●篇總論
章人工智能與計算智能概述(3)
1.1人工智能與計算智能簡介(3)
1.1.1人工智能簡介(3)
1.1.2計算智能簡介(4)
1.2人工智能的不同學派(4)
1.2.1符號主義(5)
1.2.2連接主義(5)
1.2.3行為主義(6)
1.3人工智能與計算智能的發展歷史(6)
1.3.1人工智能的發展歷史(6)
1.3.2計算智能的發展歷史(10)
1.4人工智能與計算智能的應用領域(10)
第2篇符號主義
第2章知識表示(15)
2.1知識和知識表示的概念(15)
2.1.1知識的含義(15)
2.1.2知識表示的含義(16)
2.1.3影響知識表示方法選擇的因素(17)
2.2狀態空間表示法(17)
2.2.1狀態空間的構成(18)
2.2.2狀態空間圖(18)
2.2.3利用狀態空間表示法求解的具體思路和步驟(19)
2.3一階謂詞邏輯表示法(19)
2.3.1謂詞邏輯(19)
2.3.2用謂詞公式表示知識的一般步驟(21)
2.3.3一階謂詞邏輯表示法的特點(22)
2.4語義網絡表示法(23)
2.4.1語義網絡表示法的概念及其結構(23)
2.4.2語義網絡中常用的語義聯繫(23)
2.4.3語義網絡表示知識的方法(26)
2.4.4語義網絡下的推理(27)
2.4.5語義網絡表示法的特點(28)
2.5框架表示法(28)
2.5.1框架的一般表示形式(29)
2.5.2框架網絡(29)
2.5.3框架中槽的設置與組織(30)
2.5.4求解問題的匹配推理步驟(31)
2.5.5框架表示法的特點(31)
2.6產生式表示法(32)
2.6.1產生式表示法基本形式(32)
2.6.2產生式繫統的組成(33)
2.6.3產生式繫統推理機的推理方式(34)
2.6.4產生式繫統的分類(35)
2.6.5產生式繫統求解問題的一般步驟(35)
2.6.6產生式表示法的特點(35)
2.7腳本表示法(36)
2.7.1腳本的定義(36)
2.7.2概念依賴關繫(37)
2.7.3用腳本表示知識的步驟(37)
2.7.4腳本表示下的推論方式(37)
2.7.5腳本表示法的特點(38)
第3章用搜索求解問題(39)
3.1搜索過程的三大要素(39)
3.1.1搜索對像(39)
3.1.2擴展規則(40)
3.1.3目標測試(41)
3.2通過搜索求解問題的思路和步驟(41)
3.3問題的特征分析(42)
3.4搜索的基本策略(43)
3.4.1狀態空間的盲目搜索(43)
3.4.2狀態空間的啟發式搜索(51)
3.4.3隨機搜索(57)
3.5博弈搜索(60)
3.5.1基礎概念(60)
3.5.2基礎搜索算法(62)
3.5.3深度優先的αβ搜索及其增強算法(64)
3.6其他搜索算法(70)
3.6.1蒙特卡洛樹搜索(70)
3.6.2在線機器學習(71)
3.6.3多臂匪徒模型與上限信心界策略(71)
第4章專家繫統(75)
4.1專家繫統的基本概念(75)
4.2專家繫統的基本結構(76)
4.2.1專家繫統的組成(76)
4.2.2專家繫統的類型(77)
4.3知識獲取(79)
4.3.1概述(79)
4.3.2知識獲取的直接方法(81)
4.3.3知識獲取的新進展(82)
4.4專家繫統的解釋機制(83)
4.5專家繫統開發工具與環境(86)
4.5.1專家繫統開發工具與環境的基本概念(86)
4.5.2專家繫統工具JESS(88)
4.5.3JESS中的Rete匹配算法和逆向推理機制(91)
4.6專家繫統開發與評價(91)
4.6.1專家繫統開發步驟(91)
4.6.2專家繫統開發方法(92)
4.6.3專家繫統的評價(93)
第5章邏輯學的原理及其應用(96)
5.1思維、語言與邏輯(96)
5.2邏輯與邏輯學(98)
5.3邏輯學的研究對像(99)
5.3.1思維形式(99)
5.3.2邏輯規律與邏輯方法(100)
