正版 人工智能(第3版)

第 一部分 引 言 第 1 章 人工智能概述 2 1.0 引言 2 1.0.1 人工智能的定义 3 1.0.2 思维与智能 3 1.1 图灵测试 5 1.1.1 图灵测试的定义 5 1.1.2 图灵测试的争议和批评 7 1.2 强人工智能与弱人工智能 9 1.3 启发式方法 10 1.3.1 长方体的对角线：解决一个相对简单但相关的问题 10 1.3.2 水壶问题：反向倒推 11 1.4 识别适用人工智能来求解的问题 12 1.5 应用和方法 14 1.5.1 搜索算法和拼图问题 15 1.5.2 二人博弈 16 1.5.3 自动推理 17 1.5.4 产生式规则和专家系统17 1.5.5 细胞自动机 18 1.5.6 神经计算 19 1.5.7 遗传算法 20 1.5.8 知识表示 21 1.5.9 不确定性推理 22 1.6 人工智能的早期历史 23 1.7 人工智能的近期历史到现在 26 1.7.1 计算机博弈 26 1.7.2 专家系统 27 1.7.3 神经计算 28 1.7.4 进化计算 28 1.7.5 自然语言处理 29 1.7.6 生物信息学 31 1.8 新千年人工智能的发展 31 1.9 本章小结 32 第二部分 基 础 知 识 第 2 章 盲目搜索 42 2.0 简介：智能系统中的搜索 42 2.1 状态空间图 43 2.1.1 假币问题 43 2.2 生成-测试范式 45 2.2.1 回溯法 46 2.2.2 贪心算法 50 2.2.3 旅行商问题 52 2.3 盲目搜索算法 54 2.3.1 深度优先搜索 54 2.3.2 广度优先搜索 56 2.4 盲目搜索算法的实现和比较 58 2.4.1 深度优先搜索的实现 58 2.4.2 广度优先搜索的实现 60 2.4.3 问题求解性能的衡量指标 61 2.4.4 DFS 和 BFS 的比较 61 2.5 本章小结 64 第 3 章 知情搜索 70 3.0 引言 70 3.1 启发式方法 72 3.2 知情搜索（第 一部分）——找到任一解 76 3.2.1 爬山法 76 3.2.2 最陡爬山法 77 3.3 很好优先搜索 80 3.4 集束搜索 83 3.5 搜索算法的其他指标 84 3.6 知情搜索（第二部分）——找到很优解 85 3.6.1 分支定界法 85 3.6.2 使用低估计启发值的分支定界法 90 3.6.3 采用动态规划的分支定界法 93 3.6.4 A*搜索 94 3.7 知情搜索（第三部分）—高级搜索算法 95 3.7.1 约束满足搜索 95 3.7.2 与或树 96 3.7.3 双向搜索 97 3.8 本章小结 99 第 4 章 博弈中的搜索 104 4.0 引言 104 4.1 博弈树和极小化极大评估 105 4.1.1 启发式评估 106 4.1.2 博弈树的极小化极大评估 107 4.2 带α-β 剪枝的极小化极大算法 110 4.3 极小化极大算法的变体和改进 114 4.3.1 负极大值算法 115 4.3.2 渐进深化法 116 4.3.3 启发式方法的后续和地平线效应 117 4.4 机会博弈和期望极小化极大算法 117 4.5 博弈论 119 4.6 本章小结 121 第 5 章 人工智能中的逻辑 126 5.0 引言 126 5.1 逻辑和表示 127 5.2 命题逻辑 128 5.2.1 基础知识 129 5.2.2 命题逻辑中的论证 133 5.2.3 证明命题逻辑论证有效的第二种方法 134 5.3 谓词逻辑简介 135 5.3.1 谓词逻辑中的合一 136 5.3.2 谓词逻辑中的归结 138 5.3.3 将谓词表达式转换为子句形式 140 5.4 其他一些逻辑 143 5.4.1 二阶逻辑 143 5.4.2 非单调逻辑 144 5.4.3 模糊逻辑 144 5.4.4 模态逻辑 144 5.5 本章小结 145 第 6 章 知识表示 151 6.0 引言 151 6.1 图形草图和人类视窗 154 6.2 图和哥尼斯堡桥问题 157 6.3 搜索树 158 6.3.1 决策树 158 6.4 表示方法的选择 159 6.5 产生式系统 162 6.6 面向对象 162 6.7 框架 164 6.8 脚本和概念依赖系统 166 6.9 语义网络 169 6.10 关联 171 6.11 最近的方法 172 6.11.1 概念地图 172 6.11.2 概念图 174 6.11.3 Baecker 的工作 174 6.12 智能体：智能或其他 175 6.12.1 智能体的一些历史 177 6.12.2 当代智能体 179 6.12.3 语义网 180 6.12.4 IBM 眼中的未来世界 180 6.12.5 本书作者的观点 