人工智能 复杂问题求解的结构和策略 原书第5版2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

人工智能 复杂问题求解的结构和策略 原书第5版PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第一部分　人工智能的历史渊源及研究范围3

第1章　人工智能的历史及应用3

1.1　从伊甸园到第一台电子计算机3

1.1.1　人工智能基础的简要历史4

1.1.2　理性主义和经验主义学派对人工智能的影响6

1.1.3　形式逻辑的发展7

1.1.4　图灵测试10

1.1.5　智能的生物和社会模型：主体理论12

1.2　人工智能的应用领域15

1.2.1　博弈15

1.2.3　专家系统16

1.2.2　自动推理和定理证明16

1.2.4　自然语言理解和语义建模18

1.2.5 对人类工作能力建模18

1.2.6　规划和机器人19

1.2.7　人工智能的语言和环境20

1.2.8　机器学习20

1.2.9　另类表示：神经网络和遗传算法21

1.2.10　AI和哲学22

1.3　人工智能概要22

1.4　结语和参考文献23

1.5　习题24

2.1.1　符号和语句32

2.1　命题演算32

第2章　谓词演算32

2.0　简介32

第二部分 作为表示和搜索的人工智能32

2.1.2　命题演算的语义33

2.2　谓词演算35

2.2.1　谓词的语法和语句35

2.2.2　谓词演算的语义40

2.2.3　语义含义的积木世界例子42

2.3　使用推理规则产生谓词演算表达式44

2.3.1　推理规则44

2.3.2　合一算法46

2.3.3　合一的例子49

2.4 应用：一个基于逻辑的财务顾问52

2.5　结语和参考文献55

2.6　习题55

第3章　用以搜索状态空间的结构和策略57

3.0　简介57

3.1　图论59

3.1.1　状态空间搜索的结构59

3.1.2　有限状态自动机61

3.1.3 问题的状态空间表示62

3.2　用于状态空间搜索的策略67

3.2.1　数据驱动搜索和目标驱动搜索67

3.2.2　图搜索的实现68

3.2.3　深度优先搜索和宽度优先搜索71

3.2.4　迭代加深的深度优先搜索76

3 3　利用状态空间来表示谓词演算推理77

3.3.1　逻辑系统的状态空间描述77

3.3.2 与或图78

3.3.3　进一步的例子和应用80

3.4　结语和参考文献87

3.5　习题87

第4章　启发式搜索89

4.0　简介89

4.1.1 爬山92

4.1　启发式搜索算法92

4.1.2　动态程序设计93

4.2　最佳优先搜索算法96

4.2.1　实现最佳优先搜索96

4.2.2　实现启发评估函数98

4.2.3　启发式搜索和专家系统103

4.3　可采纳性、单调性和信息度104

4.3.1 可采纳性尺度104

4.3.2　单调性106

4.3.3　信息度更高的启发是更好的启发107

4.4　在博弈中使用启发108

4.4.1　针对可穷举搜索情况的极小极大过程108

4.4.2　固定层深的极小极大过程109

4.4.3　α-β过程113

4.5　复杂度问题114

4.6　结语和参考文献116

4.7　习题117

第5章　随机方法120

5.0　简介120

5.1　计数基础（选读）121

5.1.1　加法和乘法定理121

5.1.2　排列与组合123

5.2　概率论基础124

5.2.1　样本空间、概率和独立性124

5.2.2　概率推理：一个道路／交通例子126

5.2.3　随机变量127

5.2.4　条件概率129

5.3　随机方法学的应用131

5.4　贝叶斯定理133

5.4.1　概述133

5.4.2　道路／交通例子的扩展136

5.5　结语和参考文献137

5.6　习题138

第6章　为状态空间搜索建立控制算法140

6.0　简介140

6.1　基于递归的搜索（可选）141

6.1.1　递归141

6.1.2　一个递归搜索的例子：模式驱动推理142

6.2　产生式系统145

6.2.1　定义和历史145

6.2.2　产生式系统的例子147

6.2.3 产生式系统中的搜索控制153

6.2.4　AI产生式系统的优点156

