第1章  绪论	1
1.1  人工智能的概念	2
1.1.1  智能的定义	2
1.1.2  人工智能的定义	3
1.2  人工智能的产生和发展	6
1.2.1  孕育期（20世纪50年代中期以前）	6
1.2.2  形成及第一个兴旺期（20世纪50年代中期至60年代中期）	7
1.2.3  萧条波折期（20世纪60年代中期至70年代中期）	8
1.2.4  第二个兴旺期（20世纪70年代中期至80年代中期）	9
1.2.5  稳步增长期（20世纪80年代中期至今）	11
1.2.6  中国的人工智能发展	12
1.3  人工智能的主要学派	13
1.3.1  符号主义学派	13
1.3.2  连接主义学派	14
1.3.3  行为主义学派	15
1.4  人工智能的主要研究内容	16
1.5  人工智能的主要应用领域	19
本章小结	26
习题1	26
第2章  知识表示	27
2.1  知识表示概述	28
2.1.1  知识的概念	28
2.1.2  知识表示的概念	29
2.2  谓词逻辑表示法	30
2.2.1  命题逻辑	30
2.2.2  谓词逻辑	31
2.2.3  谓词公式	32
2.2.4  谓词逻辑表示	34
2.2.5  谓词逻辑表示法的特点	37
2.3  产生式表示法	37
2.3.1  产生式表示的基本方法	37
2.3.2  产生式系统的基本结构	39
2.3.3  产生式系统的分类	40
2.3.4  产生式表示法的特点	41
2.4  语义网络表示法	43
2.4.1  语义网络的基本概念	43
2.4.2  语义网络的基本语义关系	44
2.4.3  语义网络表示知识的方法	46
2.4.4  语义网络的推理过程	50
2.4.5  语义网络表示法的特点	51
2.5  框架表示法	51
2.5.1  框架结构	51
2.5.2  框架表示	53
2.5.3  框架表示的推理过程	55
2.5.4  框架表示法的特点	55
2.6  脚本表示法	56
2.6.1  脚本的定义	56
2.6.2  脚本的组成	57
2.6.3  脚本表示法的特点	59
2.7  面向对象表示法	60
2.7.1  面向对象的基本概念	60
2.7.2  面向对象表示知识	61
本章小结	62
习题2	63
第3章  自动推理	65
3.1  推理概述	66
3.1.1  推理的概念	66
3.1.2  推理的分类	66
3.1.3  推理的控制策略	68
3.2  推理的逻辑基础	70
3.2.1  谓词公式的永真性和可满足性	71
3.2.2  置换与合一	73
3.3  自然演绎推理	76
3.3.1  自然演绎推理的基本概念	76
3.3.2  三段论推理	76
3.3.3  两类错误	77
3.4  归结演绎推理	78
3.4.1  子句集	78
3.4.2  鲁宾孙归结原理	81
3.4.3  用归结原理求取问题的答案	87
3.4.4  归结演绎推理的归结策略	88
本章小结	92
习题3	93
第4章  搜索策略	96
4.1  搜索概述	97
4.2  一般图搜索	98
4.2.1  图搜索的基本概念	98
4.2.2  状态空间搜索	99
4.2.3  一般图搜索过程	103
4.3  盲目搜索	105
4.3.1  宽度优先搜索	105
4.3.2  深度优先搜索	107
4.3.3  有界深度搜索和迭代加深搜索	109
4.3.4  搜索最优策略的比较	111
4.4  启发式搜索	112
4.4.1  启发性信息和评估函数	112
4.4.2  启发式搜索A算法	112
4.4.3  实现启发式搜索的关键因素	114
4.4.4  A*算法	116
4.4.5  迭代加深A*算法	119
4.5  爬山法和回溯搜索	120
4.5.1  爬山法	120
4.5.2  回溯策略	121
4.6  问题规约	122
4.7  与/或图搜索	124
4.7.1  与/或图的表示	124
4.7.2  与/或图的启发式搜索	126
4.8  博弈	131
4.8.1  极大极小过程	133
4.8.2  α-β过程	135
本章小结	136
习题4	137
第5章  不确定性推理	139
5.1  不确定性推理概述	140
5.1.1  不确定性推理的概念	140
5.1.2  知识不确定性的来源	140
5.1.3  不确定性推理要解决的基本问题	141
