人工智能(第2版)

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、高级专题以及现在和未来五部分内容。第一部分从人工智能的定义讲起，就人工智能的早期历史、思维和智能的内涵、图灵测试、启发法、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，以及受到自然启发的搜索等。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。
本书系统、全面地涵盖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。本书特色鲜明、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。

史蒂芬·卢奇（Stephen Lucci），
拥有纽约市立大学的博士学位，目前在纽约市立大学教授计算机科学课程。他曾在高性能计算领域发表了多篇论文，并且是NASA 发起的MU-SPIN 项目的学术带头人。MU-SPIN 项目旨在为NASA 培养下一代*尖的科学家和工程师。

丹尼·科佩克（Danny Kopec），
拥有爱丁堡大学博士学位，目前在纽约市立大学布鲁克林学院和纽约市立大学研究生中心任教。他发表过多篇论文，并出版过几本书，还是一位国际象棋大师。

译者简介
林赐，
软件设计师、网络工程师，毕业于渥太华大学系统科学硕士专业，已翻译出版《Python神经网络编程》等多本技术图书。

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思维是什么？智能是什么？3
1.1图灵测试5
1.1.1图灵测试的定义6
1.1.2图灵测试的争议和批评8
1.2强人工智能与弱人工智能9
1.3启发法11
1.3.1长方体的对角线：解决一个相对简单但相关的
问题11
1.3.2水壶问题：向后倒推12
1.4识别适用人工智能来求解的问题13
1.5应用和方法15
1.5.1搜索算法和拼图16
1.5.2二人博弈18
1.5.3自动推理18
1.5.4产生式规则和专家系统19
1.5.5细胞自动机20
1.5.6神经计算21
1.5.7遗传算法23
1.5.8知识表示23
1.5.9不确定性推理24
1.6人工智能的早期历史25
1.7人工智能的近期历史到现在29
1.7.1博弈29
1.7.2专家系统30
1.7.3神经计算31
1.7.4进化计算31
1.7.5自然语言处理32
1.7.6生物信息学34
1.8新千年人工智能的发展34
1.9本章小结36
第二部分基础知识
第2章盲目搜索46
2.0简介：智能系统中的搜索46
2.1状态空间图47
2.2生成与测试范式49
2.2.1回溯50
2.2.2贪婪算法54
2.2.3旅行销售员问题56
2.3盲目搜索算法58
2.3.1深度优先搜索58
2.3.2广度优先搜索60
2.4盲目搜索算法的实现和比较63
2.4.1实现深度优先搜索63
2.4.2实现广度优先搜索65
2.4.3问题求解性能的测量指标65
2.4.4DFS和BFS的比较66
2.5本章小结68
第3章知情搜索74
3.0引言74
3.1启发法76
3.2知情搜索（第一部分）——找到任何解81
3.2.1爬山法81
3.2.2最陡爬坡法82
3.3最佳优先搜索84
3.4集束搜索87
3.5搜索算法的其他指标89
3.6知情搜索（第二部分）——找到最佳解90
3.6.1分支定界法90
3.6.2使用低估值的分支定界法95
3.6.3采用动态规划的分支定界法98
3.6.4A*搜索99
3.7知情搜索（第三部分）—高级搜索算法100
3.7.1约束满足搜索100
3.7.2与或树101
3.7.3双向搜索102
3.8本章小结104
第4章博弈中的搜索109
4.0引言109
4.1博弈树和极小化极大评估110
4.1.1启发式评估112
4.1.2博弈树的极小化极大评估112
4.2具有α-剪枝的极小化极大算法115
4.3极小化极大算法的变体和改进120
4.3.1负极大值算法120
4.3.2渐进深化法122
4.3.3启发式续篇和地平线效应122
4.4概率游戏和预期极小化极大值算法123
4.5博弈理论125
