人工智能：复杂问题求解的结构和策略

　　本书是一本畅销的人工智能教材，它彻底和全面地阐述了人工智能的基础理论，有效结合了求解智能问题的数据结构以及实现的算法，把人工智能的应用程序应用于实际环境中，并从社会和哲学角度出发对人工智能进行了独特的讨论。新版中增加了“智能主体”的问题解决方法、强化学习、贝叶斯推理技术等最新的内容。？？本书是高等院校计算机教学中最理想的人工智能教材；同时，它也是人工智能领域的研究者或者那些想了解和应用当前人工智能技术的从业者的一本宝贵的专业参考著作。人工智能（AI）最开始的动机是想创造不仅能够独立思考，而且可能超越人类的机器：计算的最高级目标。在过去的很多年里，人工智能在探索智能机制的同时，在更广泛的实际领域取得了应用，人工智能使用不同的策略解决了很多在应用计算机技术时出现的复杂的实际问题、众所周知，智能本身是非常复杂的，难以用单一的理论来描述，因此，产生了一系列的理论从不同的抽象层次刻画这个主题。在最低层次，神经网络、遗传算法以及其他形式的理论可辅助理解适应性原理、感知机制以及与物理世界的交互机制。在更加抽象的层次，专家系统的设计、智能主体、随机模型以及自然语言理解程序反映了知识在智能中的角色和创建、传递、保持知识的社会过程、更深一层，逻辑学家提出了演绎、反绎、归纳、真值维护以及其他的推理模型和方式。在最新的第4版中，GeorgeF．Luger阐述复杂问题求解结构和策略的所有这些层次的理论，同时，他还指出智能研究本身的令人兴奋之处，并演示怎样使用不同的软件工具和技术去解决计算机科学家面临的复杂问题。本书特点●彻底和全面阐述人工智能理论的方方面面●将求解智能问题所需的理论基础与实际实现所需的数据结构和算法相结合●兼顾了LISP和PROLOG语言●把人工智能的应用程序应用于实际环境中●对人工智能中社会和哲学问题的独特讨论第4版的更新内容？？第4版的更新内容●加入了更加“基于智能主体”的问题解决方法●增加了强化学习的新资料●改善了基于贝叶斯推理技术这一章，加入了信念网络●来自NASA空间项目的基于模型的推理和规划实例●自然语言理解的新内容●从哲学、心理学以及神经生理学角度对人工智能努力所做的评价本书是经典的人工智能教材，适合一到两个学期使用，被宾夕法尼亚大学、密歇根大学、加州理工大学等众多高校选用。同时．本书也是人工智能领域的研究者或者想了解和应用当前人工智能技术的专业人员的优秀参考书。

　　GeorgeF.Luger1973年在宾夕法尼亚大学获得博士学位。在其后的五年，他的爱丁堡大学人工智能系从事博士后研究工作。他现在是新墨西哥大学的计算机科学、语言学以及心理学教授。他的研究兴趣、课程信息以及发表的论文可从以下网址找到：http：//www.cs.unm.edu.luger。

第一部分  人工智能的渊源及范围                  
 第1章  人工智能的历史及应用                  
 1. 1  从伊甸园到第一台电子计算机：对智慧. 知识和人类技能的态度                  
 1. 1. 1  历史基础                  
 1. 1. 2  逻辑的发展                  
 1. 1. 3  图灵测试                  
 1. 1. 4  智能的生物和社会模型：主体                  
 1. 2  人工智能的应用领域                  
 1. 2. 1  博弈                  
 1. 2. 2  自动推理和定理证明                  
 1. 2. 3  专家系统                  
 1. 2. 4  自然语言理解和语义建模                  
 1. 2. 5  对人类表现建模                  
 1. 2. 6  规划和机器人                  
 1. 2. 7  人工智能的语言和环境                  
 1. 2. 8  机器学习                  
 1. 2. 9  另类表示：神经网络和遗传算法                  
 1. 2. 10  AI和哲学                  
 1. 3  人工智能的概括                  
 1. 4  结语和参考文献                  
 1. 5  练习                  
 第二部分  作为表示和搜索的人工智能                  
 第2章  谓词演算                  
 2. 0  简介                  
 2. 1  命题演算                  
 2. 1. 1  符号和语句                  
 2. 1. 2  命题演算的语义                  
 2. 2  谓词演算                  
 2. 2. 1  谓词的语法和语句                  
 2. 2. 2  谓词演算的语义                  
 2. 2. 3  语义含义的积木世界例子                  
 2. 3  使用推理规则产生谓词演算表达式                  
 2. 3. 1  推理规则                  
 2. 3. 2  合一算法                  
 2. 3. 3  合一的例子                  
 2. 4  应用：一个基于逻辑的财务顾问                  
 2. 5  结语和参考文献                  
 2. 6  练习                  
 第3章  用以搜索状态空间的结构和策略                  
 3. 0  简介                  
 3. 1  图论                  
 3. 1. 1  状态空间搜索的结构                  
 3. 1. 2  问题的状态空间表示                  
 3. 2  用于状态空间搜索的策略                  
 3. 2. 1  数据驱动搜索和目标驱动搜索                  
 3. 2. 2  图搜索的实现                  
 3. 2. 3  深度优先搜索和宽度优先搜索                  
 3. 2. 4  迭代加深的深度优先搜索                  
 3. 3  利用状态空间来表示谓词演算推理                  
 3. 3. 1  逻辑系统的状态空间描述                  
 3. 3. 2  与或图                  
 3. 3. 3  进一步的例子和应用                  
 3. 4  结语和参考文献                  