6.3　用于问题求解的黑板结构157

6.4　结语和参考文献159

6.5　习题160

第三部分　表示和智能：AI中的挑战164

第7章　知识表示164

7.0　知识表示问题164

7.1.1　语义关联理论165

7.1　AI表象图式的简要历史165

7.1.2　语义网络的早期研究167

7.1.3　网络关系的标准化170

7.1.4　脚本174

7.1.5　框架177

7.2　概念图：网络语言180

7.2.1　概念图简介180

7.2.2　类型、个体和名字181

7.2.3　类型层次182

7.2.4　泛化和特化183

7.2.5　命题结点185

7.2.6　概念图和逻辑185

7.3.1　Brooks假设和包容结构187

7.3　显式表示的替代方法187

7.3.2　Copycat结构189

7.4　基于主体的和分布式的问题求解方法192

7.4.1　基于主体的定义192

7.4.2　基于主体的应用193

7.5　结语和参考文献195

7.6　习题197

第8章　求解问题的强方法200

8.0　简介200

8.1　专家系统技术概览201

8.1.1　基于规则的专家系统设计201

8.1.2　问题选择和知识工程的步骤202

8.1.3　概念模型及其在知识获取中的作用204

8.2　基于规则的专家系统206

8.2.1　产生式系统和目标驱动问题求解206

8.2.2　目标驱动推理中的解释和透明性209

8.2.3　利用产生式系统进行数据驱动推理210

8.2.4　专家系统的启发和控制212

8.3　基于模型系统、基于案例系统和混合系统214

8.3.1　基于模型推理简介214

8.3.2　基于模型推理：来自NASA的例子217

8.3.3　基于案例推理介绍219

8.3.4　混合设计：强方法系统的优势和不足222

8.4.1　简介224

8.4　规划224

8.4.2　使用规划宏：STRIPS228

8.4.3　teleo-reactive规划231

8.4.4　规划：来自NASA的例子233

8.5　结语和参考文献235

8.6　习题236

第9章　不确定条件下的推理238

9.0　简介238

9.1　基于逻辑的反绎推理239

9.1.1　非单调推理逻辑239

9.1.2　真值维护系统242

9.1.3　基于最小模型的逻辑245

9.1.4　集合覆盖和基于逻辑的反绎247

9.2　反绎：逻辑之外的办法249

9.2.1　Stanford确信度代数249

9.2.2　模糊集推理251

9.2.3　Dempster-Shafer证据理论254

9.3　处理不确定性的随机方法258

9.3.1　有向图模型：贝叶斯信念网络258

9.3.2　有向图模型：d-可分260

9.3.3　有向图模型：一个推理算法261

9.3.4 马尔可夫模型：离散马尔可夫过程263

9.3.5　隐马尔可夫模型265

9.3.6　用HMM和韦特比算法解码音素串266

9.4　结语和参考文献269

9.5　习题270

第四部分　机器学习275

第10章　基于符号的机器学习275

10.0　简介275

10.1　基于符号学习的框架277

10.2　变型空间搜索281

10.2.1　泛化操作和概念空间281

10.2.2　候选解排除算法282

10.2.3　LEX：启发式归纳搜索287

10.2.4　评估候选解排除算法289

10.3　ID33决策树归纳算法290

10.3.1　自顶向下决策树归纳292

10.3.2　测试选择的信息论方法293

10.3.3　评价ID3295

10.3.4决策树数据问题：打包、推进296

10.4　归纳偏置和学习能力296

10.4.1　归纳偏置296

10.4.2　可学习性理论298

10.5　知识和学习299

10.5.1　Meta-DENDRAL300

10.5.2　基于解释的学习301

10.5.3　EBL和知识层学习304

10.5.4　类比推理304

10.6　无监督学习306

10.6.1　发现和无监督学习307

10.6.2　概念聚类308

10.6.3　COBWEB和生物分类知识的结构310

10.7　强化学习313

10.7.1　强化学习的组成部分313

10.7.2　一个例子：九宫游戏315

10.7.3　强化学习的推理算法和应用316

