人工智能导论

在互联网、大数据和高速计算的支持下，以深度学习的成功应用为标志和引信，近年来蓄势已久的人工智能研究和应用出现了井喷式爆发。人工智能的迅猛发展引起了各国政府的高度重视，各国政府纷纷制定、颁布相关的规划和政策。2017年7月，国务院发布了《新一代人工智能发展规划》。2018年4月，又发布了《高等学校人工智能创新行动计划》。此后，国内各高等院校纷纷开设了人工智能课程，有不少高校设置了人工智能专业，甚至成立了人工智能学院。
正是在这样的背景下，笔者才撰写了这本《人工智能导论》，并荣幸地被清华大学出版社列选和出版。但本书并非一部全新之作，它实际上是在《人工智能技术导论》（第三版）的基础上扩充而成的。
2000年1月，笔者的《人工智能技术导论》一书在西安电子科技大学出版社出版。2002年推出该书第二版，2007年推出第三版。其中，第二版被评为科技类全国优秀畅销书并荣获省部级教学成果二等奖，第三版则为国家“十一五”规划教材并再次获省级二等奖。从2000年起，这三部教材相继发行至今，已被国内百余所院校所采用，并被数十部同类教材或书籍所参考，还被百余篇有关学术论文所引用。
然而，近年来人工智能学科正在以前所未有的速度迅猛发展，新思想、新理论、新技术、新方法不断涌现，新分支、新领域不断开拓，那么，在这样的新形势下，作为人工智能的导论性教材也应该与时俱进，于是，这部新版教材便应需而生。
鉴于已经有了人工智能专业，这部新教材的适用范围就从计算机、信息类专业扩展到人工智能专业。于是，其写作目标被定为： 勾画人工智能学科的总体架构，阐述其各个分支的原理、方法、课题和发展概况，涵盖人工智能的基本知识、经典内容和*进展，为读者进一步学习和研发奠定基础，指引方向。
面对新的水准和目标，笔者参阅了国内外大量文献资料，一方面博采众长，一方面又不落俗套，大胆创新，在原教材的基础上，对本书的内容进行重新策划，反复斟酌，几经修改，方脱稿成书。具体来讲，对于本书的撰写，笔者主要从以下几个方面做了努力和探索，这也可算是本书的一些特色。
——结合人工智能学科的已有成果与研究现状，以及自己的教学和研究实践，在第1章中系统地介绍了人工智能的基本概念、研究内容、研究方法、分支领域、应用前景、历史沿革、现状与趋势，全方位地归纳和总结了人工智能的基本原理，构成了全书的导引和平台。
——将人工智能学科的研究内容归纳概括为： 搜索与求解、知识与推理、学习与发现、发明与创造、感知与响应、理解与交流、记忆与联想、竞争与协作、系统与建造、应用与工程等十个方面，它们构成了人工智能学科的总体架构； 进而在此基础上组织教材，将教材内容分为搜索与求解、知识与推理、学习与发现、感知与决策和理解与交流、系统与建造等五个知识单元，再加上*单元共六个单元。这六个知识单元构成了本书独特的结构风格。
——在选材方面，以全面、基础、典型、新颖为原则，以人工智能的经典著作为依据，并参考ACM和IEEECS中对人工智能课程内容的要求，同时又兼顾该学科的当前热点，确定各篇、章、节的具体内容和详略程度。书中收编了人工智能的*成果，但又不刻意赶时髦、追风头； 书中涉及人工智能的诸多课题，但对于较深入和较专门的内容则点到为止。另外，书中还融入了笔者自己的一些学术观点和研究成果（书中第8.5.1节～8.5.3节和第14章取材于笔者的专著： Principles of ImpreciseInformation Processing: A New Theoretical and Technological System（Springer Nature, 2016），这些可作为选讲内容）。

还需说明的是，考虑到本书的专业性质，故选材较为宽泛和基础。其中有些内容看起来似乎不那么时髦和热门，但对于人工智能专业和计算机类专业的学生来讲，则是的基础知识。这些内容即使课堂上不讲或不全讲，也至少可以作为学生的专业资料积累和知识储备。
——从整书到各篇、章、节，基本上都是“概述” “实例”——这种近乎“分形”式的结构模式和行文风格，从而使教材内容泛而不空，虚中有实，而使读者能够既概略又具体地了解和掌握人工智能的基本知识和技能。
——本书在写作上所追求的目标和效果是： 将道理讲清楚，让读者看明白。为此，本书在写法上继续保持层次分明、条理清楚、理例结合、图文并茂、深入浅出、详略得当的行文风格，并力求将复杂问题简单化，将艰涩理论通俗化，使得本书更加易读易懂、易教易学。
——为了体现和突出“导论”性，书中每一篇的开头都有导语，大部分章节开头都有引言或概述，有些章节末尾还有进一步的延伸学习导引。
——除了习题外，书中还安排了上机实习及指导。书末还附有中英文名词对照及索引——相当于一本小型人工智能辞典。另外，对任课老师还配备了一整套教学资源，包括教学大纲、教学课件、电子教案、在线作业、教学计划表和微课视频，可供使用或参考。
——本书的结构特点使本书具有很好的适应性。事实上，任课老师和读者可以以第1章为基础和平台，再根据各自的需要，灵活地选取书中的篇、章、节甚至小节，组织自己的教学内容。也就是说，本书可适应多种不同课时和要求的教学。
以上特点使得本书还特别适合自学。

