本书是一本畅销的人工智能教材，它彻底和全面地阐述了人工智能的基础理论，有效结合了求解智能问题的数据结构以及实现的算法，把人工智能的应用程序应用于实际环境中，并从社会和哲学角度出发对人工智能进行了独特的讨论。新版中增加了“智能主体”的问题解决方法、强化学习、贝叶斯推理技术等最新的内容。
本书是高等院校计算机教学中最理想的人工智能教材；同时，它也是人工智能领域的研究者或者那些想了解和应用当前人工智能技术的从业者的一本宝贵的专业参考著作。
人工智能(AI)最开始的动机是想创造不仅能够独立思考，而且可能超越人类的机器：计算的最高级目标。在过去的很多年里，人工智能在探索智能机制的同时，在更广泛的实际领域取得了应用，人工智能使用不同的策略解决了很多在应用计算机技术时出现的复杂的实际问题、众所周知，智能本身是非常复杂的，难以用单一的理论来描述，因此，产生了一系列的理论从不同的抽象层次刻画这个主题。在最低层次，神经网络、遗传算法以及其他形式的理论可辅助理解适应性原理、感知机制以及与物理世界的交互机制。在更加抽象的层次，专家系统的设计、智能主体、随机模型以及自然语言理解程序反映了知识在智能中的角色和创建、传递、保持知识的社会过程、更深一层，逻辑学家提出了演绎、反绎、归纳、真值维护以及其他的推理模型和方式。
在最新的第4版中，George F．Luger阐述复杂问题求解结构和策略的所有这些层次的理论，同时，他还指出智能研究本身的令人兴奋之处，并演示怎样使用不同的软件工具和技术去解决计算机科学家面临的复杂问题。
本书特点
●彻底和全面阐述人工智能理论的方方面面
●将求解智能问题所需的理论基础与实际实现所需的数据结构和算法相结合
●兼顾了LISP和PROLOG语言
●把人工智能的应用程序应用于实际环境中
●对人工智能中社会和哲学问题的独特讨论第4版的更新内容
第4版的更新内容
●加入了更加“基于智能主体”的问题解决方法
●增加了强化学习的新资料
●改善了基于贝叶斯推理技术这一章，加入了信念网络
●来自NASA空间项目的基于模型的推理和规划实例
●自然语言理解的新内容
●从哲学、心理学以及神经生理学角度对人工智能努力所做的评价
本书是经典的人工智能教材，适合一到两个学期使用，被宾夕法尼亚大学、密歇根大学、加州理工大学等众多高校选用。同时．本书也是人工智能领域的研究者或者想了解和应用当前人工智能技术的专业人员的优秀参考书。
George F.Luger 1973年在宾夕法尼亚大学获得博士学位 在其后的五年，他在爱丁堡大学人工智能系从事博士后研究工作，他现在是新墨西哥大学的计算机科学、语言学以及心理学教授、他的研究兴趣、课程
信息以及发表的论文可从以下网址找到：http：//www．cs．unm．edu/luger/
我们通过做来学习我们必须学习去做的……
——亚里士多德《伦理学》
欢迎阅读第4版
我很高兴被邀请写作我们这本“人工智能”课本的第4版。这是对之前十多年来几个版本的褒奖，说明我们获取AI的方法被广泛接受。同样令人兴奋的是，随着人工智能领域出现新的发展，我们能够在每个新版本中呈现这些新发展和新技术。我们感谢读者、同事和学生使我们能够使相关的主题和说明保持最新。
上一版中的许多章节在现今仍然具有很好的适用性，包括对逻辑、搜索算法、知识表示、产生式系统、机器学习以及用LISP和PROLOG开发的编程技术的介绍。这些部分仍然是人工智能实践的重点；只需要相对较少的精力来更新。然而，有几个章节需要大量改写，包括自然语言理解、强化学习和不确定推理。其他一些主题(如涌现计算、基于案例的推理和基于模型的问题求解)在前几版中写得有些仓促，现在也发展成为比较重要的主题，值得更加全面地讨论。
随着写作计划范围的扩大，我们得到了很多人的支持，包括出版商、编辑、朋友、同事，尤其是广大读者，他们赋予了我们的工作这样长久而又有意义的生命力。能得到这样的机会，我们很兴奋：科学家们很少会被鼓励从他们自己狭窄的研究兴趣出发来检视和绘制所选领域的巨大轮廓。我们的出版商和读者却让我们这样做。我们对他们为我们提供了这样的机会表示感谢。