5.1.4  不确定性推理方法的分类	143
5.2  逆概率方法	144
5.2.1  概率论基础	144
5.2.2  经典概率方法	145
5.2.3  逆概率方法	145
5.3  主观贝叶斯方法	147
5.3.1  规则不确定性的表示	147
5.3.2  证据不确定性的表示	149
5.3.3  组合证据不确定性的计算	150
5.3.4  不确定性推理方法	150
5.3.5  结论不确定性的合成	152
5.3.6  主观贝叶斯方法的特点	155
5.4  可信度方法	155
5.4.1  可信度的概念	156
5.4.2  规则不确定性的表示	158
5.4.3  证据不确定性的表示	158
5.4.4  组合证据不确定性的计算	158
5.4.5  不确定性的推理	159
5.4.6  结论不确定性的合成	159
5.4.7  可信度方法的扩展	161
5.4.8  可信度方法的特点	167
5.5  证据理论	168
5.5.1  证据理论的形式描述	168
5.5.2  证据理论的推理模型	172
5.5.3  规则不确定性的表示	174
5.5.4  证据不确定性的表示	174
5.5.5  组合证据的不确定性计算	174
5.5.6  推理的不确定性	174
5.5.7  结论不确定性的合成	175
5.5.8  证据理论的特点	177
5.6  模糊推理	178
5.6.1  模糊数学的基本知识	178
5.6.2  模糊规则的表示	180
5.6.3  模糊证据的匹配	181
5.6.4  简单模糊推理	182
本章小结	183
习题5	184
第6章  机器学习	187
6.1  机器学习概述	188
6.1.1  学习与机器学习	188
6.1.2  学习系统	188
6.1.3  机器学习的发展简史	190
6.1.4  机器学习的分类	191
6.1.5  机器学习的应用和研究目标	193
6.2  归纳学习	194
6.2.1  归纳学习的基本概念	194
6.2.2  变型空间学习	195
6.2.3  归纳偏置	197
6.3  决策树学习	198
6.3.1  决策树的组成及分类	199
6.3.2  决策树的构造算法	200
6.3.3  基本的决策树算法	201
6.3.4  决策树的偏置	204
6.4  基于实例的学习	204
6.4.1  k-最近邻算法	204
6.4.2  距离加权最近邻法	205
6.4.3  基于范例的学习	206
6.5  强化学习	210
6.5.1  强化学习模型	211
6.5.2  马尔可夫决策过程	211
6.5.3  Q学习	212
6.6  支持向量机	214
6.6.1  支持向量机概述	215
6.6.2  支持向量机的构造	216
6.6.3  核函数	220
6.6.4  支持向量机的应用	222
本章小结	223
习题6	224
第7章  神经计算	226
7.1  神经计算概述	227
7.2  感知器	229
7.2.1  感知器的结构	229
7.2.2  感知器的学习算法	230
7.3  反向传播网络	232
7.3.1  反向传播网络的结构	232
7.3.2  反向传播网络的学习算法	233
7.4  自组织映射神经网络	236
7.4.1  SOM网络结构	236
7.4.2  SOM网络的学习算法	237
7.5  Hopfield网络	238
7.6  脉冲耦合神经网络	240
7.7  深度神经网络	242
7.7.1  多层感知器	242
7.7.2  卷积神经网络	243
7.7.3  循环神经网络	245
7.7.4  注意力机制	246
本章小结	248
习题7	249
第8章  进化计算	250
8.1  进化计算概述	251
8.2  遗传算法	252
8.2.1  遗传算法的基本原理	252
8.2.2  遗传算法的应用示例	253
8.2.3  模式定理	256
8.2.4  遗传算法的改进	258
8.3  进化规划	259
8.3.1  标准进化规划及其改进	260
8.3.2  进化规划的基本技术	261
8.4  进化策略	262
8.4.1  进化策略及其改进	263
8.4.2  进化策略的基本技术	264
8.5  遗传算法、进化规划、进化策略的异同	265
本章小结	266
习题8	266
