☆☆☆☆☆
简体网页||繁体网页



点击这里下载

类似图书 点击查看全场最低价

---

编辑推荐

　　本书参考了许多较新的国外同类教材和其他文献，力图保持新颖性和实用性，强调基本概念和基本观点，注重理论和实际相结合，配备有大量辅助教学的演示实例及推理系统。
　　本书作为大学本科学习人工智能的教科书,虽然内容较多,但可以选择一些基本内容，如问题求解、知识表达、推理等基本方法与技术、数据挖掘技术等进行讲授。本书也可以作为研究生教材和计算机专业工作者了解人工智能的自学用书。

内容简介

　　本书系统地阐述了人工智能的基本原理、实现技术及其应用，全面地反映了国内外人工智能研究领域的新进展和发展方向。全书共19章，分为4个部分：第1部分是搜索与问题求解，用8章的篇幅系统地叙述了人工智能中各种搜索方法求解的原理和方法，内容包括状态空间和传统的图搜索算法、和声算法、禁忌搜索算法、遗传算法、免疫算法、粒子群算法、蚁群算法和Agent技术等；第2部分为知识与推理，用4章的篇幅讨论各种知识表示和处理技术、各种典型的推理技术，还包括非经典逻辑推理技术和非协调逻辑推理技术；第3部分为学习与发现，用3章的篇幅讨论传统的机器学习算法、神经网络学习算法、数据挖掘和知识发现技术；第4部分为领域应用，用3章分别讨论专家系统开发技术和自然语言处理原理和方法。
　　这些内容能够使读者对人工智能的基本概念和人工智能系统的构造方法有一个比较清楚的认识，对人工智能研究领域里的*新成果有所了解。
　　本书强调先进性、实用性和可读性，可作为计算机、信息处理、自动化和电信等IT相关专业的高年级本科生和研究生学习人工智能的教材，也可供从事计算机科学研究、开发和应用的教学和科研人员参考。