181 6.13 本章小结 181 第 7 章 产生式系统 188 7.0 引言 188 7.1 背景 188 7.2 基本示例 190 7.3 CarBuyer 系统 192 7.4 产生式系统和推理方法 197 7.4.1 冲突消解 199 7.4.2 前向链接 201 7.4.3 后向链接 202 7.5 产生式系统和细胞自动机 206 7.6 随机过程与马尔可夫链 208 7.7 本章小结 209 第三部分 基于知识的系统 第 8 章 人工智能中的不确定性 214 8.0 引言 214 8.1 模糊集 214 8.2 模糊逻辑 216 8.3 模糊推理 217 8.4 概率论和不确定性 220 8.5 本章小结 224 第 9 章 专家系统 227 9.0 引言 227 9.1 背景 227 9.1.1 人类专家和机器专家 228 9.2 专家系统的特点 233 9.3 知识工程 234 9.4 知识获取 236 9.5 经典的专家系统 238 9.5.1 DENDRAL 238 9.5.2 MYCIN 239 9.5.3 EMYCIN 241 9.5.4 PROSPECTOR 241 9.5.5 模糊知识和贝叶斯规则 243 9.6 提高效率的方法 245 9.6.1 守护规则 245 9.6.2 Rete 算法 246 9.7 基于案例的推理 247 9.8 更多近期新的专家系统 251 9.8.1 就业匹配改善系统 251 9.8.2 振动故障诊断专家系统 252 9.8.3 自动牙齿识别 252 9.8.4 更多采用案例推理的专家系统 253 9.9 本章小结 253 第 10 章 机器学习第 一部分：神经 网络 259 10.0 引言 259 10.1 机器学习概述 260 10.2 机器学习系统中反馈的作用 262 10.3 归纳学习 263 10.4 利用决策树进行学习 264 10.5 决策树适用的问题 265 10.6 熵 266 10.7 使用 ID3 构建决策树 267 10.8 其他问题 269 10.9 人工神经网络的基本原理 270 10.10 麦卡洛克-皮茨网络 271 10.11 感知器学习规则 272 10.12 增量规则 280 10.13 反向传播 284 10.14 实现中的问题 289 10.14.1 模式分析 292 10.14.2 训练方法 293 10.15 离散霍普菲尔德网络 294 10.16 应用领域 298 10.17 本章小结 305 第 11 章 机器学习第二部分：深度学习 314 11.0 引言 314 11.1 深度学习应用简介 315 11.2 深度学习网络中的层 315 11.3 深度学习类型 316 11.3.1 多层神经网络 316 11.3.2 卷积神经网络317 11.3.3 循环神经网络 321 11.3.4 长短期记忆网络 322 11.3.5 递归神经网络 322 11.3.6 堆叠自编码器 322 11.3.7 极限学习机 323 11.4 本章小结 325 第 12 章 受大自然启发的搜索 333 12.0 引言 333 12.1 模拟退火 334 12.2 遗传算法 337 12.3 遗传规划 344 12.4 禁忌搜索 348 12.5 蚁群优化算法 350 12.6 本章小结 353 第四部分 高 级 专 题 第 13 章 自然语言理解 362 13.0 引言 362 13.1 概述：语言的问题和可能性 362 13.2 自然语言处理的历史 364 13.2.1 奠基时期（20 世纪 40 年代和 50 年代） 364 13.2.2 符号方法与随机方法（1957—1970） 365 13.2.3 4 种范式（1970— 1983） 365 13.2.4 经验主义和有限状态模型（1983—1993） 366 13.2.5 大融合时期（1994— 1999） 367 13.2.6 机器学习的兴起（2000—2008） 367 13.3 语法和形式语法 367 13.3.1 语法类型 368 13.3.2 句法解析：CYK 算法 371 13.4 语义分析和扩展语法 373 13.4.1 转换语法 373 13.4.2 系统语法 373 13.4.3 格语法 374 13.4.4 语义语法 375 13.4.5 尚克的系统 376 13.5 NLP 中的统计方法 379 13.5.1 统计解析 379 13.5.2 机器翻译（回顾）和 IBM 的 Candide 系统 380 13.5.3 词义消歧 380 13.6 用于统计 NLP 的概率模型 381 13.6.1 隐马尔可夫模型 381 13.6.2 维特比算法 383 13.7 用于统计 NLP 的语言数据集 