书籍详情
人工智能
作者：（美）Nils J.Nilsson著；郑扣根，庄越挺译
出版社：机械工业出版社
出版时间：2000-10-10
ISBN：9787111078852
定价：¥30.00
购买这本书可以去
内容简介
本书从一个新颖的角度对人工智能各方面的问题进行了探讨。由浅入深地介绍了整个人工智能系统和agent的发展历程。首先，描述了仅能对周围环境中可感知特征做出反应的原始agent，以及它们所涉及的机器视觉、机器学习和机器进化等问题；然后，逐步介绍了agent可以从无法立即感知的任务环境中获取信息的技术。本书不仅是对人工智能技术的介绍，而且能为人工智能的研究提供参考和建议。本书作为人工智能的入门教材，适合所有对人工智能这门学科感兴趣的读者参考，尤其适合大专院校的计算机专业及相关专业的学生用做教材或教学参考书。人工智能的发展历史反复经历了高峰和低谷的转换。由于人类智能之复杂及计算机软硬件之局限，决定了人工智能的发展道路崎岖不平。近几年来，通过人工智能研究者们的不断争论、探索和创新，并随着相关领域、特别是计算机技术的飞速发展，人工智能又进入发展期，一些新技术、新观念被集成到这个领域。本书即是作者在此背景下撰写而成的。
作者简介
NILSJ.NILSSON（N.J.尼尔森）长期从事人工智能（AI）研究，是逻辑学派的奠基人之一，对AI的发展做出了重大的贡献。他以前的著作可认为是这个领域的经典著作，NILSSON博士是斯坦福大学终身的工程学KUMAGAI教授。他曾任《ARTIFICIALINTELLIGENCE》、《MACHINELEARN-ING》杂志的编辑、斯坦福大学计算机科学系系主任、SRT人工智能中心主任及美国人工智能协会理事长。
目录
译者序
前言
第1章 绪论 1
1.1 什么是人工智能 1
1.2 人工智能的研究方法 4
1.3 人工智能简史 5
1.4 本书规划 7
1.5 补充读物和讨论 9
第一部分 响应机器
第2章 刺激响应agent 13
2.1 感知和动作 13
2.1.1 感知 15
2.1.2 动作 15
2.1.3 布尔代数 16
2.1.4 布尔函数的类别和形式 16
2.2 动作函数的表达和执行 17
2.2.1 产生式系统 17
2.2.2 网络 18
2.2.3 包含体系结构 20
2.3 补充读物和讨论 21
第3章 神经网络 23
3.1 引言 23
3.2 训练单个TLU 23
3.2.1 TLU几何学 23
3.2.2 扩充向量 24
3.2.3 梯度下降方法 24
3.2.4 Widrow-Hoff程序 25
3.2.5 一般化Delta程序 26
3.2.6 纠错程序 27
3.3 神经网络 28
3.3.1 动机 28
3.3.2 表示符号 28
3.3.3 反向传播方法 29
3.3.4 计算最后一层的权值变化 30
3.3.5 计算中间层的权值变化 30
3.4 一般化、准确度和过度拟合 32
3.5 补充读物和讨论 34
第4章 机器进化 37
4.1 进化计算 37
4.2 遗传编程 37
4.2.1 遗传编程的程序表示 37
4.2.2 遗传编程过程 39
4.2.3 进化一个沿墙运动的机器人 40
4.3 补充读物和讨论 43
第5章 状态机 45
5.1 用特征向量来表示环境 45
5.2 Elman网络 46
5.3 图标表示 47
5.4 黑板系统 49
5.5 补充读物和讨论 50
第6章 机器人视觉 53
6.1 引言 53
6.2 操纵一辆汽车 54
6.3 机器人视觉的两个阶段 55
6.4 图象处理 56
6.4.1 平均法 56
6.4.2 边缘增强 58
6.4.3 边缘增强与平均法的结合 59
6.4.4 区域查找 61
6.4.5 运用亮度以外的其他图象的属性 62
6.5 场景分析 63
6.5.1 解释图象中的线条和曲线 63
6.5.2 基于模型的视觉 65
6.6 立体视觉和深度信息 66
6.7 补充读物和讨论 67
第二部分 状态空间搜索
第7章 能计划的agent 71
7.1 存储与计算 71
7.2 状态空间图 72
7.3 显式状态空间搜索 74
7.4 基于特征的状态空间 74
7.5 图记号 75
7.6 补充读物和讨论 76
第8章 盲目搜索 78
8.1 用公式表示状态空间 78
8.2 隐式状态空间图的组成 78
8.3 广度优先搜索 79
8.4 深度优先或回溯搜索 80
8.5 迭代加深 81
8.6 补充读物和讨论 82
第9章 启发式搜索 84
9.1 使用评估函数 84
9.2 一个通用的图搜索算法 85
9.2.1 算法A* 86