本书全面系统地阐述了人工智能的基本原理，勾画了人工智能理论和技术体系的基本框架，内容涵盖了人工智能各个分支领域的基本知识和主要内容，并体现了人工智能的*进展。本书内容全面、基础、新颖、实用，为读者进一步学习和研发奠定了基础，指引了方向。全书共分为六篇，每篇为一个知识单元。本书结构风格独特，条理清楚，语言精练，图文并茂，理例结合，深入浅出，易读易懂，易教易学。本书适合于人工智能、数据科学、计算机、自动化、软件工程、网络工程、电子信息等专业使用，亦可供其他专业的师生和相关工程技术人员自学或参考。

曾为西安石油大学计算机学院副教授，硕士生导师，学科带头人。科研、教学多次获奖，发表论文30余篇，学术专著3部，其中不确切性信息处理原理一书由科学出版社出版，该书第二版的英文版由国际知名科技出版集团斯普林格出版，还编著教材7部，其中人工智能技术导论第三版为国家十一五规划教材，这三版教材从2000起连续发行至今。

第1篇 概述与工具

第1章 人工智能概述

1.1 什么是人工智能

1.1.1 人工智能的概念

1.1.2 图灵测试和中文屋子

1.1.3 脑智能和群智能

1.1.4 符号智能和计算智能

1.1.5 统计智能和交互智能

1.2 为什么要研究人工智能

1.2.1 研究人工智能的意义

1.2.2 人工智能的研究目标和策略

1.3 人工智能的相关学科

1.4 人工智能的研究内容

1.4.1 搜索与求解

1.4.2 知识与推理

1.4.3 学习与发现

1.4.4 发明与创造

1.4.5 感知与响应

1.4.6 理解与交流

1.4.7 记忆与联想

1.4.8 竞争与协作

1.4.9 系统与建造

1.4.10 应用与工程

1.5 人工智能的研究途径与方法

1.5.1 心理模拟，符号推演

1.5.2 生理模拟，神经计算

1.5.3 行为模拟，控制进化

1.5.4 群体模拟，仿生计算

1.5.5 博采广鉴，自然计算

1.5.6 着眼数据，统计建模

1.6 人工智能的应用

1.6.1 难题求解

1.6.2 自动规划、调度与配置

1.6.3 机器博弈

1.6.4 机器翻译与机器写作

1.6.5 机器定理证明

1.6.6 自动程序设计

1.6.7 智能控制

1.6.8 智能管理

1.6.9 智能决策

1.6.10 智能通信

1.6.11 智能预测

1.6.12 智能仿真

1.6.13 智能设计与制造

1.6.14 智能车辆与智能交通

1.6.15 智能诊断与治疗

1.6.16 智能生物信息处理

1.6.17 智能教育

1.6.18 智能人机接口

1.6.19 模式识别

1.6.20 智能机器人

1.6.21 数据挖掘与知识发现

1.6.22 计算机辅助创新

1.6.23 计算机文艺创作

1.7 人工智能的分支领域与研究方向

1.8 人工智能学科发展概况

1.8.1 孕育与诞生

1.8.2 符号主义先声夺人

1.8.3 连接主义不畏坎坷

1.8.4 计算智能异军突起

1.8.5 统计智能默默奉献

1.8.6 智能主体一统江湖，Agent & Robot

1.8.7 知识工程东山再起，机器学习领衔高歌

1.8.8 现状与趋势

习题1

第2章 人工智能程序设计语言

2.1 概述

2.1.1 函数型语言

2.1.2 逻辑型语言

2.1.3 面向对象语言

2.1.4 计算型语言

2.1.5 混合型语言

2.2 知识工程经典语言PROLOG

2.2.1 PROLOG的语句

2.2.2 PROLOG的程序

2.2.3 PROLOG程序的运行机理

2.3 机器学习流行语言Python

2.3.1 Python语言的特点和优势

2.3.2 Python程序举例

习题2

第2篇 搜索与求解

第3章 图搜索与问题求解

3.1 状态图与状态图搜索

3.1.1 状态图

3.1.2 状态图搜索

3.1.3 穷举式搜索

3.1.4 启发式搜索

3.1.5 加权状态图搜索

3.1.6 A算法和A*算法

3.1.7 状态图搜索策略小结

3.2 状态图搜索问题求解

3.2.1 问题的状态图表示

3.2.2 状态图问题求解程序举例

3.3 与或图与与或图搜索

3.3.1 与或图

3.3.2 与或图搜索

3.3.3 启发式与或树搜索

3.4 与或图搜索问题求解

3.4.1 问题的与或图表示

3.4.2 与或图问题求解程序举例