384 13.7.1 宾州树库项目 384 13.7.2 WordNet 385 13.7.3 NLP 中的隐喻模型 385 13.8 应用：信息提取和问答系统 387 13.8.1 问答系统 387 13.8.2 信息提取 391 13.9 当前和未来的研究（基于查尼阿克的观点） 392 13.10 语音理解 392 13.10.1 语音理解技术 392 13.11 语音理解的应用 395 13.11.1 Dragon 自然语音系统 和 Windows 语音识别系统 396 13.12 本章小结 399 第 14 章 自动规划 406 14.0 引言 406 14.1 规划问题 407 14.1.1 规划中的术语 407 14.1.2 规划的应用示例 408 14.2 规划简史和有名的框架问题 412 14.2.1 框架问题 413 14.3 规划方法 414 14.3.1 规划即搜索 414 14.3.2 偏序规划 418 14.3.3 层次规划 419 14.3.4 基于案例的规划 420 14.3.5 规划方法集锦 421 14.4 早期的规划系统 422 14.4.1 STRIPS 422 14.4.2 NOAH 422 14.4.3 NONLIN 423 14.5 更多的现代规划系统 424 14.5.1 O-PLAN 424 14.5.2 Graphplan 426 14.5.3 规划系统集锦 427 14.5.4 面向学习系统的规划方法 427 14.5.5 SciBox 自动规划器 428 14.6 本章小结 430 第五部分 现在和未来 第 15 章 机器人技术 438 15.0 引言 438 15.1 历史：服务人类、模仿人类、增强人类和替代人类 440 15.1.1 早期的机械机器人 440 15.1.2 电影与文学作品中的机器人 442 15.1.3 20 世纪的机器人 443 15.2 技术问题 447 15.2.1 机器人的组件 447 15.2.2 运动 450 15.2.3 点位机器人的路径规划 451 15.2.4 移动机器人运动学 451 15.3 应用：21 世纪的机器人 453 15.4 本章小结 460 第 16 章 高级计算机博弈 462 16.0 引言 462 16.1 跳棋：从塞缪尔到谢弗 462 16.1.1 跳棋游戏中的启发式学习方法 465 16.1.2 机械式学习与泛化 467 16.1.3 签名表评估和棋谱学习 468 16.1.4 谢弗的 Chinook：跳棋程序中的世界冠军 468 16.1.5 跳棋博弈问题已被解决 470 16.2 国际象棋：人工智能的“果蝇” 472 16.2.1 计算机国际象棋的历史背景 473 16.2.2 编程方法 474 16.2.3 超越地平线效应 482 16.2.4 Deep Thought 和 Deep Blue 与特级大师的较量：1988 年至 1995 年 482 16.3 计算机国际象棋程序对人工智能的贡献 484 16.3.1 机器搜索 484 16.3.2 人类搜索与机器搜索 484 16.3.3 启发式方法、知识和问题求解 485 16.3.4 暴力计算：知识与搜索，表现与能力 486 16.3.5 残局数据库和并行计算 487 16.3.6 本书作者 Danny Kopec 的贡献 491 16.4 其他博弈游戏 491 16.4.1 奥赛罗棋 491 16.4.2 双陆棋 493 16.4.3 桥牌 494 16.4.4 扑克 495 16.5 围棋：人工智能的“新果蝇” 497 16.6 本章小结 499 第 17 章 AI 大事记 507 17.0 引言 507 17.1 本书第 1 部分回顾 507 17.2 普罗米修斯归来 509 17.3 本书第 2 部分回顾：目前 AI 领域的成就 510 17.4 IBM 沃森-危险边缘挑战赛 513 17.5 21 世纪的人工智能 517 17.6 本章小结 518 第六部分 安全和编程 第 18 章 网络安全中的人工智能（选读） 522 18.0 引言 522 18.1 IPsec 523 18.2 SA. 523 18.3 安全策略 524 18.3.1 安全策略数据库 524 18.3.2 SA 选择器 524 18.3.3 SA 的组合 524 18.3.4 IPsec 协议模式 524 18.3.5 防重放窗口 525 18.4 安全电子交易 525 18.4.1 SET 的业务需求 526 18.5 入侵者 526 18.6 入侵检测 527 18.6.1 入侵检测方法 527 18.7 恶意程序 529 18.7.1 病毒程序生命周期的不同阶段 529 18.8 反病毒扫描 529 