9.2.2 A*的可接纳性 88
9.2.3 一致性（或单调）条件 91
9.2.4 迭代加深的A* 92
9.2.5 递归最优搜索 93
9.3 启发式函数和搜索效率 94
9.4 补充读物和讨论 97
第10章 计划、动作和学习 99
10.1 感知/计划/动作循环 99
10.2 逼近搜索 100
10.2.1 孤岛驱动搜索 100
10.2.2 层次搜索 101
10.2.3 有限范围搜索 102
10.2.4 循环 103
10.2.5 建立反应过程 104
10.3 学习启发式函数 105
10.3.1 显式图 105
10.3.2 隐式图 106
10.4 奖赏代替目标 107
10.5 补充读物和讨论 108
第11章 其他搜索公式及其应用 111
11.1 赋值问题 111
11.2 构造性方法 112
11.3 启发式修补 114
11.4 函数优化 115
第12章 敌对搜索 118
12.1 双agent博弈 118
12.2 最小最大化过程 119
12.3 a -b 过程 122
12.4 a -b 过程的搜索效率 125
12.5 其他重要问题 125
12.6 概率博弈 126
12.7 学习评估函数 127
12.8 补充读物和讨论 128
第三部分 知识的表示和推理
第13章 命题演算 131
13.1 对特征值加以约束 131
13.2 语言 132
13.3 推理规则 133
13.4 验证定义 133
13.5 语义 134
13.5.1 解释 134
13.5.2 命题真值表 134
13.5.3 可满足性与模型 135
13.5.4 永真性 136
13.5.5 等价 136
13.5.6 涵蕴 136
13.6 合理性和完备性 137
13.7 命题可满足性问题 137
13.8 另一些重要的问题 138
13.8.1 语言差异 138
13.8.2 元定理 138
13.8.3 结合律 139
13.8.4 分配律 139
第14章 命题演算中的归结 140
14.1 一种新的推理规则：归结 140
14.1.1 作为合式公式的子句 140
14.1.2 子句上的归结 140
14.1.3 归结的合理性 141
14.2 转换任意的合式公式为子句的合取式 141
14.3 归结反驳 142
14.4 归结反驳搜索策略 142
14.4.1 排序策略 143
14.4.2 精确策略 143
14.5 Horn 子句 144
第15章 谓词演算 146
15.1 动机 146
15.2 谓词演算语言和它的句法 146
15.3 语义 147
15.3.1 世界 147
15.3.2 解释 147
15.3.3 模型及其相关的概念 148
15.3.4 知识 149
15.4 量化 150
15.5 量词语义学 150
15.5.1 全称量词 150
15.5.2 存在量词 151
15.5.3 有用的等价式 151
15.5.4 推理规则 151
15.6 谓词演算作为一种表示知识的语言 151
15.6.1 概念化 151
15.6.2 举例 152
15.7 补充读物和讨论 153
第16章 谓词演算中的归结 155
16.1 合一 155
16.2 谓词演算归结 157
16.3 完备性和合理性 158
16.4 把任意的合式公式转化为子句形式 158
16.5 用归结证明定理 160
16.6 回答提取 161
16.7 等式谓词 161
16.8 补充读物和讨论 163
第17章 基于知识的系统 166
17.1 面对现实世界 166
17.2 用Horn子句进行推理 166
17.3 动态知识库的维持 170
17.4 基于规则的专家系统 173
17.5 规则学习 176
17.5.1 学习命题演算规则 177
17.5.2 学习一阶逻辑规则 180
17.5.3 基于解释的一般化 183
17.6 补充读物和讨论 184
第18章 表示常识知识 187
18.1 常识世界 187
18.1.1 什么是常识知识 187
18.1.2 表示常识知识的困难 188
18.1.3 常识知识的重要性 189
18.1.4 研究领域 189
18.2 时间 190
18.3 用网络表示知识 191
18.3.1 分类的知识 191
18.3.2 语义网络 192
18.3.3 语义网络的非单调推理 193
18.3.4 框架 194
18.4 补充读物和讨论 194
第19章 用不确定信息进行推理 197
19.1 概率论简介 197
19.1.1 基本思想 197
19.1.2 条件概率 199
