人工智能 复杂问题求解的结构和策略 structues and strategies for complex problem solving【2025|PDF下载-Epub版本|mobi电子书|kindle百度云盘下载】

人工智能 复杂问题求解的结构和策略 structues and strategies for complex problem solvingPDF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 人工智能的渊源及范围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：对智慧、知识和人类技能的态度3

1.1.1 历史基础4

1.1.2 逻辑的发展6

1.1.3 图灵测试8

1.1.4 智能的生物和社会模型：主体11

1.2 人工智能的应用领域13

1.2.1 博弈14

1.2.2 自动推理和定理证明15

1.2.3 专家系统15

1.2.4 自然语言理解和语义建模17

1.2.5 对人类表现建模18

1.2.6 规划和机器人18

1.2.7 人工智能的语言和环境19

1.2.8 机器学习20

1.2.9 另类表示：神经网络和遗传算法20

1.2.10 AI 和哲学21

1.3 人工智能的概括22

1.4 结语和参考文献23

1.5 练习24

2.1.1 符号和语句39

2.1 命题演算39

第2章 谓词演算39

2.0 简介39

第二部分 作为表示和搜索的人工智能39

2.1.2 命题演算的语义41

2.2 谓词演算42

2.2.1 谓词的语法和语句42

2.2.2 谓词演算的语义47

2.2.3 语义含义的积木世界例子51

2.3 使用推理规则产生谓词演算表达式52

2.3.1 推理规则52

2.3.2 合一算法55

2.3.3 合一的例子58

2.4 应用：一个基于逻辑的财务顾问61

2.5 结语和参考文献64

2.6 练习65

第3章 用以搜索状态空间的结构和策略67

3.0 简介67

3.1 图论69

3.1.1 状态空间搜索的结构69

3.1.2 问题的状态空间表示71

3.2 用于状态空间搜索的策略76

3.2.1 数据驱动搜索和目标驱动搜索76

3.2.2 图搜索的实现78

3.2.3 深度优先搜索和宽度优先搜索81

3.2.4 迭代加深的深度优先搜索87

3.3 利用状态空间来表示谓词演算推理88

3.3.1 逻辑系统的状态空间描述88

3.3.2 与或图89

3.3.3 进一步的例子和应用91

3.4 结语和参考文献99

3.5 练习99

第4章 启发式搜索101

4.0 简介101

4.1.1 实现最佳优先搜索104

4.1 启发式搜索算法104

4.1.2 实现启发评估函数107

4.1.3 启发式搜索和专家系统113

4.2 可采纳性、单调性和信息度114

4.2.1 可采纳性尺度115

4.2.2 单调性116

4.2.3 信息度更高的启发是更好的启发117

4.3 在博弈中使用启发119

4.3.1 针对可穷举搜索情况的极小极大过程119

4.3.2 固定层深的极小极大过程121

4.3.3 α-β过程125

4.4 复杂度问题126

4.6 练习129

4.5 结语和参考文献129

第5章 状态空间搜索的控制和实现133

5.0 简介133

5.1 基于递归的搜索134

5.1.1 递归134

5.1.2 递归搜索135

5.2 模式导向搜索137

5.2.1 递归搜索实例：骑士周游问题138

5.2.2 改进模式搜索算法141

5.3.1 定义和历史143

5.3 产生式系统143

5.3.2 产生式系统的例子146

5.3.3 产生式系统中的搜索控制150

5.3.4 产生式系统的优点155

5.4 用于问题求解的黑板结构156

5.5 结语和参考文献158

5.6 练习158

第三部分 表示和智能：AI 中的挑战165

第6章 知识表示165

6.0 知识表示问题165

6.1.1 语义关联理论166

6.1 AI 表象图式的简要历史166

6.1.2 语义网络的早期研究168

6.1.3 网络关系的标准化171

6.1.4 脚本176

6.1.5 框架180

6.2 概念图：网络语言183

6.2.1 概念图简介183

6.2.2 类型、个体和名字183

6.2.3 类型层次186

6.2.4 泛化和特化186

6.2.6 概念图和逻辑189

6.2.5 命题结点189

6.3 显式表示的替代方法191

6.3.1 Brooks 假设和包容结构191

6.3.2 Copycat 结构193

6.4 基于主体的和分布式的问题求解方法196

6.4.1 面向主体的问题求解：定义196

6.4.2 面向主体模式的应用领域以及存在的问题198

6.5 结语和参考文献199

6.6 练习202

第7章 求解问题的强方法205

7.0 简介205

7.1.1 基于规则的专家系统206

7.1 专家系统技术概览206

7.1.2 问题选择和知识工程的步骤207

7.1.3 概念模型及其在知识获取中的作用209

7.2 基于规则的专家系统212

7.2.1 产生式系统和目标驱动问题求解212

7.2.2 目标驱动推理中的解释和透明性215

7.2.3 利用产生式系统进行数据驱动推理217

7.2.4 专家系统的启发和控制219

7.3 基于模型系统、基于案例系统和混合系统221

7.3.1 基于模型推理简介221

7.3.2 基于模型推理：来自 NASA 的例子(Williams and Nayak)224