虽然人工智能和大多数工程定律一样，必须通过为实际问题提供解决方案来证明自己对商业世界的价值，但是我们和许多同事和同学却以相同的原因进入AI领域：我们想要理解和探索能够进行智能思考和动作的头脑的工作机制。我们避免使用“智能是人类的特有能力”这样粗浅的说法，而是相信我们能够通过设计和评估人工智能产物来有效地研究潜在智能的空间。虽然我们事业的进程不能引起这些约定的改变，但是我们在这项事业的广度、深度和创新性方面都达到了更高的程度。在前面版本的前言中，我们概括了三点主张，我们相信坚持这三点主张可以使我们的方法在人工智能教学过程中取得卓越的成效。在这本第4版的前言中，自然要回到这些主题看看它们是如何随着领域发展而延续的。
第一点主张是“通过详细讨论人工智能的理论基础统一不同的分支”。在我们采纳这点主张时，主要问题似乎是协调两种研究者，一种着重于对人工智能进行仔细陈述和形式化理论分析(整洁派)，另一种相信智能本身是某种豪华的工具并且能够用应用驱动的特定方法获得(杂乱派)。事实证明，这种简单的二分法过于简单。在当代的AI中，整洁派和杂乱派之间的争论已经让位于物理符号系统支持者和神经网络研究者、逻辑学家和非逻辑方式进化人工生命形式的设计者、专家系统建造者和基于案例的推理者以及相信人工智能已经获得的人和认为人工智能永远无法获得的人之间的许多争论。AI是一门前沿科学，在这里，离经叛道者、探索者、极端预言家和其他梦想家被形式主义和经验主义慢慢驯服。我们最初的这种印象现在让位于一个不同的比喻：在一个巨大、无秩序但通常和平的城市里，有秩序的中产阶级邻居从不同的、混乱的、狂放不羁的地区来此谋生。在我们致力于写作本书不同版本的几年中，一幅关于智能结构的引人注目的图画开始从城市的结构、艺术和工业中显现出来。
智能太复杂了，不可能用任何单一的理论来描述；研究者正在构建一个从多个抽象层次上；刻画智能的理论层次结构。在最下层，神经网络、遗传算法和其他形式的涌现计算使我们能理：解所有形式的智能行为之下必然隐含的适应、感知、表现和与物质世界交互的过程。通过某些仍然只是部分理解的归结，这个由盲目原始的参与者构成的混乱群体引出了逻辑推理的更冷静模式。在这个更高的层次上，逻辑学家在亚里士多德贡献的基础上，描绘演绎、反绎、归纳、真值维护和推理的无数其他方式和方法。在更高层抽象上，专家系统、智能主体和自然语言理解程序的设计者渐渐认识到社会过程在产生、传播和维持知识方面所起的作用。在这本第4版中，我们提到了这个层次结构中的所有层次。
我们在前面版本中提出的第二点主张是在AI方法学中，“高级表示形式和搜索技术”占有中心位置。这可能是我们前面版本以及AI许多早期工作中最有争议的方面，许多涌现计算的研究者质疑符号推理和指称语义在思考中是否有作用。虽然为事物给定名字的表示法思想受到了神经网络或人工生命的涌现模式提供的隐含表示法的挑战，但我们相信对表示法和搜索的理解对任何严肃的人工智能研究者仍然是基本的。更重要的是，我们觉得通过对表示法和搜索的研究所获得的技能是分析非符号人工智能的无价工具，如分析神经网络的表达能力或者通过遗传算法的适应度范围计算候选人问题解决方案的级数。第16章中对现代AI的不同方法进行了比较、对照和评论。
我们在本书前面版本中提出的第三点主张也没有改变，那就是“将人工智能放到经验科学的上下文中”。引用第3版的前言，我们将继续相信AI不是
……对科学传统的某种奇怪的偏离，而……是对关于智能知识的寻求和对智能本身的理解的一部分。另外，我们的AI编程工具，连同研究的程序设计方法学一起……对探究外界环境都是完美的。我们的工具提供了一种理解和质疑的方法。我们用逐次近似来建设性地察觉和了解自然现象。
这样我们将每个设计和程序都看成是对自然的一个试验：我们提出一个表示，想出一个搜索算法，然后质疑我们的描述是否能够适当地说明部分智能现象。自然世界给我们的疑问一个回答。我们的试验可能会被拆解、修订、扩充，然后再次运行。我们的模型可能被精炼，而我们的理解范围也进一步扩大了。
本版的新内容
