本书主要阐述人工智能的基本原理、方法和应用技术。全书共14章，除第1章讨论人工智能基本概念、第14章讨论人工智能的争论与展望外，其余12章主要按照"基本智能 计算智能 典型应用三个模块编著：第1模块为人工智能经典的理论与方法，分别为知识表示、搜索策略、知识推理和机器学习，主要包括第2章的知识表示、第3章的自动推理、第4章的搜索策略、第5章的不确定性推理以及第6章的机器学习；第2模块为计算智能，包括第7章的神经计算、第8章的进化计算、第9的模糊计算以及第10章的群智能；第3模块为人工智能的典型应用领域，包括第11章专家系统、第12章生成式人工智能以及第13章大模型。本书力求科学化、模块化、实用化，内容由浅入深、循序渐进、条理清晰，让读者在有限的时间内，掌握人工智能的基本原理、基本方法和应用技术。本书可作为高等学校理工科相关专业"人工智能"人工智能基础或"人工智能导论等课程教材，也可供从事人工智能研究与应用的科技工作者学习参考。

丁世飞，男，毕业于中国科学院计算技术研究所，中国矿业大学教授，博士生导师。从事人工智能、机器学习、模式识别、数据挖掘、大数据智能分析、生物信息识别、粗糙集与软计算等方面理论与应用研究。主持国家重点基础研究计划（973计划）课题1项、国家自然科学基金面上项目2项、江苏省自然科学基金项目1项、中国博士后科学基金1项、国家重点实验室开放基金3项；参加国家863高技术项目1项、国家自然科学基金重点项目1项、国家自然科学基金面上项目3项等。近年来，出版专著4部，申请或授权发明专利10项，在国内外重要学术期刊上发表研究论文200余篇，其中被SCI检索100余篇，其中被计算机学科ESI检索20余篇。

第1章 绪论1
1.1 人工智能的概念2
1.1.1 智能的定义2
1.1.2 人工智能的定义3
1.2 人工智能的产生和发展6
1.2.1 孕育期（20世纪50年代中期以前）6
1.2.2 形成及第一个兴旺期（20世纪50年代中期至60年代中期）7
1.2.3 萧条波折期（20世纪60年代中期至70年代中期）8
1.2.4 第二个兴旺期（20世纪70年代中期至80年代中期）9
1.2.5 稳步增长期（20世纪80年代中期至今）11
1.2.6 中国的人工智能发展12
1.3 人工智能的主要学派13
1.3.1 符号主义学派13
1.3.2 连接主义学派14
1.3.3 行为主义学派15
1.4 人工智能的主要研究内容16
1.5 人工智能的主要应用领域19
本章小结26
习题126
第2章 知识表示27
2.1 知识表示概述28
2.1.1 知识的概念28
2.1.2 知识表示的概念29
2.2 谓词逻辑表示法30
2.2.1 命题逻辑30
2.2.2 谓词逻辑31
2.2.3 谓词公式32
2.2.4 谓词逻辑表示34
2.2.5 谓词逻辑表示法的特点37
2.3 产生式表示法37
2.3.1 产生式表示的基本方法37
2.3.2 产生式系统的基本结构39
2.3.3 产生式系统的分类40
2.3.4 产生式表示法的特点41
2.4 语义网络表示法43
2.4.1 语义网络的基本概念43
2.4.2 语义网络的基本语义关系44
2.4.3 语义网络表示知识的方法46
2.4.4 语义网络的推理过程50
2.4.5 语义网络表示法的特点51
2.5 框架表示法51
2.5.1 框架结构51
2.5.2 框架表示53
2.5.3 框架表示的推理过程55
2.5.4 框架表示法的特点55
2.6 脚本表示法56
2.6.1 脚本的定义56
2.6.2 脚本的组成57
2.6.3 脚本表示法的特点59
2.7 面向对象表示法60
2.7.1 面向对象的基本概念60
2.7.2 面向对象表示知识61
本章小结62
习题263
第3章 自动推理65
3.1 推理概述66
3.1.1 推理的概念66
3.1.2 推理的分类66
3.1.3 推理的控制策略68
3.2 推理的逻辑基础70
3.2.1 谓词公式的永真性和可满足性71
3.2.2 置换与合一73
