全書分3個部分：緒論、基礎篇和提高篇。緒論即第一章，闡述人工智能研究的發展和基本原則。基礎篇由5章構成，第二、三章介紹人工智能的基本概念、方法和技術，包括搜索：歸約和邏輯推理等問題求解的基本方法以及知識表示的理論和方法；第四、五、六章討論人工智能技術的主要應用，包括基於知識的繫統，自動規劃和配置，以及機器學習和知識發現。提高篇由七、八、九3章組成，旨在拓廣人工智能的研究和應用，包括非單調推理、不確定推理、模糊推理、神經網絡等新型問題求解技術，與感知相關的機器視覺和自然語言理解技術，以及Agent技術和信息基礎設施的智能化。

本書為普通高等教育“十一五”國家級規劃教材，旨在繫統介紹人工 智能的基本原理、方法和技術，並反映國內外研究和應用的最新進展。全 書共7章。第1章闡述人工智能研究的發展、成果和基本原則；第2、3章介 紹人工智能的基本概念、方法和技術，包括問題求解的基本方法和知識表 示；第4～6章討論人工智能技術的主要應用，包括基於知識的繫統、自動 規劃和配置以及機器學習；第7章對人工智能的高級技術作引導性綜述，包 括非單調推理和軟計算、基於範例的推理、關於時間和空間的推理、機器 學習研究和應用的新進展、Agent技術和多Agent協同工作，以及新一代網 絡計算的技術基礎及其智能化，以開闊學生的眼界。 本書內容豐富，敘述脈絡清晰，強化實用化介紹，同時配有豐富的習 題，可作為高等院校計算機及有關專業本科生教材，也可供工程技術人員 參考使用。

第1章 人工智能研究的發展和基本原則
1.1 人工智能的研究和應用
1.2 人工智能研究的發展
1.3 人工智能研究的成果
1.4 人工智能研究的基本原則
1.5 存在的問題和發展前景
習題
參考文獻
第2章 問題求解的基本方法
2.1 一般圖搜索
2.1.1狀態空間搜索
2.1.2 啟發式搜索
2.1.3 狀態空間抽像和生成一測試法
2.1.4 啟發式搜索的適用性討論
2.2 問題歸約
2.2.1問題歸約的描述
2.2.2 與或圖搜索
2.2.3 與或圖的啟發式搜索
2.3 基於歸結的演繹推理
2.3.1 謂詞演算
2.3.2 歸結演繹方法
2.3.3 歸結反演
2.4 基於規則的演繹推理
2.4.1 基於規則的正向演繹推理
2.4.2 基於規則的逆向演繹推理
2.4.3 演繹推理的應用討論
2.4.4 邏輯編程語言Prolog
本章小結
習題
參考文獻
第3章 知識表示
3.1 知識和知識表示
3.1.1 知識原則
3.1.2 知識表示的作用
3.1.3 知識表示的功能
3.1.4 知識表示的性能
3.1.5 基本的知識表示方式
3.2 產生式表示
3.2.1產生式繫統
3.2.2 控制策略
3.2.3 產生式繫統的分類
3.3 結構化表示
3.3.1語義網絡
3.3.2 框架表示法
3.3.3 面向對像的表示法
3.4 知識表示的實用化問題
3.4.1程序性和陳述性知識
3.4.2 表示能力和推理效率之間的制約關繫
3.5 基於本體的語義知識表示
3.5.1語義知識表示和共享本體
3.5.2 本體表示語言的研究
3.5.3 Web本體語言OWL
3.5.4 語義Web的應用情景和支持技術
本章小結
習題
參考文獻
第4章 基於知識的繫統
4.1 KB繫統的開發
4.1.1 KB繫統的一般概念
4.1.2 KB繫統的體繫結構原則
4.1.3 KB繫統的開發過程
4.1.4 KB繫統的開發工具和環境
4.2 設計基於產生式表示的KB繫統開發工具
4.2.1 總體設計
4.2.2 Xps的實現
4.2.3 應用實例——家族樹
4.2.4 性能改進
4.2.5 開發工具OPS5
4.3 專家繫統實例——MYCIN
4.3.1知識庫的構造
4.3.2 推理機的設計
4.3.3 繫統服務設施
4.3.4 開發工具EMYcIN
4.4 問題求解的結構化組織
4.4.1結構化組織的需求
4.4.2 事務表
4.4.3 黑板法
4.4.4 問題求解建模
4.4.5 KB繫統的**技術
4.5 基於本體的知識繫統
4.5.1 基礎級本體工程
4.5.2 **本體工程
4.5.3 開發基於本體的知識繫統
本章小結
習題
參考文獻
第5章 自動規劃和配置
5.1 經典規劃技術
5.1.1 經典規劃技術的發展
5.1.2 規劃的基本概念
5.1.3 早期的自動規劃技術
5.1.4 部分排序規劃技術
5.2 自動規劃技術的新進展
5.2.1 非經典規劃技術的開發
5.2.2 自動規劃技術的實用化
5.2.3 智能的調度、規劃和項目管理
5.3 自動配置
5.3.1 配置的一般概念
5.3.2 自動配置的建模
5.3.3 XCON——計算機自動配置繫統
本章小結
習題
參考文獻
第6章 機器學習
6.1 機器學習概論
6.1.1 機器學習的基本概念
6.1.2 機器學習的發展歷史
6.1.3 機器學習分類
6.2 示例學習
6.2.1示例學習的基本策略
6.2.2 決策樹構造法ID3
6.3 基於解釋的學習
6.3.1 基於解釋的泛化(EBG)
6.3.2 基於解釋學習的若干基本問題
6.4 遺傳算法
6.4.1 簡單遺傳算法
6.4.2 分類繫統
6.5 加強學習
6.5.1 加強學習的基本方法
6.5.2 p學習
6.5.3 有關加強學習的進一步討論
6.6 基於範例的學習
6.6.1 基於範例推理的過程
6.6.2 應用實例：智能飼料配方繫統ICMIX
6.7 知識發現與數據挖掘
6.7.1 定理發現
6.7.2 數據挖掘
6.7.3 關聯規則挖掘
6.7.4 數據庫及網絡中的知識發現
本章小結
習題
參考文獻
第7章 人工智能**技術綜述
7.1 非單調推理和軟計算
7.1.1 真值維持繫統
7.1.2 約束滿足問題
7.1.3 不確定推理
7.1.4 模糊邏輯和模糊推理
7.1.5 人工神經網絡
7.2 基於範例的推理
7.2.1基於範例的推理繫統
7.2.2 範例表示和索引
7.2.3 檢索、改編和辯證
7.2.4 基於範例的學習
7.2.5 結論
7.3 關於時間和空間的推理
7.3.1伴有時間的推理
7.3.2 時間的不確定性和分支
7.3.3 關於空間的推理
7.3.4 關於形狀的推理
7.4 機器學習研究與應用的新進展
7.4.1 貝葉斯網絡
7.4.2 隱馬爾可夫模型
7.4.3 統計學習理論
7.4.4 粗糙集理論
7.4.5 聚類分析
7.4.6 復雜類型數據的挖掘
7.5 Agent技術和多Agent協同工作
7.5.1 Agent技術的研究和發展
7.5.2 多Agent協作
7.5.3 Agent通信
7.6 新一代網絡計算的技術基礎及其智能化
7.6.1 語義Web
7.6.2 網格計算
7.6.3 自治計算
本章小結
習題
參考文獻