内页插图

目录

第1章概述
1.1人工智能概述
1.2AI的产生及主要学派
1.3人工智能、专家系统和知识工程
1.4AI模拟智能成功的标准
1.5人工智能应用系统
1.6人工智能的技术特征
习题1
第1部分搜索与问题求解
第2章用搜索求解问题的基本原理
2.1搜索求解问题的基本思路
2.2实现搜索过程的三大要素
2.2.1搜索对象
2.2.2扩展规则
2.2.3目标测试
2.3通过搜索求解问题
2.4问题特征分析
2.4.1问题的可分解性
2.4.2问题求解步骤的撤回
2.4.3问题全域的可预测性
2.4.4问题要求的解的满意度
习题2
第3章搜索的基本策略
3.1盲目搜索方法
3.1.1宽度优先搜索
3.1.2深度优先搜索
3.1.3分支有界搜索
3.1.4迭代加深搜索
3.1.5一个盲目搜索问题的几种实现
3.2启发式搜索
3.2.1启发式信息的表示
3.2.2几种最基本的搜索策略
3.3随机搜索
3.3.1模拟退火法
3.3.2其他典型的随机搜索算法
习题3
第4章图搜索策略
4.1或图搜索策略
4.1.1通用或图搜索算法
4.1.2A算法与A*算法
4.2与/或图搜索
4.2.1问题归约求解方法与“与/或图”
4.2.2与/或图搜索
4.2.3与/或图搜索的特点
4.2.4与/或图搜索算法AO*
4.2.5对AO*算法的进一步观察
4.2.6用AO*算法求解一个智力难题
习题4
第5章博弈与搜索
5.1人机大战
5.1.1国际象棋人机大战
5.1.2围棋人机大战
5.2博弈与对策
5.3极小极大搜索算法
5.3.1极小极大搜索的思想
5.3.2极小极大搜索算法
5.3.3算法分析与举例
5.4α-β剪枝算法
习题5
第6章演化搜索算法
6.1遗传算法的基本概念
6.1.1遗传算法的基本定义
6.1.2遗传算法的基本流程
6.2遗传编码
6.2.1二进制编码
6.2.2Gray编码
6.2.3实数编码
6.2.4有序编码
6.2.5结构式编码
6.3适应值函数
6.4遗传操作
6.4.1选择
6.4.2交叉操作
6.4.3变异操作
6.5初始化群体
6.6控制参数的选取
6.7算法的终止准则
6.8遗传算法的基本理论
6.8.1模式定理
6.8.2隐含并行性
6.8.3构造块假设
6.8.4遗传算法的收敛性
6.9遗传算法简例
6.10遗传算法的应用领域
6.11免疫算法
6.11.1免疫算法的发展
6.11.2免疫算法的基本原理
6.11.3生物免疫系统与人工免疫系统的对应关系
6.11.4免疫算法的基本类型和步骤
6.12典型免疫算法分析
6.12.1阴性选择算法
6.12.2免疫遗传算法
6.12.3克隆选择算法
6.12.4基于疫苗的免疫算法
6.13免疫算法设计分析
6.14免疫算法与遗传算法比较
6.14.1免疫算法与遗传算法的基本步骤比较
6.14.2免疫算法与遗传算法不同之处
6.14.3仿真实验及讨论
6.15免疫算法研究的展望
习题6
第7章群集智能算法
7.1群集智能算法的研究背景
7.2群集智能的基本算法介绍
7.2.1蚁群算法
7.2.2flock算法
7.2.3粒子群算法
7.3集智系统介绍
7.3.1人工鱼
7.3.2Terrarium世界
7.4群集智能的优缺点
习题7
第8章记忆型搜索算法
8.1禁忌搜索算法
8.1.1禁忌搜索算法的基本思想
8.1.2禁忌搜索算法的基本流程
8.1.3禁忌搜索示例
8.1.4禁忌搜索算法的基本要素分析
8.1.5禁忌搜索算法流程的特点
8.1.6禁忌搜索算法的改进
8.2和声搜索算法
8.2.1和声搜索算法简介和原理
8.2.2算法应用
8.2.3算法比较与分析
习题8
第9章基于Agent的搜索
9.1DAI概述
9.2分布式问题求解
9.3Agent的定义
9.3.1Agent的弱定义
9.3.2Agent的强定义
9.4Agent的分类
9.4.1按功能划分
9.4.2按属性划分
9.5Agent通信
9.5.1Agent通信概述
9.5.2言语动作
9.5.3SHADE通信机制
9.6移动Agent
9.6.1移动Agent系统的一般结构
9.6.2移动Agent的分类
9.6.3移动Agent的优点
9.6.4移动Agent的技术难点
9.6.5移动Agent技术的标准化
9.7移动Agent平台的介绍
9.7.1General Magic公司的Odysses
9.7.2IBM公司的Aglet
习题9
第2部分知识与推理
第10章知识表示与处理方法
10.1概述
10.1.1知识和知识表示的含义
10.1.2知识表示方法分类
10.1.3AI对知识表示方法的要求
10.1.4知识表示要注意的问题
10.2逻辑表示法
10.3产生式表示法
