目录
前 言
第1 章 绪论 1
1. 1 人工智能的起源与发展 1
1. 2 人工智能学术流派 4
1. 3 人工智能的研究与应用领域 6
习题 10
第2 章 知识表示和推理 11
2. 1 知识和知识表示的基本概念 11
2. 2 命题逻辑 14
2. 2. 1 语法 14
2. 2. 2 语义(Semantics) 15
2. 2. 3 命题演算(Calculas) 形式系统 16
2. 3 谓词逻辑 17
2. 3. 1 语法 18
2. 3. 2 语义 21
2. 4 归结推理 25
2. 4. 1 子句集及其简化 26
2. 4. 2 海伯伦定理 29
2. 4. 3 Robinson 归结原理 33
2. 4. 4 利用Robinson 归结原理实现定理
证明 38
2. 4. 5 应用归结原理求解问题 42
2. 5 产生式系统 43
2. 5. 1 产生式系统的组成部分 44
2. 5. 2 产生式系统的控制策略 45
2. 5. 3 产生式系统的推理方式 46
2. 6 语义网络表示法 47
2. 6. 1 语义网络的结构 47
2. 6. 2 基本命题的语义网络表示 47
2. 6. 3 语义网络的知识表示方法 50
2. 6. 4 语义网络表示法的特点 54
2. 7 框架表示法 54
2. 8 状态空间表示法 56
2. 9 与或图表示法 57
习题 58
第3 章 图搜索技术 59
3. 1 问题的提出 59
3. 2 状态图搜索 61
3. 2. 1 状态图搜索分类 61
3. 2. 2 穷举式搜索 63
3. 2. 3 启发式搜索 66
3. 2. 4 A 算法及A∗算法 69
3. 3 与或图搜索 71
3. 3. 1 与或图 71
3. 3. 2 与或图搜索 72
3. 4 博弈图搜索 76
3. 4. 1 博弈图 76
3. 4. 2 极大极小分析法 78
3. 4. 3 剪枝技术 80
习题 81
第4 章 专家系统 82
4. 1 专家系统的概述 82
4. 1. 1 专家系统的概念与特点 82
4. 1. 2 专家系统和传统程序的区别 83
4. 1. 3 专家系统的类型 83
4. 2 专家系统的结构 84
4. 3 专家系统的设计原则与开发过程 85
4. 3. 1 专家系统的设计原则 85
4. 3. 2 专家系统的开发过程 86
4. 4 专家系统评价 87
4. 5 MYCIN 专家系统实例分析 88
4. 6 专家系统开发工具 90
4. 6. 1 骨架型开发工具 90
4. 6. 2 语言型开发工具 91
4. 6. 3 构造辅助工具 91
4. 6. 4 支撑环境 92
4. 7 Prolog 语言 93
4. 7. 1 Prolog 语言的特点 93
4. 7. 2 基本Prolog 的程序结构 94
4. 7. 3 Prolog 程序的运行机理 95
4. 7. 4 Turbo Prolog 程序结构 97
4. 7. 5 Turbo Prolog 的数据与表达式 98
4. 7. 6 Visual Prolog 介绍 103
4. 7. 7 PIE: Prolog 的推理机 107
习题 109
第5 章 模糊理论及应用 110
5. 1 模糊理论的产生与发展 110
5. 2 模糊理论的数学基础 111
5. 2. 1 经典集合论的基本概念 111
5. 2. 2 模糊集合的基本概念 112
5. 2. 3 模糊关系与复合运算 115
5. 3 模糊推理 117
5. 3. 1 模糊条件语句 117
5. 3. 2 模糊推理 120
5. 4 模糊控制系统及模糊控制器 122
5. 4. 1 模糊控制系统的基本结构 122
5. 4. 2 模糊控制器 123
5. 4. 3 模糊控制器的设计 124
5. 4. 4 模糊PID 控制器的设计 130
5. 5 模糊聚类分析与模糊模式识别 133
5. 5. 1 模糊聚类分析 134
5. 5. 2 模糊模式识别 137
5. 6 模糊聚类应用案例分析 138
习题 143
