George F Luger 著

史忠植  张银奎  赵志崑等译  

机械工业出版社  

本书包括16章。第1章简单介绍人工智能， 从哲学、心理学和其他研究领域中试图了解头脑和智能的简要历史开始，为后面的理论和应用提供背景知识和动机。 2、3、4、5章（第II部分）介绍AI问题求解的研究工具。包括用谓词演算语言描述问题领域的本质特征（第2章）， 用搜索对这些描述进行推理（第3章）以及实现搜索用到的算法和数据结构。在第4、5章， 讨论启发式在聚焦和约束基于搜索的问题求解中所起的基本作用。我们还介绍了构建这些搜索算法所需的许多结构， 包括黑板和产生式系统。第6、7、8章构成本书的第III部分：AI和知识密集型问题求解的表示法。在第6章， 介绍AI表示法框架的发展历程。从对语义网及其包含概念依赖理论、框架和剧本的扩展的讨论开始， 然后介绍一种特别的形式化工具——概念图的深入检验，强调了知识表示中包含的认识论问题， 并且说明了这些问题是如何在现代表示语言中研究的。第7章介绍基于规则的专家系统以及基于范例和基于模型的推理系统， 包括NASA空间项目中的例子。第8章介绍用不确定信息和不可靠信息推理的模型，包括贝叶斯模型、信念网络、 Dempster-Shafer、因果模型以及Stanford确信度代数。第IV部分，从第9章到第11章，提供机器学习中问题的扩充说明。 在第9章，我们对基于符号的学习算法进行了详细的介绍，这是一个硕果累累的研究领域，产生了大量的问题和解决方法。 这些学习算法在目标、训练数据、学习策略和使用的知识表示法上各不相同。基于符号的学习包括归纳、概念学习、 译文空间搜索和ID3。归纳偏好的作用也要考虑，即从数据模式中泛化，同时还要考虑基于解释的学习中有效利用知识从单个事例中学习。 分类学习，或者说概念聚类，与无导学习一起介绍。强化学习，即把来自环境的反馈结合到决策策略中的能力，结束本章。 在第10章，我们介绍神经网络，经常被称为学习的子符号或连接模型。在神经网络中，信息隐含在一个连接的处理机集合的组织和权重中， 学习包括节点权重和系统结构的重新排列和修改。我们介绍了许多连接结构，包括感知器学习、反传和反传播。 我们展示了Kohonen、Grossberg和Hebbian网络模型。我们介绍了联想学习和吸引子模型，包括Hopfield网络。 学习的遗传算法和进化方法在第11章介绍。从这个观点来看，学习被看作是一个突现和适应过程。 第V部分，12和13章，继续介绍重要的AI应用领域。定理证明，常常被称为自动推理，是AI研究最早的领域之一。 在第12章，讨论这一领域中最早的程序，包括逻辑学家和通用问题求解器。第13章介绍自然语言理解。 第VI部分介绍LISP和PROLOG。第14章是PROLOG，第15章是LISP。最后，第16章作为本书的结束语。