3.3 自然演绎推理76
3.3.1 自然演绎推理的基本概念76
3.3.2 三段论推理76
3.3.3 两类错误77
3.4 归结演绎推理78
3.4.1 子句集78
3.4.2 鲁宾孙归结原理81
3.4.3 用归结原理求取问题的答案87
3.4.4 归结演绎推理的归结策略88
本章小结92
习题393
第4章 搜索策略96
4.1 搜索概述97
4.2 一般图搜索98
4.2.1 图搜索的基本概念98
4.2.2 状态空间搜索99
4.2.3 一般图搜索过程103
4.3 盲目搜索105
4.3.1 宽度优先搜索105
4.3.2 深度优先搜索107
4.3.3 有界深度搜索和迭代加深搜索109
4.3.4 搜索最优策略的比较111
4.4 启发式搜索112
4.4.1 启发性信息和评估函数112
4.4.2 启发式搜索A算法112
4.4.3 实现启发式搜索的关键因素114
4.4.4 A*算法116
4.4.5 迭代加深A*算法119
4.5 爬山法和回溯搜索120
4.5.1 爬山法120
4.5.2 回溯策略121
4.6 问题规约122
4.7 与/或图搜索124
4.7.1 与/或图的表示124
4.7.2 与/或图的启发式搜索126
4.8 博弈131
4.8.1 极大极小过程133
4.8.2 -过程135
本章小结136
习题4137
第5章 不确定性推理139
5.1 不确定性推理概述140
5.1.1 不确定性推理的概念140
5.1.2 知识不确定性的来源140
5.1.3 不确定性推理要解决的基本问题141
5.1.4 不确定性推理方法的分类143
5.2 逆概率方法144
5.2.1 概率论基础144
5.2.2 经典概率方法145
5.2.3 逆概率方法145
5.3 主观贝叶斯方法147
5.3.1 规则不确定性的表示147
5.3.2 证据不确定性的表示149
5.3.3 组合证据不确定性的计算150
5.3.4 不确定性推理方法150
5.3.5 结论不确定性的合成152
5.3.6 主观贝叶斯方法的特点155
5.4 可信度方法155
5.4.1 可信度的概念156
5.4.2 规则不确定性的表示158
5.4.3 证据不确定性的表示158
5.4.4 组合证据不确定性的计算158
5.4.5 不确定性的推理159
5.4.6 结论不确定性的合成159
5.4.7 可信度方法的扩展161
5.4.8 可信度方法的特点167
5.5 证据理论168
5.5.1 证据理论的形式描述168
5.5.2 证据理论的推理模型172
5.5.3 规则不确定性的表示174
5.5.4 证据不确定性的表示174
5.5.5 组合证据的不确定性计算174
5.5.6 推理的不确定性174
5.5.7 结论不确定性的合成175
5.5.8 证据理论的特点177
5.6 模糊推理178
5.6.1 模糊数学的基本知识178
5.6.2 模糊规则的表示180
5.6.3 模糊证据的匹配181
5.6.4 简单模糊推理182
本章小结183
习题5184
第6章 机器学习187
6.1 机器学习概述188
6.1.1 学习与机器学习188
6.1.2 学习系统188
6.1.3 机器学习的发展简史190
6.1.4 机器学习的分类191
6.1.5 机器学习的应用和研究目标193
6.2 归纳学习194
6.2.1 归纳学习的基本概念194
6.2.2 变型空间学习195
6.2.3 归纳偏置197
6.3 决策树学习198
6.3.1 决策树的组成及分类199
6.3.2 决策树的构造算法200
6.3.3 基本的决策树算法201
6.3.4 决策树的偏置204
6.4 基于实例的学习204
6.4.1 k-最近邻算法204
6.4.2 距离加权最近邻法205
6.4.3 基于范例的学习206
6.5 强化学习210
6.5.1 强化学习模型211
6.5.2 马尔可夫决策过程211
6.5.3 Q学习212
6.6 支持向量机214