19.2 概率推理 201
19.2.1 一个一般的方法 201
19.2.2 条件独立 202
19.3 贝叶斯网 203
19.4 贝叶斯网的推理模式 204
19.5 不确定证据 205
19.6 D 分离 205
19.7 在polytree中的概率推理 206
19.7.1 证据在上方 207
19.7.2 证据在下方 208
19.7.3 证据在上下两方 209
19.7.4 一个数值例子 210
19.8 补充读物和讨论 211
第20章 用贝叶斯网学习和动作 214
20.1 学习贝叶斯网 214
20.1.1 已知网络结构 214
20.1.2 学习网络结构 216
20.2 概率推理与动作 219
20.2.1 一般设置 219
20.2.2 一个扩展的例子 220
20.2.3 一般化举例 222
20.3 补充读物和讨论 223
第四部分 基于逻辑的规划方法
第21章 状态演算 227
21.1 状态和动作推理 227
21.2 存在的一些困难 229
21.2.1 框架公理 229
21.2.2 条件 230
21.2.3 分枝 230
21.3 生成计划 231
21.4 补充读物和讨论 231
第22章 规划 234
22.1 STRIPS规划系统 234
22.1.1 描述状态和目标 234
22.1.2 向前搜索方法 235
22.1.3 递归STRIPS 236
22.1.4 带有运行时条件的计划 238
22.1.5 Sussman异常 238
22.1.6 向后搜索方法 239
22.2 计划空间和部分有序规划 242
22.3 层次规划 246
22.3.1 ABSTRIPS 246
22.3.2 层次规划和部分有序规划的组合 248
22.4 学习计划 248
22.5 补充读物和讨论 250
第五部分 通信与集成
第23章 多agent 255
23.1 交互agent 255
23.2 其他agent模型 255
23.2.1 模型种类 255
23.2.2 模拟策略 256
23.2.3 模拟数据库 257
23.2.4 有意思维方式 257
23.3 知识模式逻辑 258
23.3.1 模式算子 258
23.3.2 知识公理 259
23.3.3 关于其他agent知识的推理 260
23.3.4 预测其他agent的动作 261
23.4 补充读物和讨论 261
第24章 agent之间的通信 263
24.1 交谈 263
24.1.1 计划交谈 264
24.1.2 实现交谈 264
24.2 理解语言字符串 265
24.2.1 短语结构语法 265
24.2.2 语义分析 267
24.2.3 扩展语法 271
24.3 有效通信 272
24.3.1 上下文的使用 272
24.3.2 使用知识解决歧义性 273
24.4 自然语言处理 274
24.5 补充读物和讨论 275
第25章 agent体系结构 277
25.1 三级体系结构 277
25.2 目标仲裁 278
25.3 三层塔式结构 279
25.4 自举 280
25.5 补充读物和讨论 280
参考文献 282
前言
第1章 绪论 1
1.1 什么是人工智能 1
1.2 人工智能的研究方法 4
1.3 人工智能简史 5
1.4 本书规划 7
1.5 补充读物和讨论 9
第一部分 响应机器
第2章 刺激响应agent 13
2.1 感知和动作 13
2.1.1 感知 15
2.1.2 动作 15
2.1.3 布尔代数 16
2.1.4 布尔函数的类别和形式 16
2.2 动作函数的表达和执行 17
2.2.1 产生式系统 17
2.2.2 网络 18
2.2.3 包含体系结构 20
2.3 补充读物和讨论 21
第3章 神经网络 23
3.1 引言 23
3.2 训练单个TLU 23
3.2.1 TLU几何学 23
3.2.2 扩充向量 24
3.2.3 梯度下降方法 24
3.2.4 Widrow-Hoff程序 25
3.2.5 一般化Delta程序 26
3.2.6 纠错程序 27
3.3 神经网络 28
3.3.1 动机 28
3.3.2 表示符号 28
3.3.3 反向传播方法 29
3.3.4 计算最后一层的权值变化 30
3.3.5 计算中间层的权值变化 30
3.4 一般化、准确度和过度拟合 32
3.5 补充读物和讨论 34
第4章 机器进化 37
4.1 进化计算 37
4.2 遗传编程 37
4.2.1 遗传编程的程序表示 37
4.2.2 遗传编程过程 39
4.2.3 进化一个沿墙运动的机器人 40