我，George Luger，是第4版惟一的署名作者。尽管Bill Stubblefield转到了新的计算领域去面对新的挑战，但是他的印记将继续保留在本版以及本书的所有后续版本中。实际上，这本书是我在新墨西哥大学任计算机科学教授时完成的，这里面也有同事、研究生和新墨西哥大学人工智能学会的朋友们的努力，还有许多读者用电子邮件寄来评论、修正和建议。本书还将沿续这种方式进行修订，并且为了反映学会所做的工作，我将继续使用“我们”这个代词。
我们修订了本书的许多部分以便反映基于主体的问题求解作为AI技术的一种方法变得越来越重要。在AI基础的讨论中，我们认识到智能是实体的表现，并且处于自然世界和社会世界的上下文中。为体现这一点，我们在第6章介绍AI表示法的演变过程，从关联的和早期基于逻辑的方法，经过弱和强方法(包括连接法和进化／涌现模型)，到情景的和社会的方法。第16章包含了对每种范型的评论。
在这本第4版的创作中，我们考虑了以前介绍的所有主题，并使它们更符合新观点。特别是，我们在第9章中添加了强化学习部分。强化学习算法从环境中提取线索，建立状态改变的策略，包括时序差别和Q学习。
除了先前对数据驱动和目标驱动的基于规则的系统的分析，第7章现在还包含基于案例和基于模型的推理，包括NASA空间项目中的例子。第7章中还有一部分专门讨论这些知识密集型问题求解方法的优势和不足。
第8章描述用不确定或不完全信息进行的推理，介绍许多解决这一问题的重要方法，包括贝叶斯推理、信念网络、Dempster-Shafer模型和Stanford确信度代数。还介绍了非单调情况下的真值维护技术以及最小模型推理和基于逻辑的反绎。我们通过深入说明贝叶斯信念网络并介绍新证据上下文中通过信念网络传播信心的连接树算法来总结本章。
第13章介绍自然语言理解中的问题，包括一部分介绍语言理解的随机模型。介绍中包括马尔科夫模型、分类和衰退(CART)树、互信息聚类和基于统计的分析。本章以几个例子结束，包括针对万维网的文本挖掘和文本摘要技术的应用。
最后，在修订后的第16章中，我们又回来讨论智能本性的更深入问题和智能机器的可能性。我们从哲学、心理学和神经生理学的角度评论AI的努力。
内容
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。从一个重要意义上来讲，AI是一门古老的科学，至少可以追溯到亚里士多德。对这些背景的了解是理解现代研究中主要问题的基本条件。我们还介绍了AI中一些重要应用领域的概要情况。第1章的目的是为后面的理论和应用提供背景知识和动机。
第2、3、4、5章(第二部分)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，我们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章构成本书的第三部分：AI和知识密集型问题求解的表示法。在第6章，介绍AI表示法的发展历程。我们以一个对语义网络的讨论开始，并扩展这个模型以包含概念依赖理论、框架和脚本。然后介绍一种特别的形式化工具——概念图的深入检验，强调知识表示中包含的认识论问题，并且说明这些问题是如何在现代表示语言中表述的。在第13章，我们说明了如何用概念图来实现自然语言数据库前端。第6章的最后介绍更多的现代表示方法，包括复制结构(Copycat)和面向主体的结构。
第7章介绍基于规则的专家系统以及基于案例和基于模型的推理系统，包括来自NASA空间计划的例子。这些问题求解方法是作为前5章内容的自然延伸来进行介绍的：用谓词演算表达式的产生式系统来协调一个图搜索。这一章最后分析每种知识密集型问题求解方法的优势和不足。
第8章介绍用不确定信息和不可靠信息进行推理的模型。我们讨论用于不确定情况推理的贝叶斯模型、信念网络、Dempster-Shafer、因果模型以及Stanford确信度代数。第8章还包括真值维护算法、最小模型推理、基于逻辑的反绎以及贝叶斯信念网络的连接树算法。
