第1章緒論

1.1人工智能的發展概況

1.1.1人工智能的定義

1.1.2人工智能的研究途徑

1.1.3人工智能學科的發展

1.2人工智能的目標

1.3人工智能的應用

第2章人工智能程序設計語言

2.1Python語言

2.1.1概述

2.1.2Python基礎

2.1.3函數

2.1.4自定義類

2.1.5模塊

2.1.6輸入輸出和文件

2.1.7實例

2.2Lisp語言

2.2.1概述

2.2.2Lisp的基本功能

2.2.3遞歸與迭代

2.2.4輸入輸出

2.2.5Lisp的其他功能

2.2.6實例

2.3Prolog語言

2.3.1Prolog語言概述

2.3.2重復與遞歸

2.3.3列表處理方法

2.3.4字符串處理方法

2.3.5輸入輸出功能

2.3.6模塊

2.3.7實例

第3章知識表示

3.1概述

3.1.1知識與知識表示

3.1.2知識表示的方法

3.2邏輯表示法

3.2.1一階謂詞邏輯

3.2.2謂詞邏輯用於知識表示

3.3產生式規則表示法

3.4語義網絡表示法

3.4.1語義網絡的結構

3.4.2連接詞的表示

3.4.3繼承性

3.5框架與腳本表示法

3.5.1框架表示法

3.5.2腳本表示法

3.6本體

3.6.1本體的組成與分類

3.6.2本體的建模

3.6.3OWL

3.7知識圖譜

3.7.1構建知識圖譜

3.7.2存儲知識圖譜

3.7.3知識圖譜推理

第4章基於搜索的問題求解方法

4.1狀態空間搜索

4.1.1概述

4.1.2回溯策略

4.1.3圖搜索策略

4.1.4任一路徑的圖捜索

4.1.5路徑的圖捜索

4.1.6與或圖的捜索

4.2博弈樹搜索

4.2.1概述

4.2.2極小極大過程

4.2.3αβ剪枝過程

4.2.4蒙特卡羅樹搜索

第5章基於符號的推理

5.1基礎概念

5.2歸結反演

5.2.1子句

5.2.2歸結原理

5.2.3歸結反演的控制策略

5.2.4求解填空問題

5.3基於規則的演繹繫統

5.3.1正向演繹繫統

5.3.2逆向演繹繫統

5.4非單調推理

5.4.1封閉世界假設

5.4.2謂詞完備化

5.4.3限制

5.4.4缺省推理

第6章不確定性推理

6.1引言

6.2概率方法

6.2.1基本概念

6.2.2實例

6.3可信度方法

6.3.1知識的不確定性

6.3.2證據的不確定性

6.3.3不確定性推理算法

6.4主觀貝葉斯方法

6.4.1知識的不確定性表示

6.4.2證據的不確定性表示

6.4.3不確定性推理算法

6.5證據理論

6.5.1基本理論

6.5.2證據的組合

6.5.3基本算法

6.5.4實例

第7章專家繫統

7.1概述

7.2基於規則的專家繫統

7.知識結構

7.2.2黑板模型

7.2.3黑板控制結構

7.3其他專家繫統結構

7.3.1基於框架的專家繫統

7.3.2基於模型的專家繫統

7.3.3基於Web的專家繫統

7.4專家繫統實例

7.4.1MYCIN

7.4.2AM繫統

7.5專家繫統開發工具CLIPS

7.5.1事實

7.5.2規則

7.5.3其他

7.5.4實例

第8章機器學習與計算智能

8.1概述

8.2分類與聚類

8.2.1分類

8.2.2聚類

8.3決策樹

8.3.1構造決策樹

8.3.2決策樹剪枝

8.4支持向量機

8.4.1分類問題

8.4.2回歸問題

8.4.3單類問題

8.4.4學習算法

8.4.5結構化數據核函數

8.5k均值聚類

8.6強化學習

8.6.1馬爾可夫決策過程

8.6.2值函數和貝爾曼方程

8.6.3有模型學習