 3. 5  练习                  
 第4章  启发式搜索                  
 4. 0  简介                  
 4. 1  启发式搜索算法                  
 4. 1. 1  实现最佳优先搜索                  
 4. 1. 2  实现启发评估函数                  
 4. 1. 3  启发式搜索和专家系统                  
 4. 2  可采纳性. 单调性和信息度                  
 4. 2. 1  可采纳性尺度                  
 4. 2. 2  单调性                  
 4. 2. 3  信息度更高的启发是更好的启发                  
 4. 3  在博弈中使用启发                  
 4. 3. 1  针对可穷举搜索情况的极小极大过程                  
 4. 3. 2  固定层深的极小极大过程                  
 4. 3. 3  a-B过程                  
 4. 4  复杂度问题                  
 4. 5  结语和参考文献                  
 4. 6  练习                  
 第5章  状态空间搜索的控制和实现                  
 5. 0  简介                  
 5. 1  基于递归的搜索                  
 5. 1. 1  递归                  
 5. 1. 2  递归搜索                  
 5. 2  模式导向搜索                  
 5. 2. 1  递归搜索实例：骑士周游问题                  
 5. 2. 2  改进模式搜索算法                  
 5. 3  产生式系统                  
 5. 3. 1  定义和历史                  
 5. 3. 2  产生式系统的例子                  
 5. 3. 3  产生式系统中的搜索控制                  
 5. 3. 4  产生式系统的优点                  
 5. 4  用于问题求解的黑板结构                  
 5. 5  结语和参考文献                  
 5. 6  练习                  
 第三部分  表示和智能：AI中的挑战                  
 第6章  知识表示                  
 6. 0  知识表示问题                  
 6. 1  AI表象图式的简要历史                  
 6. 1. 1  语义关联理论                  
 6. 1. 2  语义网络的早期研究                  
 6. 1. 3  网络关系的标准化                  
 6. 1. 4  脚本                  
 6. 1. 5  框架                  
 6. 2  概念图：网络语言                  
 6. 2. 1  概念图简介                  
 6. 2. 2  类型. 个体和名字                  
 6. 2. 3  类型层次                  
 6. 2. 4  泛化和特化                  
 6. 2. 5  命题结点                  
 6. 2. 6  概念图和逻辑                  
 6. 3  显式表示的替代方法                  
 6. 3. 1  Brookss假设和包容结构                  
 6. 3. 2  Copycat结构                  
 6. 4  基于主体的和分布式的问题求解方法                  
 6. 4. 1  面向主体的问题求解：定义                  
 6. 4. 2  面向主体模式的应用领域以及存在的问题                  
 6. 5  结语和参考文献                  
 6. 6  练习                  
 第7章  求解问题的强方法                  
 7. 0  简介                  
 7. 1  专家系统技术概览                  
 7. 1. 1  基于规则的专家系统                  
 7. 1. 2  问题选择和知识工程的步骤                  
 7. 1. 3  概念模型及其在知识获取中的作用                  
 7. 2  基于规则的专家系统                  
 7. 2. 1  产生式系统和目标驱动问题求解                  
 7. 2. 2  目标驱动推理中的解释和-透明性                  
 7. 2. 3  利用产生式系统进行数据驱动推理                  
 7. 2. 4  专家系统的启发和控制                  
 7. 3  基于模型系统. 基于案例系统和混合系统                  
 7. 3. 1  基于模型推理简介                  
 7. 3. 2  基于模型推理：来自NASA的例子(Williams and Nayak)                  
 7. 3. 3  基于案例推理介绍                  
 7. 3. 4  混合设计：强方法系统的优势和不足                  
 7. 4  规划                  
 7. 4. 1  简介                  
 7. 4. 2  使用规划宏：STRIPS                  
 7. 4. 3  teleo-reactive规划(Nilsson 1994, Benson 1995)                  
 7. 4. 4  规划：来自NASA的例子(Williams and Nayak)                  
 7. 5  结语和参考文献                  
 7. 6  练习                  
 第8章  不确定条件下的推理                  
 8. 0  简介                  