迭代的囚徒困境126
4.6本章小结127
第5章人工智能中的逻辑133
5.0引言133
5.1逻辑和表示134
5.2命题逻辑135
5.2.1命题逻辑—基础136
5.2.2命题逻辑中的论证140
5.2.3证明命题逻辑论证有效的第二种方法141
5.3谓词逻辑——简要介绍143
5.3.1谓词逻辑中的合一144
5.3.2谓词逻辑中的反演146
5.3.3将谓词表达式转换为子句形式148
5.4其他一些逻辑151
5.4.1二阶逻辑151
5.4.2非单调逻辑152
5.4.3模糊逻辑152
5.4.4模态逻辑153
5.5本章小结153
第6章知识表示160
6.0引言160
6.1图形草图和人类视窗163
6.2图和哥尼斯堡桥问题166
6.3搜索树167
6.4表示方法的选择169
6.5产生式系统172
6.6面向对象172
6.7框架法173
6.8脚本和概念依赖系统176
6.9语义网络179
6.10关联181
6.11新近的方法182
6.11.1概念地图182
6.11.2概念图184
6.11.3Baecker的工作184
6.12智能体：智能或其他185
6.12.1智能体的一些历史188
6.12.2当代智能体189
6.12.3语义网191
6.12.4IBM眼中的未来世界191
6.12.5作者的观点192
6.13本章小结192
第7章产生式系统199
7.0引言199
7.1背景199
7.2基本示例202
7.3CARBUYER系统204
7.4产生式系统和推导方法208
7.4.1冲突消解211
7.4.2正向链接213
7.4.3反向链接214
7.5产生式系统和细胞自动机219
7.6随机过程与马尔可夫链221
7.7本章小结222
第三部分基于知识的系统
第8章人工智能中的不确定性228
8.0引言228
8.1模糊集229
8.2模糊逻辑231
8.3模糊推理232
8.4概率理论和不确定性235
8.5本章小结239
第9章专家系统242
9.0引言242
9.1背景242
9.2专家系统的特点249
9.3知识工程250
9.4知识获取252
9.5经典的专家系统254
9.5.1DENDRAL254
9.5.2MYCIN255
9.5.3EMYCIN258
9.5.4PROSPECTOR259
9.5.5模糊知识和贝叶斯规则261
9.6提高效率的方法262
9.6.1守护规则262
9.6.2Rete算法263
9.7基于案例的推理264
9.8更多最新的专家系统269
9.8.1改善就业匹配系统269
9.8.2振动故障诊断的专家系统270
9.8.3自动牙科识别270
9.8.4更多采用案例推理的专家系统271
9.9本章小结271
第10章机器学习第一部分277
10.0引言277
10.1机器学习：简要概述277
10.2机器学习系统中反馈的作用279
10.3归纳学习280
10.4利用决策树进行学习282
10.5适用于决策树的问题283
10.6熵284
10.7使用ID3构建决策树285
10.8其余问题287
10.9本章小结288
第11章机器学习第二部分：神经网络291
11.0引言291
11.1人工神经网络的研究292
11.2麦卡洛克-皮茨网络294
11.3感知器学习规则295
11.4增量规则303
11.5反向传播308
11.6实现关注点313
11.6.1模式分析316
11.6.2训练方法317
11.7离散型霍普菲尔德网络318
11.8应用领域323
11.9本章小结330
第12章受到自然启发的搜索337
12.0引言337
12.1模拟退火338
12.2遗传算法341
12.3遗传规划349
12.4禁忌搜索353
12.5蚂蚁聚居地优化356
12.6本章小结359
第四部分高级专题
第13章自然语言处理368
13.0引言368
13.1概述：语言的问题和可能性368
13.2自然语言处理的历史371
13.2.1基础期（20世纪40年代和50年代）371
13.2.2符号与随机方法（1957—1970）372
13.2.3４种范式（1970—1983）372
13.2.4经验主义和有限状态模型（1983—1993）373
13.2.5大融合（1994—1999）373
13.2.6机器学习的兴起（2000—2008）374