7.3.3 基于案例推理介绍226

7.3.4 混合设计：强方法系统的优势和不足230

7.4 规划232

7.4.1 简介232

7.4.2 使用规划宏：STRIPS237

7.4.3 teleo-reactive 规划(Nilsson1994，Benson1995)240

7.4.4 规划：来自 NASA 的例子(Williams and Nayak)242

7.5 结语和参考文献245

7.6 练习246

第8章 不确定条件下的推理249

8.0 简介249

8.1 基于逻辑的反绎推理250

8.1.1 非单调推理逻辑251

8.1.2 真值维护系统254

8.1.3 基于最小模型的逻辑258

8.1.4 集合覆盖和基于逻辑的反绎(Stem 1996)260

8.2 反绎：逻辑之外的办法262

8.2.1 Stanford 确信度代数262

8.2.2 模糊集推理264

8.2.3 Dempster-Shafer 证据理论267

8.3 统计的方法处理不确定性272

8.3.1 贝叶斯推理272

8.3.2 贝叶斯信念网络276

8.4 结语和参考文献280

8.5 练习282

第四部分 机器学习287

第9章 基于符号的机器学习287

9.0 概述287

9.1 基于符号的学习的框架289

9.2 变型空间搜索294

9.2.1 泛化操作和概念空间294

9.2.2 候选解排除算法295

9.2.3 LEX：启发式归纳搜索300

9.2.4 评价候选解排除算法303

9.3 ID3决策树归纳算法304

9.3.1 自顶向下决策树归纳306

9.3.2 测试选择的信息论方法307

9.3.3 评价 ID3309

9.3.4 决策树数据问题：打包、推进310

9.4 归纳偏置和学习能力310

9.4.1 归纳偏置311

9.4.2 可学习性理论312

9.5 知识和学习314

9.5.1 Meta-DENDRAL314

9.5.2 基于解释的学习315

9.5.3 EBL 和知识层学习319

9.5.4 类比推理319

9.6 无监督学习322

9.6.1 发现和无监督学习322

9.6.2 概念聚类323

9.6.3 COBWEB 和分类知识的结构325

9.7 强化学习329

9.7.1 强化学习的组成部分329

9.7.2 一个例子：九宫游戏331

9.7.3 强化学习的推理算法和应用333

9.8 结语和参考文献335

9.9 练习336

第10章 连接主义的机器学习339

10.0 介绍339

10.1 连接网络的基础340

10.2 感知机学习342

10.2.1 感知机学习算法342

10.2.2 例子：用感知机进行分类344

10.2.3 用 delta 规则347

10.3 反传学习349

10.3.1 反传算法的起源349

10.3.2 反传算法实例1：NETtalk353

10.3.3 反传算法实例2：异或354

10.4 竞争学习355

10.4.1 对于分类的“胜者全拿”学习355

10.4.2 学习原型的 Kohonen 网络356

10.4.3 Outstar 网络和逆传358

10.5 Hebbian 一致性学习361

10.5.1 介绍361

10.5.2 无监督 Hebbian 学习的例子362

10.5.3 有监督 Hebbian 学习364

10.5.4 关联记忆和线性关联器366

10.6.1 介绍369

10.6 吸引子网络或记忆369

10.6.2 BAM，双向关联记忆370

10.6.3 BAM 处理的例子371

10.6.4 自相关记忆和 Hopfield 网络373

10.7 结语和参考文献377

10.8 练习377

第11章 机器学习：社会性和涌现性379

11.0 社会性和涌现性的学习模型379

11.1 遗传算法380

11.1.1 两个例子：CNF 可满足性问题和巡回推销员问题382

11.1.2 遗传算法的评估385

11.2.1 分类器系统388

11.2 分类器系统和遗传程序设计388

11.2.2 用遗传算子进行程序设计392

11.3 人工生命和基于社会的学习396

11.3.1 生命游戏397

11.3.2 进化规划399

11.3.3 涌现的实例研究(Crutchfield and Mitchell 1994)401

11.4 结语和参考文献405

11.5 练习405

第五部分 智能问题求解高级主题409

第12章 自动推理409

12.0 定理证明中的弱方法409

12.1 通用问题求解程序和差别表410

12.2 归结定理证明414

12.2.1 介绍414

12.2.2 为进行归结反驳生成子句形式416

12.2.3 二元归结证明过程419

12.2.4 归结策略和简化技术423

12.2.5 从归结反驳中抽取解答428

12.3 PROLOG 和自动推理430

12.3.1 介绍430

12.3.2 逻辑编程和 PROLOG431

12.4 自动推理进一步的问题435

12.4.1 弱方法求解的统一表示法436

12.4.2 可选推理规则438

12.4.3 搜索策略及其使用440

12.5 结语和参考文献441

12.6 练习441

第13章 自然语言理解443

13.0 自然语言理解问题443

13.1 解构语言：符号分析445

13.1.1 介绍445

13.1.2 语言分析的过程446

13.2 语法447

13.2.1 使用上下文无关文法说明和解析447

13.2.2 转移网络解析器449

13.2.3 乔姆斯基层次和上下文相关文法453