第四部分，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。这些学习算法在其目标、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、变型空间搜索和ID3。归纳偏置的作用也要考虑，即从数据模式中泛化，同时还要考虑在基于解释的学习中有效利用从单个示例中学习到的知识。分类学习(或者说概念聚类)与无监督学习一起介绍。这一章最后介绍强化学习，即把来自环境的反馈结合到决策策略中的能力。
在第10章，我们介绍神经网络，它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，学习包括结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，包括感知机学习、反传和逆传。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。
在第11章介绍学习的遗传算法和进化方法。从这个观点来看，学习被看成是一个涌现和适应过程。介绍几个基于遗传算法的问题求解实例后，我们介绍遗传技术在更通用的问题求解器中的应用。这其中包括分类器系统和遗传程序设计。然后我们结合人工生命研究中的例子描述基于社会的学习。我们用圣达菲研究所(Santa Fe Institute)关于涌现计算研究的一个例子结束本章。我们比较和对照了第16章中介绍的三种机器学习方法(基于符号的、连接主义的、社会和涌现的方法)。
第五部分，第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，我们讨论这一领域中最早的程序，包括逻辑理论家和通用问题求解器。本章主要的焦点是二元归结证明过程，特别是归结反驳，还介绍了使用超归结和参数调制的高级推理。最后，我们把PROLOG解释器描述为一个基于Horn子句和归结的推理系统，并将PROLOG计算看成是逻辑程序设计范型的一个实例。
第13章介绍自然语言理解。我们在第6章中已经介绍过传统的自然语言理解方法，就是用许多语法结构进行例示。这里我们又补充了随机方法，包括马尔科夫模型、分类和衰退树、互信息聚类和基于统计的分析。本章的最后是几个例子，包括将这些自然语言理解技术应用于数据库查询系统以及万维网上的文本摘要系统。
第六部分介绍LISP和PROLOG。第14章介绍PROLOG，第15章介绍LISP。我们通过建立前几章中的搜索和表示技术将这些语言作为AI问题求解工具进行说明，包括宽度、深度和最佳优先搜索算法。我们以与问题无关的方式实现这些搜索技术，以便能够将它们进行扩展来创建基于规则的专家系统搜索外壳，来建立语义网络、自然语言理解系统和学习应用。
最后，第16章充当本书的结束语。其中提到了智能系统科学的可能性问题，考虑了现在AI面临的挑战，讨论了目前AI的限制，并设计了AI激励人心的未来。
使用本书
人工智能是一个很大的领域，因此这是一本厚书。尽管学习本书时可能会需要超过一个学期才能覆盖里面所有的内容，但是我们对本书进行了仔细设计使得可以采取不同的路径来学习其中的内容。通过选择内容的子集，我们既可以把它用于单个学期的课程，也可以用于整个学年(两个学期)的课程。
我们假设绝大多数学生已经学习了离散数学的入门课程，包括谓词演算和初级的图论知识。如果学生没有学过这些课程，那么教师就应该花更多的时间讲解本书开始部分(2．1节，3．1节)的那些概念。我们还假设学生学习过数据结构课程，包括树、图、递归搜索，并会使用堆栈、队列和优先级队列。如果学生没有学过这些课程，那么多花些时间在第3、4、5章的开始章节。
在一个学期的课程中，我们很快扫过本书的前两部分。有了这个准备，学生就能够看懂第三部分的内容。接着我们考虑第四部分中的PROLOG和LISP，要求学生实现第一部分中的许多表示和搜索技术。也可以选择在课程中早点介绍一门语言(如PROLOG)，用它来检验遇到的数据结构和搜索技术。我们觉得语言一章中介绍的元解释器对于构建基于规则的和其他知识密集型问题的求解器很有帮助。PROLOG是构建自然语言理解系统的极好工具。