第6 章 机器学习和神经网络 144
6. 1 机器学习的基本概念和发展史 144
6. 2 经典机器学习方法 145
6. 3 基于神经网络的学习 148
6. 3. 1 神经网络概述 148
6. 3. 2 人工神经网络模型 149
6. 4 BP 神经网络 153
6. 4. 1 网络结构 153
6. 4. 2 网络学习算法 154
6. 4. 3 BP 网络的改进算法 156
6. 4. 4 BP 神经网络的特点 157
6. 4. 5 神经网络应用实例解析 158
6. 5 RBF 神经网络 160
6. 5. 1 径向基函数 160
6. 5. 2 径向基函数网络结构 162
6. 5. 3 网络学习算法 162
6. 5. 4 RBF 网与BP 网的对比 163
6. 6 CMAC 神经网络 164
6. 6. 1 CMAC 网络结构 164
6. 6. 2 网络学习算法 164
6. 6. 3 CMAC 网络的特点 166
6. 7 Hopfield 神经网络 166
6. 7. 1 离散型Hopfield 网络 167
6. 7. 2 连续型Hopfield 网络 168
6. 8 Elman 神经网络 171
6. 8. 1 Elman 神经网络结构 171
6. 8. 2 Elman 神经网络学习算法 172
6. 9 模糊神经网络 172
6. 9. 1 网络结构 173
6. 9. 2 学习过程 174
6. 10 其他类型的神经网络介绍 175
习题 178
第7 章 卷积神经网络及TensorFlow
应用实践 179
7. 1 卷积神经网络发展简介 179
7. 2 卷积神经网络工作原理 179
7. 3 TensorFlow 学习 185
7. 3. 1 TensorFlow 简介 185
7. 3. 2 TensorFlow 中的函数和相关
运算 190
7. 3. 3 卷积函数 194
7. 3. 4 池化函数 196
7. 4 利用TensorFlow 进行图像处理 197
7. 4. 1 图像的读取与存储 197
7. 4. 2 图像处理常用函数 197
7. 5 卷积神经网络在MNIST 的应用
实例 201
习题 212
第8 章 混沌理论与混沌神经网络 213
8. 1 混沌研究的起源与发展 213
8. 2 混沌的基本特性 215
8. 3 通往混沌的道路 216
8. 4 混沌的识别 217
8. 4. 1 定性分析法 217
8. 4. 2 定量分析法 218
8. 5 混沌应用 219
8. 6 混沌神经网络 222
8. 6. 1 暂态混沌神经网络 222
8. 6. 2 其他类型的混沌神经网络∗ 223
8. 6. 3 G-S 混沌神经网络应用实例 224
习题 228
第9 章 智能优化计算 229
9. 1 优化问题的分类 229
9. 2 优化算法分类 230
9. 3 梯度优化计算 231
9. 4 混沌优化 231
9. 5 模拟退火算法 234
9. 6 遗传算法 235
9. 6. 1 遗传算法中的关键参数与操作 235
9. 6. 2 遗传算法中的基本流程 243
9. 6. 3 遗传算法的改进 243
9. 6. 4 遗传算法的实现 245
9. 7 蚁群算法 248
9. 7. 1 蚁群算法的研究现状 248
9. 7. 2 基本蚁群算法的工作原理 249
9. 8 粒子群算法及应用 251
9. 8. 1 基本粒子群优化算法 252
9. 8. 2 粒子群优化算法的拓扑结构 255
9. 9 鱼群算法简介 257
9. 10 混合优化计算方法简介 258
习题 259
第10 章 智能体与多智能体系统 260
10. 1 智能体的概念与结构 260
10. 1. 1 智能体的概念 260
10. 1. 2 智能体的结构 261
10. 2 多智能体系统 263
10. 2. 1 多智能体系统的特征 263
10. 2. 2 多智能体系统的类型 264
10. 2. 3 多智能体系统的应用 265
习题 267
参考文献 268