4.3 补充读物和讨论 43
第5章 状态机 45
5.1 用特征向量来表示环境 45
5.2 Elman网络 46
5.3 图标表示 47
5.4 黑板系统 49
5.5 补充读物和讨论 50
第6章 机器人视觉 53
6.1 引言 53
6.2 操纵一辆汽车 54
6.3 机器人视觉的两个阶段 55
6.4 图象处理 56
6.4.1 平均法 56
6.4.2 边缘增强 58
6.4.3 边缘增强与平均法的结合 59
6.4.4 区域查找 61
6.4.5 运用亮度以外的其他图象的属性 62
6.5 场景分析 63
6.5.1 解释图象中的线条和曲线 63
6.5.2 基于模型的视觉 65
6.6 立体视觉和深度信息 66
6.7 补充读物和讨论 67
第二部分 状态空间搜索
第7章 能计划的agent 71
7.1 存储与计算 71
7.2 状态空间图 72
7.3 显式状态空间搜索 74
7.4 基于特征的状态空间 74
7.5 图记号 75
7.6 补充读物和讨论 76
第8章 盲目搜索 78
8.1 用公式表示状态空间 78
8.2 隐式状态空间图的组成 78
8.3 广度优先搜索 79
8.4 深度优先或回溯搜索 80
8.5 迭代加深 81
8.6 补充读物和讨论 82
第9章 启发式搜索 84
9.1 使用评估函数 84
9.2 一个通用的图搜索算法 85
9.2.1 算法A* 86
9.2.2 A*的可接纳性 88
9.2.3 一致性（或单调）条件 91
9.2.4 迭代加深的A* 92
9.2.5 递归最优搜索 93
9.3 启发式函数和搜索效率 94
9.4 补充读物和讨论 97
第10章 计划、动作和学习 99
10.1 感知/计划/动作循环 99
10.2 逼近搜索 100
10.2.1 孤岛驱动搜索 100
10.2.2 层次搜索 101
10.2.3 有限范围搜索 102
10.2.4 循环 103
10.2.5 建立反应过程 104
10.3 学习启发式函数 105
10.3.1 显式图 105
10.3.2 隐式图 106
10.4 奖赏代替目标 107
10.5 补充读物和讨论 108
第11章 其他搜索公式及其应用 111
11.1 赋值问题 111
11.2 构造性方法 112
11.3 启发式修补 114
11.4 函数优化 115
第12章 敌对搜索 118
12.1 双agent博弈 118
12.2 最小最大化过程 119
12.3 a -b 过程 122
12.4 a -b 过程的搜索效率 125
12.5 其他重要问题 125
12.6 概率博弈 126
12.7 学习评估函数 127
12.8 补充读物和讨论 128
第三部分 知识的表示和推理
第13章 命题演算 131
13.1 对特征值加以约束 131
13.2 语言 132
13.3 推理规则 133
13.4 验证定义 133
13.5 语义 134
13.5.1 解释 134
13.5.2 命题真值表 134
13.5.3 可满足性与模型 135
13.5.4 永真性 136
13.5.5 等价 136
13.5.6 涵蕴 136
13.6 合理性和完备性 137
13.7 命题可满足性问题 137
13.8 另一些重要的问题 138
13.8.1 语言差异 138
13.8.2 元定理 138
13.8.3 结合律 139
13.8.4 分配律 139
第14章 命题演算中的归结 140
14.1 一种新的推理规则：归结 140
14.1.1 作为合式公式的子句 140
14.1.2 子句上的归结 140
14.1.3 归结的合理性 141
14.2 转换任意的合式公式为子句的合取式 141
14.3 归结反驳 142
14.4 归结反驳搜索策略 142
14.4.1 排序策略 143
14.4.2 精确策略 143
14.5 Horn 子句 144
第15章 谓词演算 146
15.1 动机 146
15.2 谓词演算语言和它的句法 146
15.3 语义 147
15.3.1 世界 147
15.3.2 解释 147
15.3.3 模型及其相关的概念 148
15.3.4 知识 149
15.4 量化 150
15.5 量词语义学 150
15.5.1 全称量词 150
15.5.2 存在量词 151
15.5.3 有用的等价式 151
15.5.4 推理规则 151
15.6 谓词演算作为一种表示知识的语言 151
15.6.1 概念化 151
15.6.2 举例 152
15.7 补充读物和讨论 153