在两个学期的课程中，我们能够覆盖第四和第五部分中的所有应用领域，特别是机器学习的几章，要进行较为详细的讲解。我们也期望学生做一个更详细的程序设计项目。我们认为这对于学生在第二学期复习AI文献中的许多基本资源非常重要。让学生知道我们在哪里、我们如何到达这里并且让学生对人工智能未来的展望有一个认识都是至关重要的。为此我们使用了一个读物全集，《Computation and Intelligence》(Luger l995)。
本书中的算法采用类似Pascal的伪代码来进行描述。符号中使用了Pascal的控制结构以及英语描述的检查和操作。我们在Pascal控制结构中加入了两个有用的结构。第一个是修改过的case语句，它让每一个分支都可以用一个任意的布尔检检来标记，而不是像在标准Pascal中只能将一个变量的值与不变的case标记相比较。凹贸依次测试这些条件，直到一个为真，然后执行相关的动作；所有其他动作被忽略。熟悉LISP的人会注意到这和LISP的cond语句有同样的语义。
另一个增加的有用结构是return语句，它可以有一个参数，能够出现在过程或函数中的任何位置。当遇到return时，将导致程序立即退出该函数，将其参数作为结果返回。除此之外，我们都使用Pascal的结构，再加上英语描述，这可以便算法清晰易读。
通过Internet可以获得的补充材料
本书中出现的PROLOG和LISP代码，读者都可以通过Internet获得。还有一本为使用本书的大学教员提供的完整的教师指南。这些文件可以从我的个人主页www.cs．unm.edu／luger得到。
我的e-mail地址是luger@cs．unm．edu，欢迎各位读者来信交流心得体会。
致谢
首先，我们要感谢Bill Stubblefield，他是本书前3版的合著者，有超过十年的贡献。我们也要感谢许多帮助我们完成第4版的审稿人，包括Dennis Bahler、Skona Brittain、Philip Chan、Peter Collingwood、John Donald、Sarah Douglas、Christophe Giraud-Carrier、Adnrew Kosoresow、Chris Malcolm、Ray Mooney、Bruce Porter、Jude Shavlik、Carl Stern、Marco Valtorta和Bob Veroff。我们还要感谢本书的使用者用e-mail给我们寄来无数建议和评价。
对于这次第4版的顺利完成，我们要感谢新墨西哥大学的AI博士生们帮助重新组织主题的介绍。在他们的建议下，我们将第三部分重写，先介绍AI表示法的发展，为机器学习创建单独一部分，并且将语言介绍移到后面。我们感谢Dan Pless，他在完成第8章反绎推理中起到了主要作用；还要感谢Carl Stern，他帮助完成了第10章中的连接学习；并要感谢Jared Saia，他帮助完成了第13章中的随机模型。第4版的国外审稿人包括荷兰Vrije大学的Leon vander Torre和Mehdi Dastani，英国Hull大学的Leonardo Bottaci和Heriot-Watt大学的Julian Richardson。美国审稿人包括波特兰州立大学的Marek Perkowski和约翰·霍普金斯大学的John Sheppard。新墨西哥大学的Barak Pearmutter审阅了机器学习的章节。最后，Joseph Lewis、Chris Malcolm、Brendan McGonnigle和Akasha Tang审定了第16章。
最后，我们感谢新墨西哥大学10多年来的学生，他们使用这本教材和软件，帮助我们扩展视野并除去书中的印刷错误和失误。
我们感谢Addison-Wesley出版公司的许多朋友，他们对完成写作工作给予了很多支持和鼓励，特别是Alan Apt帮助我们完成第1版，Lisa Moiler和Mary Tudor帮助我们完成第2版，VictoriaHenderson、LouiseWilson和KarenMosman协助我们完成第3版，以及KeithMans·