13.3句法和形式语法374
13.3.1语法类型374
13.3.2句法解析：CYK算法379
13.4语义分析和扩展语法380
13.4.1转换语法381
13.4.2系统语法381
13.4.3格语法382
13.4.4语义语法383
13.4.5Schank系统383
13.5NLP中的统计方法387
13.5.1统计解析387
13.5.2机器翻译（回顾）和IBM的Candide系统388
13.5.3词义消歧389
13.6统计NLP的概率模型390
13.6.1隐马尔可夫模型390
13.6.2维特比算法391
13.7统计NLP语言数据集392
13.7.1宾夕法尼亚州树库项目392
13.7.2WordNet394
13.7.3NLP中的隐喻模型394
13.8应用：信息提取和问答系统396
13.8.1问答系统396
13.8.2信息提取401
13.9现在和未来的研究（基于CHARNIAK的工作）401
13.10语音理解402
13.11语音理解技术的应用405
13.12本章小结410
第14章自动规划417
14.0引言417
14.1规划问题418
14.1.1规划术语418
14.1.2规划应用示例419
14.2一段简短的历史和一个著名的问题424
14.3规划方法426
14.3.1规划即搜索426
14.3.2部分有序规划430
14.3.3分级规划432
14.3.4基于案例的规划433
14.3.5规划方法集锦434
14.4早期规划系统435
14.4.1STRIPS435
14.4.2NOAH436
14.4.3NONLIN436
14.5更多现代规划系统437
14.5.1O-PLAN438
14.5.2Graphplan439
14.5.3规划系统集锦441
14.5.4学习系统的规划方法441
14.5.5SCIBox自动规划器442
14.6本章小结444
第五部分现在和未来
第15章机器人技术452
15.0引言452
15.1历史：服务人类、仿效人类、增强人类和替代人类455
15.1.1早期机械机器人455
15.1.2电影与文学中的机器人458
15.1.320世纪早期的机器人458
15.2技术问题464
15.2.1机器人的组件464
15.2.2运动467
15.2.3点机器人的路径规划468
15.2.4移动机器人运动学469
15.3应用：21世纪的机器人471
15.4本章小结479
第16章高级计算机博弈482
16.0引言482
16.1跳棋：从塞缪尔到舍弗尔483
16.1.1在跳棋博弈中用于机器学习的启发式方法486
16.1.2填鸭式学习与概括488
16.1.3签名表评估和棋谱学习489
16.1.4含有奇诺克程序的世界跳棋锦标赛490
16.1.5彻底解决跳棋游戏491
16.2国际象棋：人工智能的“果蝇”494
16.2.1计算机国际象棋的历史背景495
16.2.2编程方法496
16.2.3超越地平线效应505
16.2.4DeepThought和DeepBlue与特级大师的比赛（1988—1995年）505
16.3计算机国际象棋对人工智能的贡献507
16.3.1在机器中的搜索507
16.3.2在搜索方面，人与机器的对比508
16.3.3启发式、知识和问题求解509
16.3.4蛮力：知识vs.搜索；表现vs.能力510
16.3.5残局数据库和并行计算511
16.3.6本书第一作者的贡献514
16.4其他博弈514
16.4.1奥赛罗515
16.4.2西洋双陆棋516
16.4.3桥牌518
16.4.4扑克519
16.5围棋：人工智能的“新果蝇”？520
16.6本章小结523
第17章大事记532
17.0引言532
17.1提纲挈领——概述532
17.2普罗米修斯归来534
17.3提纲挈领——介绍人工智能的成果535
17.4IBM的沃森-危险边缘挑战赛539
17.521世纪的人工智能543
17.6本章小结545
附录ACLIPS示例：专家系统外壳548
附录B用于隐马尔可夫链的维特比算法的实现（由HarunIftikhar提供）552
附录C对计算机国际象棋的贡献：令人惊叹的WalterShawnBrowne555
附录D应用程序和数据559
附录E部分练习的答案560