《高级人工智能》求取 ⇩

前言1

第一章 绪论1

1.1 人工智能的认知问题1

1.2 思维的层次模型2

1.3 符号智能3

1.4 人工智能的发展概况5

1.5 人工智能的研究方法6

1.5.1 认知学派7

1.5.2 逻辑学派7

1.5.3 行为学派7

1.6 自动推理8

1.7 机器学习10

1.8 分布式人工智能11

1.9 人工思维模型13

1.10 知识系统14

第二章 人工智能逻辑17

2.1 重要的形式工具--逻辑17

2.1.1 逻辑程序设计17

2.1.2 关于知识的表示与推理18

2.2 非单调逻辑20

2.3 默认逻辑21

2.4 限定逻辑24

2.5 自认知逻辑26

2.5.1 Moore系统￡B26

2.5.2 O￡逻辑27

2.5.3 标准型定理28

2.5.4 ◇-记号以及稳定扩张的一种判定过程29

2.6 真值维护系统31

2.7 情景演算的逻辑基础35

2.7.1 刻划情景演算的多类逻辑LR36

2.7.2 LR中的基本动作理论37

2.7.3 多类逻辑LR的改进38

第三章 约束推理41

3.1 概述41

3.2 回溯法45

3.3 约束传播46

3.4 约束传播在树搜索中的作用48

3.5 智能回溯与真值维护48

3.6 变量例示次序与赋值次序49

3.7 局部修正搜索法49

3.8 基于图的回跳法50

3.9 基于影响的回跳法51

3.10 约束关系运算的处理54

3.10.1 恒等关系的单元共享策略54

3.10.2 区间传播56

3.10.3 不等式图57

3.10.4 不等式推理58

3.11 约束推理系统COPS58

第四章 定性推理62

4.1 概述62

4.2 定性推理的基本方法63

4.3 定性模型推理63

4.4 定性进程推理65

4.5 定性仿真推理68

4.5.1 定性状态转换69

4.5.2 OSIM算法70

4.6 代数方法71

4.7 几何空间定性推理72

4.7.1 空间逻辑73

4.7.2 空间时间关系描述74

4.7.4 Randell算法76

4.7.3 空间和时间逻辑的应用76

5.1 概述78

第五章 基于范例推理78

5.2 基于范例学习的一般过程80

5.3 范例的表示82

5.3.1 语义记忆单元83

5.3.2 记忆网83

5.4 基于记忆网的范例检索86

5.4.1 检索问题86

5.4.2 语义记忆单元和范例检索86

5.4.3 检索信息集与源范例的对应87

5.4.4 单概念的范例检索算法AS88

5.4.5 多概念的范例检索算法AM89

5.5.1 语义相似性90

5.5.2 结构相似性90

5.5 相似性关系90

5.5.3 目标特征91

5.5.4 个体相似性91

5.5.5 相似性计算91

5.5.6 优选过程92

5.5.7 约束满足理论93

5.6 范例复用94

5.6.1 类比映射94

5.6.2 类比转换96

5.7 范例保存97

5.8 基于范例的规划设计程序98

5.9 范例库维护99

5.10 基于范例推理的洪水预报系统FOREZ99

第六章 归纳学习101

6.1 概述101

6.2.1 归纳学习的一般模式102

6.2 归纳学习的逻辑基础102

6.2.2 概念获取的条件103

6.2.3 问题背景知识104

6.2.4 选择型和构造型泛化规则105

6.3 偏置变换108

6.4 变型空间方法109

6.4.1 消除候选元素算法110

6.4.2 两种改进算法112

6.5 AQ归纳学习算法113

6.6 产生与测试方法114

6.7 决策树学习116

6.7.1 CLS学习算法116

6.7.2 ID3学习算法117

6.7.3 ID4学习算法120

6.8 归纳学习的计算理论121

6.7.4 ID5学习算法121

6.8.1 Gold学习理论122

6.8.2 模型推理系统123

6.8.3 Valiant学习理论123

第七章 类比学习126

7.1 什么是类比学习126

7.2 类比的形式定义129

7.3 基于抽象的有用类比推理130

7.4 转换类比132

7.4.1 手段--目的分析的问题求解模型132

7.4.2 类比求解问题计算模型133

7.4.3 问题求解状态变换134

7.4.4 转换类比学习系统137

7.4.5 类比学习的泛化规则141

7.5 派生类比144

7.6 因果关系型类比学习145

7.6.1 类比匹配技术与相似性度量概述145

7.6.2 知识表示146

7.6.3 类比匹配148

