符号主义
　　1.4.2  联结主义
　　1.4.3  行为主义
　　1.5  人工智能的研究和应用领域
　　1.5.1  机器思维
　　1.5.2  机器学习
　　1.5.3  机器感知
　　1.5.4  机器行为
　　1.5.5  计算智能
　　1.5.6  分布智能
　　1.5.7  智能系统
　　1.5.8  人工心理与人工情感
　　1.5.9  人工智能的典型应用
　　1.6  人工智能的现状与思考
　　习题1
　　第2章  确定性知识系统
　　2.1  确定性知识系统概述
　　2.1.1  确定性知识表示概述
　　2.1.2  确定性知识推理概述
　　2.2  确定性知识表示方法
　　2.2.1  谓词逻辑表示法
　　2.2.2  产生式表示法
　　2.2.3  语义网络表示法
　　2.2.4  框架表示法
　　2.3  确定性知识推理方法
　　2.3.1  产生式推理
　　2.3.2  自然演绎推理
　　2.3.3  归结演绎推理
　　2.4  确定性知识系统简例
　　2.4.1  产生式系统简例
　　2.4.2  归结演绎系统简例
　　习题2
　　第3章  搜索策略
　　3.1  搜索概述
　　3.1.1  搜索的含义
　　3.1.2  状态空间问题求解方法
　　3.1.3  问题归约求解方法
　　3.2  搜索的盲目策略
　　3.2.1  状态空间的盲目搜索
　　3.2.2  代价树的盲目搜索
　　3.3  状态空间的启发式搜索
　　3.3.1  启发性信息和估价函数
　　3.3.2  A算法
　　3.3.3  A*算法
　　3.3.4  A*算法应用举例
　　3.4  与／或树的启发式搜索
　　3.4.1  解树的代价与希望树
　　3.4.2  与／或树的启发式搜索过程
　　3.5  博弈树的启发式搜索
　　3.5.1  概述
　　3.5.2  极大／极小过程
　　3.5.3  α-β剪枝
　　习题3
　　第4章  计算智能
　　4.1  计算智能概述
　　4.1.1  什么是计算智能
　　4.1.2  计算智能的产生与发展
　　4.1.3  计算智能与人工智能的关系
　　4.2  神经计算
　　4.2.1  神经计算基础
　　4.2.2  人工神经网络的互联结构
　　4.2.3  人工神经网络的典型模型
　　4.3  进化计算
　　4.3.1  进化计算概述
　　4.3.2  遗传算法
　　4.4  模糊计算
　　4.4.1  模糊集及其运算
　　4.4.2  模糊关系及其运算
　　4.5  粗糙集
　　4.5.1  粗糙集概述
　　4.5.2  粗糙集的基本理论
　　4.5.3  决策表的约简
　　习题4
　　第5章  不确定性推理
　　5.1  不确定性推理概述
　　5.1.1  不确定性推理的含义
　　5.1.2  不确定性推理的基本问题
　　5.1.3  不确定性推理的类型
　　5.2  可信度推理
　　5.2.1  可信度的概念
　　5.2.2  可信度推理模型
　　5.2.3  可信度推理的例子
　　5.3  主观Bayes推理
　　5.3.1  主观Bayes方法的概率论基础
　　5.3.2  主观Bayes方法的推理模型
　　5.3.3  主观Bayes推理的例子
　　5.3.4  主观Bayes推理的特性
　　5.4  证据理论
　　5.4.1  证据理论的形式化描述
　　5.4.2  证据理论的推理模型
　　5.4.3  推理实例
　　5.4.4  证据理论推理的特性
　　5.5  模糊推理
　　5.5.1  模糊知识表示
　　5.5.2  模糊概念的匹配
　　5.5.3  模糊推理的方法
　　5.6  概率推理
　　5.6.1  贝叶斯网络的概念及理论
　　5.6.2  贝叶斯网络推理的概念和类型
　　5.6.3  贝叶斯网络的精确推理
　　5.6.4  贝叶斯网络的近似推理
　　习题5
　　第6章  符号学习
　　6.1  符号学习概述
　　6.1.1  学习的概念
　　6.1.2  机器学习的概念
　　6.1.3  符号学习系统的基本模型
　　6.2  记忆学习
　　6.3  示例学习
　　6.3.1  示例学习的类型
　　6.3.2  示例学习的模型
　　6.3.3  示例学习的归纳方法
　　6.4  决策树学习
　　6.4.1  决策树的概念
　　6.4.2  ID3算法
　　6.5  统计学习
　　6.5.1  小样本统计学习理论
　　6.5.2  支持向量机
　　习题
　　第7章  联结学习
　　7.1  联结学习概述
　　7.1.1  联结学习的生理学基础
　　7.1.2  联结学习规则
　　7.2  感知器学习
　　7.2.1  单层感知器学习算法
　　7.2.2  单层感知器学习的例子
　　7.2.3  多层感知器学习问题
　　7.3  BP网络学习
　　7.3.1  BP网络学习的基础
　　7.3.2  BP算法的传播公式
　　7.3.3  BP网络学习算法
　　7.3.4  BP网络学习的讨论
　　7.4  Hopfield网络学习
　　7.4.1  Hopfield网络的能量函数
　　7.4.2  Hopfield网络学习算法
　　习题
　　第8章  分布智能
　　8.1  分布智能概述
　　8.1.1  分布智能的概念
　　8.1.2  分布式问题求解
　　8.1.3  多Agent系统
　　Ⅹ 人工智能原理及其应用第3版
　　8.2  Agent的结构
　　8.2.1  Agent的机理
　　8.2.2  反应Agent的结构
　　8.2.3  认知Agent的结构
　　8.2.4  混合Agent的结构
　　8.3  多Agent系统
　　8.3.1  Agent通信
　　8.3.2  多Agent合作
　　8.4  移动Agent
　　8.4.1  移动Agent系统的一般结构
　　8.4.2  移动Agent的实现技术及应用
　　习题
　　第9章  智能应用简介
　　9.1  自然语言理解简介
　　9.1.1  自然语言理解的基本概念
　　9.1.2  词法分析
　　9.1.3  句法分析
　　9.1.4  语义分析
　　9.2  专家系统简介
　　9.2.1  专家系统概述
　　9.2.2  基于规则和基于框架的专家系统
　　9.2.3  模糊专家系统和神经网络专家系统
　　9.2.4  基于Web的专家系统
　　9.2.5  分布式和协同式专家系统
　　9.2.6  专家系统的开发
　　习题9
　　附录A  人工智能课程实验大纲
　　A.1  分章实验
　　分章实验1  简单动物识别系统的知识表示第2章
　　分章实验2  简单动物识别系统的推理第2章
　　分章实验3  简单的一字棋游戏第3章
　　分章实验4  简单的遗传优化第4章
　　分章实验5  简单的可信度推理第5章
　　分章实验6  简单的单层感知器分类第7章
　　A.2  综合实验
　　综合实验1  智能五子棋游戏
　　综合实验2  基于BP网络的预测或评价系统
　　综合实验3  基于Web的不确定推理专家系统
　　参考文献

　　《人工智能原理及其应用（第3版）》是普通高等教育“十一五”国家级规划教材和北京高等教育精品教材。全书共9章，分别是：第1章人工智能概述，第2章确定性知识系统，第3章搜索策略，第4章计算智能，第5章不确定性推理，第6章符号学习，第7章联结学习，第8章分布智能，第9章智能应用简介。附录Ａ是人工智能课程实验大纲。本书为任课教师免费提供电子课件。