field、Karen Sutherland和Anita Atkinson对第4版的支持。我们感谢新墨西哥大学的Linda Cicarella帮助准备图表。
我们感谢Thomas Barrow，作为一位国际知名的艺术家、新墨西哥大学艺术教授，他绘制了书中的七幅插图。
在许多地方，我们使用了其他作者的著作中的图表和引用。我们感谢这些作者和出版商允许我们使用这些内容。
人工智能是一门激动人心的、回报丰厚的学科；祝您在认识到它的力量和挑战的同时享受到学习的快乐。
George Luger
2001年7月1日
Albuquerque
(美)George F.Luger：George F.Luger: 1973年在宾夕法尼亚大学获得博士学位。在其后的五年，他在爱丁堡大学人工智能系从事博士后研究工作。目前，他是新墨西哥大学的计算机科学、语言学以及心理学教授。他的研究兴趣、课程信息异己发表的论文可从以下网址找到：http://www.cs.unm.edu/~luger/
史忠植 张银奎 赵志崑：暂无简介
人工智能(AI)最开始的动机是想创造一种机器，它不仅能够思考，而且还有可能和人类交流：计算的最高级目标。在过去的很多年里，人工智能在探索智能机制的同时，在更广泛的实际领域取得了应用。人工智能使用不同的策略解决了很多在应用计算机技术时出现的复杂的实际问题。众所周知，智能本身是非常复杂的，难以用单一的理论来描述，因此，产生了一系列的理论从不同的抽象层次刻画这个主题。在最低层次，神经网络、遗传算法以及其他形式的理论可辅助理解适应性原理、感知机制以及与物理世界的交互机制。在更加抽象的层次，专家系统的设计、智能主体、随机模型以及自然语言理解程序反映了知识在智能中的角色和创建、传递、保持知识的社会过程。更深一层，逻辑学家提出了演绎、反绎、归纳、真值维护以及其他的推理模型和方式。
在第4版中，George F．Luger阐述了复杂问题求解结构和策略的所有这些层次的理论，同时，他还指出了智能研究本身的令人兴奋之处。他也演示了怎样使用不同的软件工具和技术去解决计算机科学家面临的复杂问题。
这本畅销教材的主要特点是：
●彻底和全面阐述人工智能的基础理论
●有效结合了求解智能问题的数据结构以及实现的算法
●用LISP和PROLOG语言编写的实例程序
●把人工智能的应用程序应用于实际环境中
●从社会和哲学角度出发的对人工智能的独特讨论
另外，第4版的更新内容还包括：
●结合更加“基于智能主体”的问题解决方法
●强化学习的新资料
●改善了基于贝叶斯推理技术这一章，加入了信念网络
●从NASA空间程序得到的基于模型的推理和规划实例
●自然语言理解的最新内容
●从哲学、心理学以及神经生理学角度对人工智能努力所做的评价
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。第2、3、4、5章(第二部分)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。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章构成本书的第三部分：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、框架和脚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。第四部分，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，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、变型空间搜索和ID3。归纳偏置的作用也要考虑，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)与无监督学习一起介绍。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，介绍神经网络，经常被称为学习的子符号或连接主义模型。