10.3.1产生式系统的组成
10.3.2产生式系统的知识表示
10.3.3产生式系统的推理方式
10.3.4产生式规则的选择与匹配
10.3.5产生式表示的特点
10.4语义网络表示法
10.4.1语义网络结构
10.4.2二元语义网络的表示
10.4.3多元语义网络的表示
10.4.4连接词和量词的表示
10.4.5语义网络的推理过程
10.4.6语义网络的一般描述
10.5框架表示法
10.5.1框架理论
10.5.2框架结构
10.5.3框架表示下的推理
10.6过程式知识表示
习题10
第11章谓词逻辑的归结原理及其应用
11.1命题演算的归结方法
11.1.1基本概念
11.1.2命题演算的归结方法
11.2谓词演算的归结
11.2.1谓词演算的基本问题
11.2.2将公式化成标准子句形式的步骤
11.2.3合一算法
11.2.4变量分离标准化
11.2.5谓词演算的归结算法
11.3归结原理
11.3.1谓词演算的基本概念
11.3.2归结方法可靠性证明
11.3.3归结方法的完备性
11.4归结过程的控制策略
11.4.1简化策略
11.4.2支撑集策略
11.4.3线性输入策略
11.4.4几种推理规则及其应用
11.5应用实例
11.5.1归约在逻辑电路设计中的应用
11.5.2利用推理破案的实例
习题11
第12章非经典逻辑的推理
12.1非单调推理
12.1.1单调推理与非单调推理的概念
12.1.2默认逻辑
12.1.3默认逻辑非单调推理系统
12.2Dempster�睸hater（D�睸）证据理论
12.2.1识别框架
12.2.2基本概率分配函数
12.2.3置信函数Bel(A)
12.2.4置信区间
12.2.5证据的组合函数
12.2.6D�睸理论的评价
12.3不确定性推理
12.3.1不确定性
12.3.2主观概率贝叶斯方法
12.4MYCIN系统的推理模型
12.4.1理论和实际的背景
12.4.2MYCIN模型
12.4.3MYCIN模型分析
12.4.4MYCIN推理网络的基本模式
12.4.5MYCIN推理模型的评价
12.5模糊推理
12.5.1模糊集论与模糊逻辑
12.5.2Fuzzy聚类分析
12.6基于案例的推理
12.6.1基于案例推理的基本思想
12.6.2案例的表示与组织
12.6.3案例的检索
12.6.4案例的改写
12.7归纳法推理
12.7.1归纳法推理的理论基础
12.7.2归纳法推理的基本概念
12.7.3归纳法推理中的主要难点
12.7.4归纳法推理的应用
习题12
第13章次协调逻辑推理
13.1次协调逻辑的含义
13.1.1传统的人工智能与经典逻辑
13.1.2人工智能中不协调的数据和知识库
13.1.3次协调逻辑
13.2注解谓词演算
13.2.1多真值格
13.2.2注解逻辑
13.2.3注解谓词公式的语义
13.2.4APC中的不协调、非、蕴涵
13.3基于APC的SLDa�餐频己蚐LDa�卜床�
13.3.1SLDa�餐频己蚐LDa�卜床�
13.3.2注解逻辑推理方法
13.3.3注解逻辑推理举例
13.4注解逻辑的归结原理
13.5应用实例
13.6控制策略
习题13
第3部分学习与发现
第14章机器学习
14.1概述
14.1.1机器学习的定义和意义
14.1.2机器学习的研究简史
14.1.3机器学习方法的分类
14.1.4机器学习中的推理方法
14.2归纳学习
14.2.1归纳概念学习的定义
14.2.2归纳概念学习的形式描述
14.2.3归纳概念学习算法的一般步骤
14.2.4归纳概念学习的基本技术
14.3基于解释的学习
14.3.1基于解释学习的基本原理
14.3.2基于解释学习的一般框架
14.3.3基于解释的学习过程
14.4基于类比的学习
14.4.1类比学习的一般原理
14.4.2类比学习的表示
14.4.3类比学习的求解
14.4.4逐步推理和监控的类比学习
习题14
第15章人工神经网络
15.1人工神经网络的特点
15.2人工神经网络的基本原理
15.3人工神经网络的基本结构模式
15.4人工神经网络互连结构
15.5神经网络模型分类
15.6几种基本的神经网络学习算法介绍
15.6.1Hebb型学习
15.6.2误差修正学习方法
15.6.3随机型学习
15.6.4竞争型学习
15.6.5基于记忆的学习
15.6.6结构修正学习
15.7几种典型神经网络简介
15.7.1单层前向网络
15.7.2多层前向网络及BP学习算法
15.7.3Hopfield神经网络
15.8人工神经网络与人工智能其他技术的比较
15.9人工神经网络的应用领域
习题15
第16章数据挖掘与知识发现
第17章专家系统
第18章自然语言处理
第19章智能机器人