 8. 1  基于逻辑的反绎推理                  
 8. 1. 1  非单调推理逻辑                  
 8. 1. 2  真值维护系统                  
 8. 1. 3  基于最小模型的逻辑                  
 8. 1. 4  集合覆盖和基于逻辑的反绎(Stern 1996)                  
 8. 2  反绎：逻辑之外的办法                  
 8. 2. 1  Stanford确信度代数                  
 8. 2. 2  模糊集推理                  
 8. 2. 3  Dempster-Shafer证据理论                  
 8. 3  统计的方法处理不确定性                  
 8. 3. 1  贝叶斯推理                  
 8. 3. 2  贝叶斯信念网络                  
 8. 4  结语和参考文献                  
 8. 5  练习                  
 第四部分  机器学习                  
 第9章  基于符号的机器学习                  
 9. 0  概述                  
 9. 1  基于符号的学习的框架                  
 9. 2  变型空间搜索                  
 9. 2. 1  泛化操作和概念空间                  
 9. 2. 2  候选解排除算法                  
 9. 2. 3  LEX：启发式归纳搜索                  
 9. 2. 4  评价候选解排除算法                  
 9. 3  ID3决策树归纳算法                  
 9. 3. 1  自顶向下决策树归纳                  
 9. 3. 2  测试选择的信息论方法                  
 9. 3. 3  评价ID3                  
 9. 3. 4  决策树数据问题：打包. 推进                  
 9. 4  归纳偏置和学习能力                  
 9. 4. 1  归纳偏置                  
 9. 4. 2  可学习性理论                  
 9. 5  知识和学习                  
 9. 5. 1  Meta-DENDRAL                  
 9. 5. 2  基于解释的学习                  
 9. 5. 3  EBL和知识层学习                  
 9. 5. 4  类比推理                  
 9. 6  无监督学习                  
 9. 6. 1  发现和无监督学习                  
 9. 6. 2  概念聚类                  
 9. 6. 3  COBWEB和分类知识的结构                  
 9. 7  强化学习                  
 9. 7. 1  强化学习的组成部分                  
 9. 7. 2  一个例子：九宫游戏                  
 9. 7. 3  强化学习的推理算法和应用                  
 9. 8  结语和参考文献                  
 9. 9  练习                  
 第10章  连接主义的机器学习                  
 10. 0  介绍                  
 10. 1  连接网络的基础                  
 10. 2  感知机学习                  
 10. 2. 1  感知机学习算法                  
 10. 2. 2  例子：用感知机进行分类                  
 10. 2. 3  用delta规则                  
 10. 3  反传学习                  
 10. 3. 1  反传算法的起源                  
 10. 3. 2  反传算法实例1：NETtalk                  
 10. 3. 3  反传算法实例2：异或                  
 10. 4  竞争学习                  
 10. 4. 1  对于分类的"胜者全拿"学习                  
 10. 4. 2  学习原型的Kohonen网络                  
 10. 4. 3  Outstar网络和逆传                  
 10. 5  Hebbian一致性学习                  
 10. 5. 1  介绍                  
 10. 5. 2  无监督Hebbian学习的例子                  
 10. 5. 3  有监督Hebbian学习                  
 10. 5. 4  关联记忆和线性关联器                  
 10. 6  吸引子网络或记忆                  
 10. 6. 1  介绍                  
 10. 6. 2  BAM, 双向关联记忆                  
 10. 6. 3  BAM处理的例子                  
 10. 6. 4  自相关记忆和Hopfield网络                  
 10. 7  结语和参考文献                  
 10. 8  练习                  
 第11章  机器学习：社会性和涌现性                  
 11. 0  社会性和涌现性的学习模型                  
 11. 1  遗传算法                  
 11. 1. 1  两个例子：CNF可满足性问题和巡回推销员问题                  
 11. 1. 2  遗传算法的评估                  
 11. 2  分类器系统和遗传程序设计                  
 11. 2. 1  分类器系统                  
 11. 2. 2  用遗传算子进行程序设计                  
 11. 3  人工生命和基于社会的学习                  
 11. 3. 1  生命游戏                  
 11. 3. 2  进化规划                  