第16章 谓词演算中的归结 155
16.1 合一 155
16.2 谓词演算归结 157
16.3 完备性和合理性 158
16.4 把任意的合式公式转化为子句形式 158
16.5 用归结证明定理 160
16.6 回答提取 161
16.7 等式谓词 161
16.8 补充读物和讨论 163
第17章 基于知识的系统 166
17.1 面对现实世界 166
17.2 用Horn子句进行推理 166
17.3 动态知识库的维持 170
17.4 基于规则的专家系统 173
17.5 规则学习 176
17.5.1 学习命题演算规则 177
17.5.2 学习一阶逻辑规则 180
17.5.3 基于解释的一般化 183
17.6 补充读物和讨论 184
第18章 表示常识知识 187
18.1 常识世界 187
18.1.1 什么是常识知识 187
18.1.2 表示常识知识的困难 188
18.1.3 常识知识的重要性 189
18.1.4 研究领域 189
18.2 时间 190
18.3 用网络表示知识 191
18.3.1 分类的知识 191
18.3.2 语义网络 192
18.3.3 语义网络的非单调推理 193
18.3.4 框架 194
18.4 补充读物和讨论 194
第19章 用不确定信息进行推理 197
19.1 概率论简介 197
19.1.1 基本思想 197
19.1.2 条件概率 199
19.2 概率推理 201
19.2.1 一个一般的方法 201
19.2.2 条件独立 202
19.3 贝叶斯网 203
19.4 贝叶斯网的推理模式 204
19.5 不确定证据 205
19.6 D 分离 205
19.7 在polytree中的概率推理 206
19.7.1 证据在上方 207
19.7.2 证据在下方 208
19.7.3 证据在上下两方 209
19.7.4 一个数值例子 210
19.8 补充读物和讨论 211
第20章 用贝叶斯网学习和动作 214
20.1 学习贝叶斯网 214
20.1.1 已知网络结构 214
20.1.2 学习网络结构 216
20.2 概率推理与动作 219
20.2.1 一般设置 219
20.2.2 一个扩展的例子 220
20.2.3 一般化举例 222
20.3 补充读物和讨论 223
第四部分 基于逻辑的规划方法
第21章 状态演算 227
21.1 状态和动作推理 227
21.2 存在的一些困难 229
21.2.1 框架公理 229
21.2.2 条件 230
21.2.3 分枝 230
21.3 生成计划 231
21.4 补充读物和讨论 231
第22章 规划 234
22.1 STRIPS规划系统 234
22.1.1 描述状态和目标 234
22.1.2 向前搜索方法 235
22.1.3 递归STRIPS 236
22.1.4 带有运行时条件的计划 238
22.1.5 Sussman异常 238
22.1.6 向后搜索方法 239
22.2 计划空间和部分有序规划 242
22.3 层次规划 246
22.3.1 ABSTRIPS 246
22.3.2 层次规划和部分有序规划的组合 248
22.4 学习计划 248
22.5 补充读物和讨论 250
第五部分 通信与集成
第23章 多agent 255
23.1 交互agent 255
23.2 其他agent模型 255
23.2.1 模型种类 255
23.2.2 模拟策略 256
23.2.3 模拟数据库 257
23.2.4 有意思维方式 257
23.3 知识模式逻辑 258
23.3.1 模式算子 258
23.3.2 知识公理 259
23.3.3 关于其他agent知识的推理 260
23.3.4 预测其他agent的动作 261
23.4 补充读物和讨论 261
第24章 agent之间的通信 263
24.1 交谈 263
24.1.1 计划交谈 264
24.1.2 实现交谈 264
24.2 理解语言字符串 265
24.2.1 短语结构语法 265
24.2.2 语义分析 267
24.2.3 扩展语法 271
24.3 有效通信 272
24.3.1 上下文的使用 272
24.3.2 使用知识解决歧义性 273
24.4 自然语言处理 274
24.5 补充读物和讨论 275
第25章 agent体系结构 277
25.1 三级体系结构 277
25.2 目标仲裁 278
25.3 三层塔式结构 279
25.4 自举 280
25.5 补充读物和讨论 280
参考文献 282
猜您喜欢