6.6.1 支持向量机概述215
6.6.2 支持向量机的构造216
6.6.3 核函数220
6.6.4 支持向量机的应用222
本章小结223
习题6224
第7章 神经计算226
7.1 神经计算概述227
7.2 感知器229
7.2.1 感知器的结构229
7.2.2 感知器的学习算法230
7.3 反向传播网络232
7.3.1 反向传播网络的结构232
7.3.2 反向传播网络的学习算法233
7.4 自组织映射神经网络236
7.4.1 SOM网络结构236
7.4.2 SOM网络的学习算法237
7.5 Hopfield网络238
7.6 脉冲耦合神经网络240
7.7 深度神经网络242
7.7.1 多层感知器242
7.7.2 卷积神经网络243
7.7.3 循环神经网络245
7.7.4 注意力机制246
本章小结248
习题7249
第8章 进化计算250
8.1 进化计算概述251
8.2 遗传算法252
8.2.1 遗传算法的基本原理252
8.2.2 遗传算法的应用示例253
8.2.3 模式定理256
8.2.4 遗传算法的改进258
8.3 进化规划259
8.3.1 标准进化规划及其改进260
8.3.2 进化规划的基本技术261
8.4 进化策略262
8.4.1 进化策略及其改进263
8.4.2 进化策略的基本技术264
8.5 遗传算法、进化规划、进化策略的异同265
本章小结266
习题8266
第9章 模糊计算268
9.1 模糊集合的概念269
9.1.1 模糊集合的定义269
9.1.2 模糊集合的表示方法269
9.2 模糊集合的代数运算274
9.3 正态模糊集和凸模糊集276
9.4 模糊关系277
9.5 模糊判决278
9.6 模糊数学在模式识别中的应用279
9.7 模糊综合评判281
9.7.1 模糊综合评判概述281
9.7.2 模糊综合评判的模型282
9.7.3 模糊综合评判的步骤283
9.7.4 模糊综合评判的优缺点285
9.7.4 模糊综合评判的应用案例分析285
本章小结288
习题9289
第10章 群智能290
10.1 群智能概述291
10.1.1 群智能优化算法定义291
10.1.2 群智能优化算法原理291
10.1.3 群智能优化算法特点292
10.2 蚁群优化算法292
10.2.1 蚁群优化算法概述292
10.2.2 蚁群优化算法的数学模型293
10.2.3 蚁群优化算法的改进294
10.2.4 蚁群优化算法的应用示例296
10.3 粒子群优化算法297
10.3.1 粒子群优化算法基本思想297
10.3.2 粒子群优化算法基本框架297
10.3.3 粒子群优化算法参数分析与改进298
10.3.4 粒子群优化算法的应用示例299
10.4 其他群智能优化算法301
10.4.1 人工鱼群算法301
10.4.2 细菌觅食算法303
10.4.3 混合蛙跳算法306
10.4.4 果蝇优化算法308
本章小结309
习题10309

第11章 专家系统310
11.1 专家系统概述311
11.1.1 专家系统的特性311
11.1.2 专家系统的结构和类型311
11.2 基于规则的专家系统314
11.3 基于框架的专家系统316
11.4 基于模型的专家系统318
11.5 专家系统的开发320
11.5.1 专家系统的开发过程320
11.5.2 专家系统的知识获取321
11.5.3 专家系统的开发工具和环境322
11.6 专家系统设计举例324
11.6.1 专家知识概述324
11.6.2 知识的使用328
11.6.3 决策的解释330
11.6.4 MYCIN系统331
11.7 新型专家系统332
11.7.1 新型专家系统的共同特征332
11.7.2 分布式专家系统332
11.7.3 协同式专家系统333
本章小结334
习题11334
第12章 生成式人工智能335
12.1 生成式人工智能概述336
12.2 生成对