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，学习包括结点权重和系统结构的重新排列和修改。作者介绍了许多连接结构，包括感知器学习、反传和逆传。作者展示了Kohonen、Grossberg和Hebbian网络模型。作者介绍了联想学习和吸引子模型，包括Hopfidd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，学习被看成是一个涌现和适应过程。第五部分(第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，包括逻辑理论家和通用问题求解器。第13章介绍自然语言理解。第六部分介绍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。
本书翻译由史忠植负责。张银奎翻译本书第1章至第7章。周谦翻译第8章和第9章。李清勇翻译第10章和第11章。赵志昆翻译第13章和索引。蒋运承翻译第14章。张海俊翻译第15章。董明楷翻译第16章。史忠植审校了全部译稿。
本书是适用于高等院校计算机、自动化、电子等专业作为一个或者两个学期用的最理想的人工智能教材。也可供相关学科的一年级的研究生参考。同时，本书也是人工智能领域的研究者或者那些想了解和应用当前人工智能技术的工作人员的一本宝贵的参考资料。
史忠植
2003．1于北京
译者序
前言
第一部分 人工智能的渊源及范围
第1章 人工智能的历史及应用
1．1 从伊甸园到第一台电子计算机：对智慧、知识和人类技能的态度
1．1．1 历史基础
1．1．2 逻辑的发展
1．1．3 图灵测试
1．1．4 智能的生物和社会模型：主体
1．2 人工智能的应用领域
1．2．1 博弈
1．2．2 自动推理和定理证明
1．2．3 专家系统
1．2．4 自然语言理解和语义建模
1．2．5 对人类表现建模
1．2．6 规划和机器人
1．2．7 人工智能的语言和环境
1．2．8 机器学习
1．2．9 另类表示：神经网络和遗传算法
1．2．10 AI和哲学
1．3 人工智能的概括
1．4 结语和参考文献
1．5 练习
第二部分 作为表示和搜索的人工智能
第2章 谓词演算
2．0 简介
2．1 命题演算
2．1．1 符号和语句
2．1．2 命题演算的语义
2．2 谓词演算
2．2．1 谓词的语法和语句
2．2．2 谓词演算的语义
2．2．3 语义含义的积木世界例子
2．3 使用推理规则产生谓词演算表达式
2．3．1 推理规则
2．3．2 合一算法
2．3．3 合一的例子
2．4 应用：一个基于逻辑的财务顾问
2．5 结语和参考文献
2．6 练习
第3章 用以搜索状态空间的结构和策略
3．0 简介
3．1 图论
3．1．1 状态空间搜索的结构
3．1．2 问题的状态空间表示
3．2 用于状态空间搜索的策略
3．2．1 数据驱动搜索和目标驱动搜索
3．2．2 图搜索的实现
3．2．3 深度优先搜索和宽度优先搜索
3．2．4 迭代加深的深度优先搜索
3．3 利用状态空间来表示谓词演算推理
3．3．1 逻辑系统的状态空间描述
3．3．2 与或图
3．3．3 进一步的例子和应用
3．4 结语和参考文献
3．5 练习
第4章 启发式搜索
4．0 简介
4．1 启发式搜索算法
4．1．1 实现最佳优先搜索
4．1．2 实现启发评估函数
4．1．3 启发式搜索和专家系统
4．2 可采纳性、单调性和信息度
4．2．1 可采纳性尺度
4．2．2 单调性
4．2．3 信息度更高的启发是更好的启发
4．3 在博弈中使用启发
4．3．1 针对可穷举搜索情况的极小极大过程
4．3．2 固定层深的极小极大过程
4．3．3 a-B过程
4．4 复杂度问题
4．5 结语和参考文献
4．6 练习
第5章 状态空间搜索的控制和实现
5．0 简介
5．1 基于递归的搜索
5．1．1 递归
5．1．2 递归搜索
5．2 模式导向搜索
5．2．1 递归搜索实例：骑士周游问题
5．2．2 改进模式搜索算法
5．3 产生式系统
5．3．1 定义和历史
5．3．2 产生式系统的例子