精彩书摘

　　第3章
　　搜索的基本策略
　　本章主要讨论搜索的基本策略，即怎样搜索才可以最有效地达到目标。搜索的基本策略根据扩展的利用问题的特征信息的方式可分为盲目搜索、启发式搜索和随机搜索。如果没有利用问题的特征信息，一般的搜索方式与平时找东西在策略上可以说是相同的：
　　当我们在慌乱之中寻找东西的时候通常使用的就是随机搜索。
　　当我们在清醒时，有条理地寻找东西的方法大致可以分成两类： 一种是找眼镜模式，它指的是眼镜掉了的时候总是从最近的地方开始寻找，慢慢地扩大搜索的范围； 另一种是走迷宫模式，它指的是在走迷宫的时候由于无法分身只有一条路走到底，走不通再回溯的走法。
　　这3种方法分别对应的就是随机搜索、广度搜索和深度搜索。
　　下面按是否利用问题的特征信息划分搜索策略的方法，讨论盲目搜索、启发式搜索和随机搜索。
　　3.1盲目搜索方法
　　盲目搜索方法又叫非启发式搜索，是一种无信息搜索（uninformed search），一般只适用于求解比较简单的问题。下面将要讨论的几个搜索方法，它们均属于盲目搜索方法，虽然其他课程也讨论类似的算法，但我们要注重在这里的算法表达方法。
　　3.1.1宽度优先搜索
　　在一个搜索树中，如果搜索是以同层邻近节点依次扩展节点的，那么这种搜索就叫宽度优先搜索（breath�瞗irst search）。这种搜索是逐层进行的，在对下一层的任一节点进行搜索之前，必须搜索完本层的所有节点。
　　在本节讨论的盲目搜索算法中存放节点都采用一种简单的数据结构——表，表是将节点按一定的顺序用逗号隔开放在一对括号中的一种数据结构，在表的首部和尾部都可以加入和删除节点。
　　宽度优先搜索算法如下。
　　（1） 令N为一个由初始状态构成的表。
　　（2） 若N为空退出，标志失败。
　　（3） 令n为N中第一个节点，将n从N中删除。
　　（4） 若n是目标，则退出，标志成功。
　　（5） 若n不是目标，将n的后继节点加入到N表的末端，转第（2）步。
　　宽度优先搜索的优点： 若问题有解，则可找出最优解。缺点： 效率低，组合爆炸问题难以解决。
　　3.1.2深度优先搜索
　　与宽度优先搜索对应的一种盲目搜索叫做深度优先搜索(depth�瞗irst search)。在深度优先搜索中，首先扩展最新产生的（即最深的）节点到表中。深度相等的节点可以任意排列。
　　深度优先搜索算法如下。
　　（1） 令N为一个由初始状态构成的表。
　　（2） 若N为空退出，标志失败。
　　（3） 令n为N中第一个节点，将n从N中删除。
　　（4） 若n是目标，则退出，标志成功。
　　（5） 若n不是目标，将n的后继节点加入到N表的首部，转第（2）步。
　　深度优先搜索的优点： 节省大量时间和空间。缺点： 不一定能找到解。因为在深度无限搜索树的情况下，最坏的情况可能是不能停机。
　　广度和深度优先搜索虽然在搜索的策略上走了两个极端，但是它们在控制策略上的差异并不大。它们大都假设以队列作为数据结构，每次选队列的第一个节点进行拓展。广度和深度优先搜索的区别在于： 广度优先搜索把结果存在队列的尾部； 而深度优先搜索则是把它存在首部，只有一字之差。
　　3.1.3分支有界搜索
　　分支有界搜索（branch�瞐nd�瞓ound）也是一种深度优先搜索，但每个分支都规定了一个统一的搜索深度，搜索到这个深度后，如果没有找到目标便自动退回到上一层，继续按深度优先搜索。其算法如下。
　　（1） 令N为一由初始状态构成的表。
　　（2） 若N为空退出，标志失败。
　　（3） 令n为N中第一个节点，将n从N中删除。
　　（4） 若n是目标，则退出，标志成功。
　　（5） 若n深度为预先定好的一个界dmax，则转第（2）步。
　　（6） 若n不是目标，将n的后继节点加入到N表的首部，转第（2）步。
　　此方法若被搜索树的深度远大于目标点的深度，则快于深度优先搜索。
　　3.1.4迭代加深搜索
　　迭代加深搜索（iterative deepening）是在分支有界搜索的基础上，对dmax进行迭代，即逐步加深。这是一种同时兼顾深度和宽度的搜索方法。在限定的深度内，保证了对宽度节点的搜索，如果没有找到解，再加深深度。
　　3.1.5一个盲目搜索问题的几种实现
　　这里给出一个简单的盲目搜索问题： 对于中国象棋，如果“马”（棋子的名称）当前所在位置是(x,y)，它跳一步可能到达的位置最多有8个，如图3��1所示。
　　要求设计一个算法，对于任意给定的棋盘上的坐标位置tp，输出马从当前位置cp出发通过搜索到达的该坐标位置tp。
　　……