18.8.1 反病毒扫描程序的不同版本 530 18.9 蠕虫程序 530 18.10 防火墙 530 18.10.1 防火墙的特点 531 18.10.2 防火墙控制访问的方式 531 18.10.3 防火墙的类型 531 18.11 可信系统 531 18.12 本章小结 534 第 19 章 人工智能编程工具（选读） 538 19.1 Prolog 538 19.1.1 Prolog 与 C/C++的不同 539 19.1.2 Prolog 的运行机制 540 19.1.3 Prolog 语言发展的里程碑 540 19.1.4 子句 541 19.1.5 Robinson 归结原理 543 19.1.6 Prolog 程序的组成 544 19.1.7 数据库查询 544 19.1.8 Prolog 的查询求解过程 544 19.1.9 复合查询 545 19.1.10 _变量 545 19.1.11 Prolog 中的递归 545 19.1.12 Prolog 中的数据结构：列表 546 19.1.13 列表的头部和尾部 546 19.1.14 输出列表中的所有元素 547 19.1.15 逆序输出列表中的元素 547 19.1.16 为列表追加元素 547 19.1.17 确定给定元素是否在列表中 547 19.1.18 输出列表的长度 547 19.1.19 Prolog 的执行控制 547 19.1.20 Turbo Prolog 550 19.2 Python 551 19.2.1 运行 Python 552 19.2.2 Python 的不足之处 553 19.2.3 Python 的特性 553 19.2.4 作为第 一类对象的函数 555 19.2.5 有用的 Python 库 556 19.2.6 实用工具 557 19.2.7 测试代码 559 19.3 MATLAB 559 19.3.1 开始使用 MATLAB 559 19.3.2 使用 MATLAB 进行计算 560 19.3.3 绘图 564 19.3.4 符号计算 569 19.3.5 Python 用户如何使用MATLAB 570

史蒂芬·卢奇（Stephen Lucci）拥有纽约市立大学研究生院的博士学位，在纽约城市学院教授计算机科学，在高性能计算和人工智能领域发表过多篇文章。 萨尔汗·M. 穆萨（Sarhan M. Musa）博士，在普雷里维尤农工大学（Prairie View A&M） 任 教， 著 有 Computational Nanophotonics（CRC Press） 和 Finite Element Analysis （MLI）等多部图书。 丹尼·科佩克（Danny Kopec）（已故），本书第 2 版的合著者，曾任教于布鲁克林学院，著有多部图书，是一位国际象棋大师。

作为计算机科学的一个分支，人工智能主要研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统，涉及机器人、语音识别、图像识别、自然语言处理和专家系统等方向。 本书包括引言、基础知识、基于知识的系统、人工智能高级专题、人工智能的现在和未来以及安全与编程六部分内容。第一部分从人工智能的定义讲起，对人工智能的早期历史、思维和智能的内涵、图灵测试、启发式方法、新千年人工智能的发展进行了简要论述。第二部分详细讲述了人工智能中的盲目搜索、知情搜索、博弈中的搜索、人工智能中的逻辑、知识表示和产生式系统等基础知识。第三部分介绍并探究了人工智能领域的成功案例，如DENDRAL、MYCIN、EMYCIN 等经典的专家系统，振动故障诊断、自动牙科识别等新的专家系统，也介绍了机器学习、深度学习以及受到自然启发的搜索算法等。第四部分介绍了自然语言处理和自动规划等高级专题。第五部分对人工智能的历史和现状进行了梳理，回顾了几十年来人工智能所取得的诸多成就，并对其未来进行了展望。第六部分主要介绍人工智能的安全以及编程问题。 本书系统、全面地讲解了人工智能的相关知识，既简明扼要地介绍了这一学科的基础知识，也对自然语言处理、自动规划、神经网络等内容进行了拓展，更辅以实例，可以帮助读者扎扎实实打好基础。本书内容易读易学，适合人工智能相关领域和对该领域感兴趣的读者阅读，也适合高校计算机专业的教师和学生参考。

1.人工智能经典教材，更加适合本科生、研究生使用。 2.新增深度学习、人工智能安全和人工智能编程等新进展、新成果； 3.图文并茂，结合人物轶事、应用之窗，提高趣味性和实用性； 4.章末提供习题，并附有解决方案，巩固知识、夯实基础； 5.突出人工智能发展中人的作用和贡献，体现了以人为本的人工智能； 6.本书附赠源代码文件、配套习题答案、配套教学视频以及教师可用的PPT教学课件。