10.8　结语和参考文献318

10.9 习题319

第11章　连接主义的机器学习321

11.0　简介321

11.1　连接网络的基础322

11.2　感知机学习324

11.2.1　感知机学习算法324

11.2.2　例子：用感知机进行分类325

11.2.3　通用delta规则328

11.3　反传学习330

11.3.1　反传算法的起源330

11.3.2　反传算法实例1：NETtalk333

11.3.3　反传算法实例2：异或334

11.4　竞争学习335

11.4.1　对于分类的“胜者全拿”学习335

11.4.2　学习原型的Kohonen网络336

11.4.3　Outstar网络和逆传337

11.4.4　支持向量机339

11.5　Hebbian一致性学习341

11.5.1　概述341

11.5.2　无监督Hebbian学习的例子342

11.5.3　有监督Hebbian学习344

11.5.4　联想记忆和线性联想器345

11.6　吸引子网络或“记忆”348

11.6.1　概述348

11.6.2　BAM，双向联想记忆349

11.6.3　BAM处理的例子350

11.6.4　自相关记忆和Hopfield网络352

11.7　结语和参考文献355

11.8　习题356

第12章　机器学习：社会性和涌现性357

12.0　社会性和涌现性的学习模型357

12.1　遗传算法358

12.1.1　两个例子：CNF可满足性问题和巡回推销员问题360

12.1.2　遗传算法的评估363

12.2　分类器系统和遗传程序设计365

12.2.1　分类器系统365

12.2.2　用遗传算子进行程序设计369

12.3　人工生命和基于社会的学习373

12.3.1　生命游戏373

12.3.2　进化规划375

12.3.3　涌现的实例研究377

12.4　结语和参考文献380

12.5　习题381

第五部分　人工智能问题求解的高级课题384

第13章　自动推理384

13.0　定理证明中的弱方法384

13.1　通用问题求解程序和差别表385

13.2　归结定理证明389

13.2.1　概述389

13.2.2　为进行归结反驳生成子句形式390

13.2.3　二元归结证明过程393

13.2.4　归结策略和简化技术396

13.2.5　从归结反驳中抽取解答400

13.3　PROLOG和自动推理402

13.3.1　概述402

13.3.2　逻辑编程和PROLOG403

13.4　自动推理进一步的问题407

13.4.1　弱方法求解的统一表示法407

13.4.2　可选推理规则409

13.4.3　搜索策略及其使用410

13.5　结语和参考文献411

13.6　习题411

14.0　自然语言理解问题413

第14章　自然语言理解413

14.1　解构语言：符号分析415

14.1.1　概述415

14.1.2　语言分析的过程416

14.2　语法417

14.2.1　使用上下文无关文法说明和解析417

14.2.2　转移网络解析器418

14.2.3　乔姆斯基层次和上下文相关文法421

14.3　ATN解析器的语法和知识423

14.3.1　扩充转移网络解析器423

14.3.2　结合语法和语义知识426

14.4.1　概述430

14.4　语言分析随机工具430

14.4.2　马尔可夫模型方法431

14.4.3　决策树方法432

14.4.4　随机技术的解析和其他语言应用434

14.5　自然语言应用435

14.5.1　故事理解和问题解答435

14.5.2　数据库前端436

14.5.3　Web信息抽取和摘要系统438

14.5.4　用学习算法来泛化抽取的信息440

14.6　结语和参考文献440

14.7　习题441

15.1.1　事实和规则的表示447

15.0　简介447

15.1　谓词演算程序设计的语法447

第15章　PROLOG介绍447

第六部分 人工智能语言与程序设计447

15.1.2　创建、改变和监控PROLOG环境450

15.1.3　PROLOG的列表和递归451

15.1.4　PROLOG的递归搜索454

15.1.5　在PROLOG中使用cut操作来控制搜索455

15.2　PROLOG的抽象数据类型457