13.3 ATN 解析器的语法和知识455

13.3.1 扩充转移网络解析器455

13.3.2 结合语法和语义知识457

13.4 语言分析随机工具462

13.4.1 介绍462

13.4.2 马尔科夫模型方法464

13.4.3 决策树方法465

13.4.4 随机技术的解析和其他语言应用466

13.5.1 故事理解和问题解答468

13.5 自然语言应用468

13.5.2 数据库前端469

13.5.3 Web 信息抽取和摘要系统471

13.5.4 用学习算法来泛化抽取的信息473

13.6 结语和参考文献473

13.7 练习474

第六部分 人工智能语言与程序设计482

第14章 PROLOG 介绍482

14.0 引言482

14.1 谓词演算程序设计的语法482

14.1.1 事实和规则的表示482

14.1.2 创建、改变和监控 PROLOG 环境486

14.1.3 PROLOG 的列表和递归487

14.1.4 PROLOG 的递归搜索489

14.1.5 在 PROLOG 中使用 cut 操作来控制搜索491

14.2 PROLOG 的抽象数据类型(ADT)493

14.2.1 ADT 堆栈493

14.2.2 ADT 队列494

14.2.3 ADT 优先队列494

14.2.4 ADT 集合495

14.3 一个 PROLOG 产生式的例子496

14.4 设计各种搜索策略500

14.4.1 采用 closed 列表的深度优先搜索算法500

14.4.2 PROLOG 的宽度优先搜索502

14.4.3 PROLOG 的最佳优先搜索504

14.5 一个 PROLOG 规划器505

14.6 PROLOG 的元谓词、类型和合一508

14.6.1 元逻辑谓词508

14.6.2 PROLOG 的类型509

14.6.3 合一：用来启动谓词匹配和评价的工具511

14.7 PROLOG 的元解释器514

14.7.1 元解释器的介绍：有关 PROLOG 的 PROLOG514

14.7.2 基于规则的专家系统的外壳517

14.7.3 PROLOG 的语义网络525

14.7.4 PROLOG 的框架和模式526

14.8.1 PROLOG 的变型空间搜索528

14.8 PROLOG 的学习算法528

14.8.2 候选消除算法532

14.8.3 PROLOG 的基于解释的学习534

14.9 PROLOG 的自然语言处理536

14.9.1 自然语言的语义处理536

14.9.2 PROLOG 的递归下降语法分析器537

14.9.3 PROLOG 的递归下降语义网分析器541

14.10 结语和参考文献543

14.11 练习545

第15章 LISP 介绍549

15.0 介绍549

15.1.1 符号表达式，LISP 的语义基础550

15.1 LISP：简要概述550

15.1.2 控制 LISP 分析：quote 和 eval553

15.1.3 LISP 编程：创建新函数554

15.1.4 LISP 中的程序控制：条件和谓词555

15.1.5 函数、表和符号计算557

15.1.6 表的递归结构559

15.1.7 嵌套表、结构以及 car/cdr 递归561

15.1.8 用 set 绑定变量562

15.1.9 用 let 定义局部变量565

15.1.10 Common LISP 中的数据类型567

15.2 LISP 中的搜索：一个解决“农夫、狼、山羊和卷心菜问题”的函数式方法568

15.3 高阶函数和抽象572

15.3.1 映像和过滤器572

15.3.2 函数参数和 lambda 表达式574

15.4 LISP 中的搜索策略575

15.4.1 宽度优先和深度优先搜索575

15.4.2 最优搜索577

15.5 LISP 中的模式匹配578

15.6 递归合一函数580

15.7 解释器和嵌入式语言583

15.8 LISP 中的逻辑编程585

15.8.1 一个简单的逻辑编程语言586

15.8.2 流和流处理587

15.8.3 基于流的逻辑程序解释器588

15.9 流和延迟分析592

15.10 一个 LISP 的专家系统外壳595

15.10.1 实现确定性因子595

15.10.2 lisp-shell 的体系结构597

15.10.3 用 lisp-shell 的分类600

15.11 LISP 中的语义网络和继承601

15.12 用 CLOS 的面向对象的编程604

15.12.1 CLOS 中类和实例的定义605

15.12.2 定义通用函数和方法607

15.12.3 CLOS 中的继承608

15.12.4 例子：自动调温器仿真609

15.13 LISP 中的学习：ID3算法614

15.13.1 用 defstruct 定义结构614

15.13.2 ID3算法619

15.14 结语和参考文献624

15.15 练习625

第七部分 后记631

第16章 人工智能作为按经验进行探索的学科631

16.0 引言631

16.1.1 人工智能和物理符号系统假设633

16.1 人工智能：修订后的定义633

16.1.2 连接或者“神经”计算636

16.1.3 主体、涌现和智能639

16.2 智能系统科学641

16.2.1 心理学约束642

16.2.2 认识论问题644

16.2.3 情景角色和存在智能649

16.3 人工智能：当前的问题和未来的方向650

16.4 结语和参考文献654

参考文献655

作者索引681

主题索引686