 11. 3. 3  涌现的实例研究(Crutchfield and Mitchell 1994)                  
 11. 4  结语和参考文献                  
 11. 5  练习                  
 第五部分  智能问题求解高级主题                  
 第12章  自动推理                  
 12. 0  定理证明中的弱方法                  
 12. 1  通用问题求解程序和差别表                  
 12. 2  归结定理证明                  
 12. 2. 1  介绍                  
 12. 2. 2  为进行归结反驳生成子句形式                  
 12. 2. 3  二元归结证明过程                  
 12. 2. 4  归结策略和简化技术                  
 12. 2. 5  从归结反驳中抽取解答                  
 12. 3  PROLOG和自动推理                  
 12. 3. 1  介绍                  
 12. 3. 2  逻辑编程和PROLOG                  
 12. 4  自动推理进一步的问题                  
 12. 4. 1  弱方法求解的统一表示法                  
 12. 4. 2  可选推理规则                  
 12. 4. 3  搜索策略及其使用                  
 12. 5  结语和参考文献                  
 12. 6  练习                  
 第13章  自然语言理解                  
 13. 0  自然语言理解问题                  
 13. 1  解构语言：符号分析                  
 13. 1. 1  介绍                  
 13. 1. 2  语言分析的过程                  
 13. 2  语法                  
 13. 2. 1  使用上下文无关文法说明和解析                  
 13. 2. 2转移网络解析器                  
 13. 2. 3  乔姆斯基层次和上下文相关文法                  
 13. 3  ATN解析器的语法和知识                  
 13. 3. 1  扩充转移网络解析器                  
 13. 3. 2  结合语法和语义知识                  
 13. 4  语言分析随机工具                  
 13. 4. 1  介绍                  
 13. 4. 2  马尔科夫模型方法                  
 15. 3  高阶函数和抽象                  
 15. 3. 1  映像和过滤器                  
 15. 3. 2  函数参数和lambda表达式                  
 15. 4  LISP中的搜索策略                  
 15. 4. 1  宽度优先和深度优先搜索                  
 15. 4. 2  最优搜索                  
 15. 5  LISP中的模式匹配                  
 15. 6  递归合一函数                  
 15. 7  解释器和嵌入式语言                  
 15. 8  LISP中的逻辑编程                  
 15. 8. 1  一个简单的逻辑编程语言                  
 15. 8. 2  流和流处理                  
 15. 8. 3  基于流的逻辑程序解释器                  
 15. 9  流和延迟分析                  
 15. 10  一个LISP的专家系统外壳                  
 15. 10. 1  实现确定性因子                  
 15. 10. 2  lisp-shell的体系结构                  
 15. 10, 3  用lisp-shell的分类                  
 15. 11  LISP中的语义网络和继承                  
 15. 12  用CLOS的面向对象的编程                  
 15. 12. 1  CLOS中类和实例的定义                  
 15. 12. 2  定义通用函数和方法                  
 15. 12. 3  CLOS中的继承                  
 15. 12. 4  例子：自动调温器仿真                  
 15. 13  LISP中的学习：ID3算法,                   
 15. 13. 1  用defstruct定义结构                  
 15. 13. 2  ID3算法                  
 15. 14  结语和参考文献                  
 15. 15  练习                  
 第七部分  后  记                  
 第16章  人工智能作为按经验进行                  
 探索的学科                  
 16. 0  引言                  
 16. 1  人工智能：修订后的定义                  
 16. 1. 1  人工智能和物理符号系统假设                  
 16, 1. 2  连接或者"神经"计算                  
 16. 1. 3  主体. 涌现和智能                  
 16. 2  智能系统科学                  
 16. 2. 1  心理学约束                  
 16. 2. 2  认识论问题                  
 16. 2. 3  情景角色和存在智能                  
 16. 3  人工智能：当前的问题和未来的方向                  
 16. 4  结语和参考文献                  
 参考文献                  
 作者索引                  
 主题索引