7.6.4 抽取问题的特征148

7.6.5 相似度的计算方法149

7.6.6 最佳对应关系匹配149

7.7 联想类比学习150

7.7.1 联想类比150

7.7.2 联想类比条件151

7.8 约束满足类比152

7.8.1 三类约束152

7.8.2 约束满足理论153

7.8.3 ACME153

8.1 概述155

第八章 解释学习155

8.2 解释学习模型156

8.3 解释泛化学习方法157

8.3.1 基本原理157

8.3.2 解释与泛化交替进行160

8.4 全局取代解释泛化方法161

8.5 解释特化学习方法164

8.6 解释泛化的逻辑程序166

8.6.1 工作原理166

8.6.2 元解释器167

8.6.3 实验例子168

8.7 基于知识块的SOAR系统169

8.8 可操作性标准172

8.8.1 PRODIGY的效用问题174

8.8.2 SOAR系统的可操作性174

8.8.4 META-LEX的处理方法175

8.8.3 MRS-EBG的可操作性175

8.9 不完全领域知识下的解释学习176

8.9.1 不完全领域知识176

8.9.2 逆归结方法176

8.9.3 基于深层知识方法178

第九章 知识发现和数据开采180

9.1 概述180

9.2 数据驱动知识发现--BACON182

9.3 模型驱动知识发现--COPER184

9.4 理论驱动式发现方法186

9.4.1 知识表示186

9.4.2 学习实现188

9.4.3 学习发现191

9.5 概念聚类191

9.5.1 概念内聚192

9.5.2 聚类方法195

9.6 数据开采197

9.7 数据开采的数学工具--粗糙集198

9.7.1 粗糙集理论199

9.7.2 粗糙分类200

9.7.3 渔网算法201

9.8 广义粗糙集202

9.9 基于粗糙集的数据约简204

9.10 以数据仓库为基础的数据开采206

9.10.1 数据仓库206

9.10.2 联想规则发现算法207

9.11 知识发现工具KDT208

9.11.1 系统结构209

9.11.2 知识发现算法211

10.1 概述212

第十章 分布式人工智能212

10.2 分布式问题求解214

10.2.1 分布式问题求解系统分类214

10.2.2 分布式问题求解过程215

10.3 主体216

10.4 主体理论217

10.4.1 理性主体217

10.4.2 BDI主体模型219

10.4.3 RAO逻辑框架219

10.4.4 关于对别人进行推理的一个模式--换位推理219

10.4.5 动作理论220

10.4.6 次协调机制的引进223

10.5 主体结构223

10.5.1 反应主体223

10.5.2 认知主体223

10.5.3 复合式主体225

10.6 主体通信228

10.6.1 KQML228

10.6.2 主体通信语言SACL228

10.6.3 SACL语法结构229

10.6.4 SACL保留关键字229

10.7 主体的协调与协作235

10.7.1 计算生态学236

10.7.2 基于对策论的协调与协作238

10.7.3 协商238

10.8 多主体处理环境MAPE240

10.8.1 主体的逻辑结构240

10.8.2 主体虚拟层241

10.8.3 主体逻辑层242

10.8.4 主体概念层244

10.8.5 多主体系统的总体结构245

10.8.6 主体创建246

10.8.7 多主体系统构建248

第十一章 进化计算249

11.1 概述249

11.2 进化系统理论的形式模型250

11.3 达尔文进化算法252

11.4 分类器系统253

11.5 桶链算法257

11.6 遗传算法258

11.6.1 遗传算法的主要步骤259

11.6.2 表示模式259

11.6.3 杂交操作261

11.6.4 变异操作263

11.8 分类器系统Boole264

11.7 并行遗传算法264

11.6.5 反转操作264

11.9 规则发现系统267

11.10 进化策略270

11.11 进化程序设计270

第十二章 人工生命271

12.1 引言271

12.2 研究人工生命的原因271

12.3 人工生命的探索273

12.4 人工生命模型273

12.5 人工生命的研究方法和战略275

12.6 计算机生命276

12.7 细胞自动机278

12.8 形态形成理论280

12.9 混沌理论281

参考文献283