15.2.1　ADT堆栈457

15.2.2　ADT队列458

15.2.3　ADT优先队列458

15.2.4　ADT集合459

15.3　一个PROLOG产生式系统的例子460

15.4　设计各种搜索策略464

15.4.1　采用closed列表的深度优先搜索算法464

15.4.2　PROLOG的宽度优先搜索466

15.4.3　PROLOG的最佳优先搜索467

15.5　一个PROLOG规划器468

15.6　PROLOG的元谓词、类型和合一470

15.6.1　元逻辑谓词470

15.6.2　PROLOG的类型471

15.6.3　合一：用来启动谓词匹配和评估的工具473

15.7　PROLOG的元解释器475

15.7.1　有关PROLOG的PROLOG475

15.7.2　基于规则的专家系统的外壳478

15.7.3　PROLOG的语义网络485

15.7.4　PROLOG的框架和模式486

15.8　PROLOG的学习算法488

15.8.1　PROLOG的变型空间搜索488

15.8.2　候选消除算法491

15.8.3　PROLOG的基于解释的学习493

15.9　PROLOG的自然语言处理495

15.9.1　自然语言处理的语义表示495

15.9.2　PROLOG的递归下降上下文无关解析器496

15.9.3　概率上下文无关解析器498

15.9.4　概率词汇化上下文无关解析器500

15.9.5　PROLOG上下文相关解析器502

15.9.6　PROLOG的递归下降语义网解析器503

15.10　结语和参考文献505

15.11　习题507

第16章　LISP介绍511

16.0　简介511

16.1　基本语法511

16.1.1　符号表达式511

16.1.2　控制LISP评估：quote和eval514

16.1.3　LISP编程：创建新函数515

16.1.4　LISP中的程序控制：条件和谓词516

16.1.5　函数、表和符号计算518

16.1.6　表的递归结构520

16.1.7　嵌套表、结构以及car/cdr递归522

16.1.8　用set绑定变量524

16.1.9　用let定义局部变量526

16.1.10　Common LISP中的数据类型527

16.2　LISP中的搜索528

16.3　高阶函数和抽象532

16.3.1　映像和过滤器532

16.3.2　函数参数和lambda表达式534

16.4　LISP中的搜索策略534

16.4.1　宽度优先和深度优先搜索535

16.4.2　最佳优先搜索537

16.5　LISP中的模式匹配538

16.6　递归合一函数539

16.7　解释器和嵌入式语言542

16.8　LISP中的逻辑编程544

16.8.1　一个简单的逻辑编程语言544

16.8.2　流和流处理546

16.8.3　基于流的逻辑程序解释器547

16.9　流和延迟分析550

16.10　一个LISP的专家系统外壳553

16.10.1　实现确定性因子553

16.10.2　lisp-shell的体系结构554

16.10.　3用lisp-shell分类557

16.11　LISP中的语义网络和继承559

16.12　用CLOS的面向对象的编程561

16.12.1　CLOS中类和实例的定义562

16.12.2　定义通用函数和方法564

16.12.3　CLOS中的继承565

16.12.4　例子：自动调温器仿真566

16.13　LISP中的学习：ID3算法570

16.13.1　用defstruct定义结构570

16.13.2　ID3算法575

16.14　结语和参考文献580

16.15　习题580

第七部分　后记587

第17章　人工智能是经验式的学科587

17.0　简介587

17.1.1　人工智能和物理符号系统假设588

17.1　人工智能：修订的定义588

17.1.2　连接主义或者“神经”计算592

17.1.3　主体、涌现和智能594

17.1.4　概率模型和随机技术596

17.2　智能系统科学598

17.2.1　心理学约束598

17.2.2　认识论问题600

17.3　人工智能：当前的挑战和未来的方向605

17.4　结语和参考文献608

参考文献610

作者索引634

主题索引640