前言/序言

　　人工智能作为研究机器智能和智能机器的一门综合性高技术学科，产生于20世纪50年代，曾经在20世纪末经历了一个轰轰烈烈的研究和发展时期，并且取得过不少令人鼓舞的成就，至今它仍然是计算机科学中备受人们重视和非常具有吸引力的前沿学科，并不断衍生出很多新的研究方向。
　　使计算机程序具有智能，能够模拟人的思维和行为，一直是计算机科学工作者的理想和追求。尽管人工智能的发展道路崎岖不平，自始至终充满了艰辛，但不畏艰难地从事人工智能研究的科学工作者们并没有放弃对这个理想的追求；尽管计算机科学其他分支的发展也非常迅猛，并不断出现些新的学科领域，但是当这些学科的发展进一步深化的时候，人们不会忘记这样一个共同的目标：要使计算机更加智能化。所以不同知识背景和专业的人们都密切关注人工智能这门具有崭新思想和实用价值的综合性学科，并正从这个领域发现某些新思想和新方法。
　　人工智能的研究范畴不只局限于计算机科学和技术，而是涉及心理学、认知科学、思维科学、信息科学、系统科学和生物科学等多个学科，目前已在知识处理、模式识别、自然语言处理、博弈、自动定理证明、自动程序设计、专家系统、知识库、智能机器人、智能计算、数据挖掘和知识发现等多个领域取得了举世瞩目的成果，并形成了多元化的发展方向。近几年来，随着计算机网络，尤其是Internet的发展，多媒体、分布式人工智能和开放分布式环境下的多智体（multi�瞐gent）以及知识挖掘等计算机主流技术的兴起，使得人工智能研究更加活跃，拓宽了其研究和应用的领域，正朝着健康和成熟的方向发展。
　　然而，也必须看到尽管人工智能取得了以上所述的许多成果，但是比起人工智能刚刚兴起时许多专家的预想还相差甚远，很多在当时过于乐观的设想并没有实现，探究其原因 人工智能（第3版）/21世纪高等学校计算机专业实用规划教材 电子书 下载 mobi epub pdf txt

评分☆☆☆☆☆

棒

评分☆☆☆☆☆

很好

评分☆☆☆☆☆

棒

评分☆☆☆☆☆

棒

评分☆☆☆☆☆

都没有塑封……封面有点儿脏了，希望内容不错吧。

评分☆☆☆☆☆

棒

评分☆☆☆☆☆

很好

评分☆☆☆☆☆

不错

评分☆☆☆☆☆

hhhhhhhhhhhhhhhhhhhh

类似图书 点击查看全场最低价