3.5 博弈树搜索*

3.5.1 博弈树的概念

3.5.2 极小极大分析法

3.5.3 αβ剪枝技术

习题3

第4章 基于遗传算法的随机优化搜索

4.1 基本概念

4.2 基本遗传算法

4.3 遗传算法应用举例

4.4 遗传算法的特点与优势

习题4

第3篇 知识与推理

第5章 基于一阶谓词的机器推理

5.1 一阶谓词逻辑

5.1.1 谓词，函数，量词

5.1.2 谓词公式

5.1.3 永真式与推理规则

5.1.4 自然语言命题的谓词形式表示

5.1.5 基于谓词公式的形式演绎推理

5.2 归结演绎推理

5.2.1 子句与子句集

5.2.2 命题逻辑中的归结原理

5.2.3 替换与合一

5.2.4 谓词逻辑中的归结原理

5.3 应用归结原理求取问题答案

5.4 归结策略*

5.4.1 问题的提出

5.4.2 常用的归结策略

5.4.3 归结策略的类型

5.5 归结反演程序举例*

5.6 Horn子句逻辑与逻辑程序设计语言*

5.6.1 子句的蕴涵表示形式

5.6.2 Horn子句逻辑与计算机程序语言

延伸学习导引

习题5

第6章 基于产生式规则的机器推理

6.1 产生式规则

6.1.1 产生式规则与推理网络

6.1.2 基于产生式规则的推理模式

6.2 产生式系统

6.2.1 系统结构

6.2.2 运行过程

6.2.3 控制策略与常用算法

6.2.4 程序实现

6.3 产生式系统与图搜索问题求解

习题6

第7章 几种结构化知识表示及其推理

7.1 元组

7.2 框架

7.2.1 框架的概念

7.2.2 框架的表达能力

7.2.3 基于框架的推理

7.2.4 框架的程序语言实现

7.3 语义网络

7.3.1 语义网络的概念

7.3.2 语义网络的表达能力

7.3.3 基于语义网络的推理

7.3.4 语义网络的程序语言实现

7.4 知识图谱

7.5 类与对象

习题7

第8章 不确定和不确切性知识的表示与推理

8.1 概述

8.2 不确定性知识的表示及推理

8.2.1 不确定性知识的表示

8.2.2 不确定性推理

8.3 几种经典的不确定性推理模型*

8.3.1 确定性理论

8.3.2 主观贝叶斯方法

8.3.3 证据理论

8.4 基于贝叶斯网络的概率推理

8.4.1 什么是贝叶斯网络

8.4.2 用贝叶斯网络表示不确定性知识

8.4.3 基于贝叶斯网络的概率推理

8.5 不确切性知识的表示及推理

8.5.1 软语言值及其数学模型

8.5.2 不确切性知识的表示

8.5.3 基于软语言规则的推理*

8.5.4 基于模糊集合与模糊关系的模糊推理*

8.5.5 对模糊推理的简单评述*

延伸学习导引

习题8

第4篇 学习与发现

第9章 机器学习： 符号学习与交互学习

9.1 机器学习概述

9.1.1 机器学习的概念

9.1.2 机器学习的原理

9.1.3 机器学习的分类

9.2 几种典型的(符号)学习方法

9.2.1 记忆学习

9.2.2 示例学习

9.2.3 演绎学习

9.2.4 类比学习

9.2.5 解释(分析)学习

9.2.6 发现学习

9.3 决策树学习

9.3.1 什么是决策树

9.3.2 如何学习决策树

9.3.3 决策树学习的ID3算法

9.3.4 决策树学习的发展

9.4 强化学习

9.4.1 简单原理

9.4.2 值函数、Q函数和Q学习算法

9.4.3 强化学习的发展概况

习题9

第10章 统计学习

10.1 概述

10.2 几种基本判别模型的学习

10.2.1 回归问题的线性函数模型学习，梯度下降法

10.2.2 分类问题的线性判别函数模型学习

10.2.3 分类问题的Logistic回归模型学习，梯度上升法

10.3 监督学习中的几个进一步的问题

10.3.1 监督学习的主要工作及步骤

10.3.2 准则函数的演变

10.3.3 过拟合、欠拟合、正则化

10.3.4 模型与学习方法的分类

10.4 支持向量机简介

10.4.1 *间隔超平面

10.4.2 线性可分支持向量机

10.4.3 线性支持向量机和非线性支持向量机

延伸学习导引

习题10

第11章 神经网络学习

11．1从生物神经元到人工神经元

11．2神经网络及其学习

11．2．1神经网络的拓扑结构与功能

11.2.2 神经网络的学习机理与方法