8.6.4無模型學習

8.7演化計算

8.7.1遺傳算法

8.7.2遺傳算法的理論基礎

8.7.3遺傳規劃

8.7.4演化策略

8.7.5演化規劃

8.8群體智能算法

8.8.1蟻群算法

8.8.2粒子群算法

第9章神經網絡與深度學習

9.1基礎知識

9.2感知機

9.3多層前向網絡

9.4Hopfield網絡

9.5卷積神經網絡

9.5.1LeNet5

9.5.2常用模型

9.5.3訓練

9.5.4AlexNet

9.5.5VGGNet

9.5.6Inception網絡

9.5.7殘差網絡

9.6循環與遞歸神經網絡

9.6.1BPTT算法

9.6.2LSTM

9.6.3遞歸神經網絡

9.7深度學習應用與平臺

9.7.1機器視覺應用

9.7.2深度學習平臺

第10章智能Agent

10.1Agent概述

10.1.1基本概念

10.1.2Agent理論

10.1.3Agent繫統結構

10.2多Agent繫統

10.2.1概述

10.2.2多Agent繫統的結構

10.2.3Agent通信語言

10.2.4多Agent繫統的協商機制

10.2.5多Agent繫統的應用

10.3移動Agent

10.4Agent繫統開發平臺

近年來，人工智能學科的蓬勃發展吸引了學術界和企業界的共同關注，市面上湧現了一批人工智能相關的著作和教材，對人工智能的研究和應用起了很大的推動作用。田盛豐和黃厚寬曾經在20世紀90年代編著了人工智能教材： 《人工智能與知識工程》。這些年深度學習、強化學習與知識圖譜等領域的發展令作者感到在上述人工智能教材的基礎上加入人工智能學科進展的工作迫在眉睫，恰逢此時，百度公司百度雲智學院邀請作者為其編著一本人工智能教材。諸多因素促成了本書的出版，在此非常感謝百度雲智學院對本書出版的支持。

在人工智能發展的道路上，符號主義與連接主義交相輝映，分別在不同的階段主導著人工智能的發展。本書延續以往版本的思路，以符號主義為主，全面介紹人工智能算法與模型，同時考慮到近年來連接主義(主要指深度學習)的快速發展為人工智能學科注入了新的活力這一現狀，故將神經網絡與深度學習單獨列為一章。

本書共分10章： 第1章為緒論； 第2章介紹人工智能程序設計語言，包括Python、Lisp以及Prolog； 第3章介紹知識表示方法，包括邏輯表示法、產生式規則表示法、本體以及知識圖譜等； 第4章介紹基於搜索的問題求解方法，包括狀態空間搜索、A*算法、極小極大過程、αβ剪枝過程以及蒙特卡羅樹搜索等； 第5章介紹基於符號的推理，包括歸結反演、規則演繹繫統以及非單調推理等； 第6章介紹不確定性推理，包括可信度方法、
貝葉斯網絡
以及證據理論等； 第7章介紹專家繫統的概念與模型，並介紹了一種專家繫統開發工具CLIPS； 第8章介紹機器學習與計算智能，包括決策樹、支持向量機、k均值聚類、強化學習、遺傳算法以及蟻群算法等； 第9章介紹神經網絡與深度學習，包括多層前向網絡、Hopfield網絡、各種卷積神經網絡以及循環神經網絡等，並簡單介紹深度學習在機器視覺中的應用以及各種深度學習平臺； 第10章介紹智能Agent的相關理論與模型，並介紹了一個Agent繫統開發平臺SPADE。

本書得到了中央高校基本科研業務費專項資金(2018JBZ006、2019JBZ110)、國家自然科學基金重點項目(61832002、61632004)、國家自然科學基金面上項目（61876016、82174533）、新一代人工智能重大項目（2018AAA0100604、2018AAA0100302）、國家重點研發計劃項目(2017YFC1703506)的支持。

由於作者學識有限，本書難免存在諸多錯誤和不足之處，懇請各位專家和讀者指正。

作者
2023年3月於北京交通大學