第9章  模糊计算	268
9.1  模糊集合的概念	269
9.1.1  模糊集合的定义	269
9.1.2  模糊集合的表示方法	269
9.2  模糊集合的代数运算	274
9.3  正态模糊集和凸模糊集	276
9.4  模糊关系	277
9.5  模糊判决	278
9.6  模糊数学在模式识别中的应用	279
9.7  模糊综合评判	281
9.7.1  模糊综合评判概述	281
9.7.2  模糊综合评判的模型	282
9.7.3  模糊综合评判的步骤	283
9.7.4  模糊综合评判的优缺点	285
9.7.4  模糊综合评判的应用案例分析	285
本章小结	288
习题9	289
第10章  群智能	290
10.1  群智能概述	291
10.1.1  群智能优化算法定义	291
10.1.2  群智能优化算法原理	291
10.1.3  群智能优化算法特点	292
10.2  蚁群优化算法	292
10.2.1  蚁群优化算法概述	292
10.2.2  蚁群优化算法的数学模型	293
10.2.3  蚁群优化算法的改进	294
10.2.4  蚁群优化算法的应用示例	296
10.3  粒子群优化算法	297
10.3.1  粒子群优化算法基本思想	297
10.3.2  粒子群优化算法基本框架	297
10.3.3  粒子群优化算法参数分析与改进	298
10.3.4  粒子群优化算法的应用示例	299
10.4  其他群智能优化算法	301
10.4.1  人工鱼群算法	301
10.4.2  细菌觅食算法	303
10.4.3  混合蛙跳算法	306
10.4.4  果蝇优化算法	308
本章小结	309
习题10	309

第11章  专家系统	310
11.1  专家系统概述	311
11.1.1  专家系统的特性	311
11.1.2  专家系统的结构和类型	311
11.2  基于规则的专家系统	314
11.3  基于框架的专家系统	316
11.4  基于模型的专家系统	318
11.5  专家系统的开发	320
11.5.1  专家系统的开发过程	320
11.5.2  专家系统的知识获取	321
11.5.3  专家系统的开发工具和环境	322
11.6  专家系统设计举例	324
11.6.1  专家知识概述	324
11.6.2  知识的使用	328
11.6.3  决策的解释	330
11.6.4  MYCIN系统	331
11.7  新型专家系统	332
11.7.1  新型专家系统的共同特征	332
11.7.2  分布式专家系统	332
11.7.3  协同式专家系统	333
本章小结	334
习题11	334
第12章  生成式人工智能	335
12.1  生成式人工智能概述	336
12.2  生成对抗网络	336
12.2.1  生成对抗网络概述	337
12.2.2  生成对抗网络的工作原理	338
12.2.3  生成对抗网络的本质	339
12.2.4  生成对抗网络的应用	341
12.3  ChatGPT	342
12.3.1  GPT的迭代发展历程	342
12.3.2  ChatGPT的优势和挑战	343
12.4  生成式人工智能的应用	344
12.5  生成式人工智能的展望	345
本章小结	347
习题12	348
第13章  大模型	349
13.1  大模型概述	350
13.1.1  大模型的概念	350
13.1.2  大模型的分类	350
13.1.3  大模型的发展历程	352
13.2  大模型的训练	356
13.2.1  分布式训练概述	356
13.2.2  分布式训练并行策略	357
13.2.3  分布式训练的集群架构	358
13.3  常见的大模型Transformer	359
13.3.1  Transformer模型概述	359
13.3.2  Transformer模型的结构和原理	360
13.3.3  Transformer模型的优势和不足	361
13.4  大模型的评估和应用	362
13.4.1  大模型评估	362
13.4.2  大模型的应用场景	364
本章小结	365
习题13	366
第14章  争论和展望	367
14.1  争论	368
14.2  展望	370
本章小结	373
习题14	373
附录A  习题解答	374
参考文献	376