11.2.3 神经网络模型及其分类

11.3 感知器及其学习举例

11.4 BP网络及其学习举例

11.5 深度学习

11.5.1 什么是深度学习

11.5.2 深度学习的优势

11.5.3 深度学习的发展和扩展

11.5.4 深度学习框架与平台

延伸学习导引

习题11

第12章 数据挖掘与知识发现

12.1 引言

12.2 概述

12.2.1 数据挖掘的一般过程

12.2.2 数据挖掘的对象

12.2.3 数据挖掘的任务

12.2.4 数据挖掘的方法

12.2.5 数据挖掘工具与平台

12.3 关联规则发现

12.3.1 什么是关联规则

12.3.2 关联规则的发现机理和方法

12.3.3 发现关联规则的Apriori算法

12.3.4 关联规则的类型和挖掘算法

12.4 k均值聚类算法

12.5 大数据挖掘与分布式学习

12.5.1 分布式并行计算模型和框架

12.5.2 Spache Hadoop(MapReduce)简介

12.5.3 基于MapReduce的分布式机器学习

习题12

第5篇 感知与响应，理解与交流

第13章 模式识别

13.1 概述

13.1.1 模式、模式类与模式识别

13.1.2 模式的表示

13.1.3 模式识别系统工作原理

13.1.4 模式识别方法分类

13.2 统计模式识别

13.2.1 距离分类法

13.2.2 几何分类法

13.2.3 概率分类法

13.3 朴素贝叶斯分类算法

13.4 概率密度函数估计

13.4.1 概述

13.4.2 *似然估计

延伸学习导引

习题13

第14章 数语互换*

14.1 数语转换——从感知到表达

14.2 语数转换——从决策到行动

14.3 带数语互换接口的推理系统

延伸学习导引

习题14

第15章 自然语言处理

15.1 自然语言处理的途径、方法和学派

15.2 基于规则的自然语言理解

15.2.1 简单句理解

15.2.2 复合句理解

15.2.3 转换文法和转换网络

15.3 统计语言模型

延伸学习导引

习题15

第6篇 系统与建造

第16章 专家(知识)系统

16.1 基本概念

16.1.1 什么是专家系统

16.1.2 专家系统的特点

16.1.3 专家系统的类型

16.1.4 专家系统与基于知识的系统

16.1.5 专家系统与知识工程

16.2 系统结构

16.2.1 概念结构

16.2.2 实际结构

16.2.3 黑板模型

16.2.4 网络与分布式结构

16.3 实例分析*

16.4 系统设计与实现

16.4.1 一般步骤与方法

16.4.2 快速原型法和增量式开发

16.4.3 知识获取

16.4.4 知识表示与知识描述语言设计

16.4.5 知识库与知识库管理系统设计

16.4.6 推理机与解释机制设计

16.4.7 系统结构设计

16.4.8 人机界面设计

16.5 开发工具与环境

16.5.1 开发工具

16.5.2 开发环境

16.6 专家系统的发展

16.6.1 深层知识专家系统

16.6.2 自学习专家系统

16.6.3 神经网络专家系统

16.6.4 大型协同分布式专家系统

习题16

第17章 Agent系统

17.1 什么是Agent

17.1.1 Agent的概念

17.1.2 Agent的类型

17.2 Agent的结构

17.3 Agent实例——Web Agent

17.4 多Agent系统

17.4.1 多Agent系统的特征和研究内容

17.4.2 多Agent系统的体系结构

17.4.3 多Agent的合作与学习

17.5 Agent的实现

17.6 Agent技术的发展与应用

习题17

第18章 智能机器人

18.1 智能机器人的概念

18.2 机器人感知

18.3 机器人规划

18.4 机器人控制

18.5 机器人系统的软件结构

18.6 机器人程序设计与语言

18.6.1 机器人程序设计

18.6.2 机器人程序设计语言

18.7 机器人技术进展

习题18

第19章 智能计算机与智能化网络

19.1 智能计算机

19.1.1 智能硬件平台和智能操作系统

19.1.2 LISP机和PROLOG机

19.1.3 人工智能芯片

19.1.4 神经网络计算机，类脑芯片

19.1.5 智能计算机发展展望

19.2 智能化网络