5.4邏輯學在人工智能中的應用(101)
第3篇機器學習與神經網絡
第6章機器學習(107)
6.1概述(107)
6.1.1機器學習的定義和意義(107)
6.1.2機器學習的研究簡史(107)
6.1.3機器學習的分類(112)
6.1.4學習形式分類(115)
6.2歸納學習(121)
6.2.1歸納學習概述(121)
6.2.2歸納學習的方法分類(123)
6.3基於解釋的學習(123)
6.3.1基於解釋的學習簡介(124)
6.3.2基於解釋的學習的工作原理(125)
6.4類比學習(130)
6.4.1類比學習簡介(130)
6.4.2類比學習的過程及關鍵問題(130)
6.5深度學習(131)
6.5.1深度學習相關應用領域(132)
6.5.2深度學習常用模型(134)
6.5.3基於深度學習的優化方法(140)
6.5.4深度學習常用軟件工具及平臺(140)
第7章人工神經網絡(143)
7.1概述(143)
7.1.模型(143)
7.1.2神經網絡的學習規則(144)
7.1.3神經網絡的結構分類(147)
7.2前饋型神經網絡(147)
7.2.1感知器網絡(148)
7.2.2反向傳播神經網絡(150)
7.2.3徑向基函數神經網絡(153)
7.3反饋型神經網絡(153)
7.3.1Hopfield神經網絡(154)
7.3.2Elman神經網絡(158)
7.4卷積神經網絡(159)
7.4.1卷積神經網絡發展歷史(159)
7.4.2基本概念和基本網絡結構(160)
7.4.3卷積神經網絡的工作原理(163)
7.4.4卷積神經網絡的應用(164)
第4篇計算智能
第8章遺傳算法(167)
8.1概述(167)
8.1.1遺傳算法中的一些術語(167)
8.1.2遺傳算法基本流程(169)
8.2遺傳算法的基本要素(170)
8.2.1遺傳編碼(170)
8.2.2種群設定(173)
8.2.3適應度函數分析(174)
8.2.4遺傳操作(176)
8.2.5算法的終止(181)
8.2.6模式定理(181)
8.3遺傳算法的優點、主要問題及改進(182)
8.3.1遺傳算法的優點(183)
8.3.2遺傳算法的主要問題(183)
8.3.3遺傳算法的改進(191)
8.3.4一些改進的遺傳算法比較(193)
第9章群集智能算法(196)
9.1研究背景(196)
9.2算法概述(196)
9.3蟻群算法(198)
9.3.1蟻群算法詳解(198)
9.3.2蟻群算法的特點及應用(200)
9.4粒子群算法(201)
9.4.1粒子群算法詳解(201)
9.4.2粒子群算法的參數分析(203)
9.4.3粒子群算法與其他算法的比較(204)
9.5人工魚群算法(205)
9.6人工蜂群算法(207)
0章記憶型搜索算法(210)
10.1禁忌搜索算法(210)
10.1.1禁忌搜索算法的基本思想(210)
10.1.2禁忌搜索算法的構成要素(211)
10.1.3禁忌搜索算法的流程(214)
10.1.4禁忌搜索算法解決旅行商問題(214)
10.1.5禁忌搜索算法的特點(218)
10.1.6禁忌搜索算法的改進(218)
10.2和聲搜索算法(219)
10.2.1和聲搜索算法的簡介(219)
10.2.2和聲搜索算法的原理(220)
10.2.3和聲搜索算法的相關參數(220)
10.2.4和聲搜索算法的步驟(221)
10.2.5和聲搜索算法的應用(222)
10.2.6算法比較與分析(227)
參考文獻(228)
內容簡介
本書四個部分，共10章，主要介紹了人工智能與計算智能概述、知識表示、用搜索求解問題、專家繫統、邏輯學的原理及其應用、人工神經網絡、機器學習、遺傳算法、群集智能算法和記憶型搜索算法以及各章節的應用案例。繫統地闡述了人工智能的基本原理、實現技術及其應用，全面地反映了靠前外人工智能研究領域的新進展和發展方向。
