《人工智能与知识工程》求取 ⇩

第一章 绪论1

1.1 人工智能的发展概况1

1.1.1 什么是人工智能1

1.1.2 人工智能的研究途径1

目录1

1.1.3 人工智能学科的发展2

1.2 人工智能的应用3

1.2.1 人工智能的应用领域3

1.2.2 专家系统3

2.1 LISP语言6

2.1.1 概述6

第二章 人工智能程序设计语言6

2.1.2 LISP的基本功能8

2.1.3 递归与迭代15

2.1.4 输入输出功能18

2.1.5 LISP的其他功能20

2.2 PROLOG语言22

2.2.1 概述22

2.2.2 重复与递归28

2.2.3 表处理方法33

2.2.4 字符串处理方法35

2.2.5 输入输出功能36

习题38

3.1.2 知识表示的方法41

3.1.1 知识与知识表示41

第三章 知识表示41

3.1 概述41

3.2 逻辑表示法43

3.2.1 一阶谓词逻辑43

3.2.2 谓词逻辑用于知识表示46

3.3 规则表示法47

3.3.1 产生式规则与产生式系统47

3.3.2 Markov算法与Rete算法49

3.3.3 控制策略的类型51

3.4 语义网络表示法52

3.4.1 语义网络的基本概念52

3.4.2 语义网络的应用54

3.5 框架表示法56

3.5.1 框架的基本概念56

3.5.2 框架表示的应用57

3.6 概念从属与剧本表示法58

3.6.1 概念从属58

3.6.2 剧本61

习题62

第四章 基本的问题求解方法64

4.1 状态空间搜索64

4.1.1 概述64

4.1.2 回溯策略67

4.1.3 图搜索策略70

4.1.4 任一路径的图搜索72

4.1.5 最佳路径的图搜索73

4.1.6 与或图的搜索79

4.2 博弈树搜索82

4.2.1 概述82

4.2.2 极小极大过程82

4.2.3 α-β过程84

4.3 约束满足搜索87

4.3.1 概述87

4.3.2 生长法88

4.3.3 修改法94

4.4 通用问题求解98

4.4.1 手段目的分析98

4.4.2 生成与测试（Generate-and-test）100

习题101

第五章 基本的推理方法104

5.1 归结反演系统104

5.1.1 谓词演算基础104

5.1.2 归结反演（refutation）108

5.1.3 归结反演的控制策略109

5.1.4 从归结反演中提取解答111

5.2.1 正向演绎系统114

5.2 基于规则的演绎系统114

5.2.2 逆向演绎系统119

5.3 规划生成系统121

5.3.1 机器人问题求解121

5.3.2 正向系统122

5.3.3 规划的表示123

5.3.4 逆向系统125

习题128

第六章 实用推理技术131

6.1 推理的类型131

6.1.1 从逻辑基础上的分类131

6.1.2 从推理方法上的分类133

6.2 非单调推理134

6.2.1 概述134

6.2.2 非单调逻辑135

6.2.3 非单调系统137

6.3 不精确推理139

6.3.1 概述139

6.3.2 概率方法144

6.3.3 可信度方法148

6.3.4 主观Bayes方法152

6.3.5 证据理论157

6.3.6 可能性理论164

6.4.1 基本原理171

6.4 基于模型的推理171

6.4.2 基于规则与模型的系统172

6.4.3 基于模型的故障诊断系统174

6.5 基于事例的推理181

6.5.1 基本概念181

6.5.2 基本方法182

6.5.3 与基于规则的系统的比较183

6.5.4 实例系统183

习题186

第七章 专家系统187

7.1 基本结构187

7.2.2 元知识的作用188

7.2 元知识结构188

7.2.1 什么是元知识188

7.2.3 元知识在专家系统中的应用190

7.3 黑板系统结构193

7.3.1 黑板模型193

7.3.2 黑板结构194

7.3.3 知识源195

7.3.4 控制策略197

7.3.5 黑板模型的优越性197

7.4.1 基本概念198

7.4.2 知识源的表示198

7.4 黑板控制结构198

7.4.3 控制黑板的组织199

7.4.4 调度机制201

7.4.5 黑板控制结构的优点与不足203

7.5 实例203

7.5.1 MYCIN系统203

7.5.2 AM系统211

习题214

第八章 知识获取与机器学习215

8.1 概述215

8.1.1 知识获取的基本过程215

8.1.2 知识获取的主要手段217

8.1.3 机器学习218

8.1.4 知识获取工具220

8.2 通过例子学习226

8.2.1 概述226

8.2.2 学习单个概念229

8.2.3 学习多个概念237

8.2.4 学习执行多步任务245

8.3 通过类比学习250

8.3.1 概述250

8.3.2 类比学习与推理系统252

8.3.3 转换类比与派生类比系统254

8.4.1 概述259

8.4 基于解释的学习259

8.4.2 基于解释的抽象260

8.5 通过观察学习262

8.5.1 合取概念聚类系统262

8.5.2 结构对象的概念聚类267

8.6 从数据库学习270

8.6.1 数据库中的知识发现270

8.6.2 数据挖掘方法271

习题277

9.1 演化计算278

9.1.1 遗传算法概述278

第九章 计算智能278

9.1.2 遗传算法的理论基础280

9.1.3 演化策略与演化规划282

9.2 连接计算283

9.2.1 概述283

9.2.2 感知机284

9.2.3 多层前向网络287

9.2.4 Hopfield网络289

9.3 混合系统291

9.3.1 混合系统结构291

9.3.2 用神经网络表示符号知识292

10.1.1 基本概念294

10.1 关于智能Agent294

第十章 智能Agent294

10.1.2 Agent理论295

10.1.3 Agent系统结构296

10.1.4 Agent程序设计299

10.1.5 Agent的应用301

10.2 多Agent系统303

10.2.1 概述303

10.2.2 多Agent系统的结构304

10.2.3 Agent通信语言306

10.2.4 多Agent系统的协商机制313

11.1 分布式系统结构320

第十一章 分布式专家系统工具DEST320

11.2 面向对象的知识表示322

11.2.1 对象的表示322

11.2.2 规则的表示327

11.2.3 方法的表示330

11.3 问题求解机制335

11.3.1 概述335

11.3.2 模糊规则推理336

11.3.3 模糊决策树推理341

11.3.4 神经网络的模拟345

11.3.5 实例347

附录 DEST系统函数351

参考文献355