5．3．3 产生式系统中的搜索控制
5．3．4 产生式系统的优点
5．4 用于问题求解的黑板结构
5．5 结语和参考文献
5．6 练习
第三部分 表示和智能：AI中的挑战
第6章 知识表示
6．0 知识表示问题
6．1 AI表象图式的简要历史
6．1．1 语义关联理论
6．1．2 语义网络的早期研究
6．1．3 网络关系的标准化
6．1．4 脚本
6．1．5 框架
6．2 概念图：网络语言
6．2．1 概念图简介
6．2．2 类型、个体和名字
6．2．3 类型层次
6．2．4 泛化和特化
6．2．5 命题结点
6．2．6 概念图和逻辑
6．3 显式表示的替代方法
6．3．1 Brookss假设和包容结构
6．3．2 Copycat结构
6．4 基于主体的和分布式的问题求解方法
6．4．1 面向主体的问题求解：定义
6．4．2 面向主体模式的应用领域以及存在的问题
6．5 结语和参考文献
6．6 练习
第7章 求解问题的强方法
7．0 简介
7．1 专家系统技术概览
7．1．1 基于规则的专家系统
7．1．2 问题选择和知识工程的步骤
7．1．3 概念模型及其在知识获取中的作用
7．2 基于规则的专家系统
7．2．1 产生式系统和目标驱动问题求解
7．2．2 目标驱动推理中的解释和-透明性
7．2．3 利用产生式系统进行数据驱动推理
7．2．4 专家系统的启发和控制
7．3 基于模型系统、基于案例系统和混合系统
7．3．1 基于模型推理简介
7．3．2 基于模型推理：来自NASA的例子(Williams and Nayak)
7. 3．3 基于案例推理介绍
7．3．4 混合设计：强方法系统的优势和不足
7．4 规划
7．4．1 简介
7．4．2 使用规划宏：STRIPS
7．4．3 teleo-reactive规划(Nilsson 1994，Benson 1995)
7．4．4 规划：来自NASA的例子(Williams and Nayak)
7．5 结语和参考文献
7．6 练习
第8章 不确定条件下的推理
8．0 简介
8．1 基于逻辑的反绎推理
8．1．1 非单调推理逻辑
8．1．2 真值维护系统
8．1．3 基于最小模型的逻辑
8．1．4 集合覆盖和基于逻辑的反绎(Stern 1996)
8．2 反绎：逻辑之外的办法
8．2．1 Stanford确信度代数
8．2．2 模糊集推理
8．2. 3 Dempster-Shafer证据理论
8．3 统计的方法处理不确定性
8．3．1 贝叶斯推理
8．3．2 贝叶斯信念网络
8．4 结语和参考文献
8．5 练习
第四部分 机器学习
第9章 基于符号的机器学习
9．0 概述
9．1 基于符号的学习的框架
9．2 变型空间搜索
9．2．1 泛化操作和概念空间
9．2．2 候选解排除算法
9．2．3 LEX：启发式归纳搜索
9．2．4 评价候选解排除算法
9．3 ID3决策树归纳算法
9．3．1 自顶向下决策树归纳
9．3．2 测试选择的信息论方法
9．3．3 评价ID3
9．3．4 决策树数据问题：打包、推进
9．4 归纳偏置和学习能力
9．4．1 归纳偏置
9．4．2 可学习性理论
9．5 知识和学习
9．5．1 Meta-DENDRAL
9．5．2 基于解释的学习
9．5．3 EBL和知识层学习
9．5．4 类比推理
9．6 无监督学习
9．6．1 发现和无监督学习
9．6．2 概念聚类
9．6．3 COBWEB和分类知识的结构
9．7 强化学习
9．7．1 强化学习的组成部分
9．7．2 一个例子：九宫游戏
9．7．3 强化学习的推理算法和应用
9．8 结语和参考文献
9．9 练习
第10章 连接主义的机器学习
10．0 介绍
10．1 连接网络的基础
10．2 感知机学习
10．2．1 感知机学习算法
10．2．2 例子：用感知机进行分类
10．2．3 用delta规则
10．3 反传学习
10．3．1 反传算法的起源
10．3．2 反传算法实例1：NETtalk
10．3．3 反传算法实例2：异或
10．4 竞争学习
10．4．1 对于分类的"胜者全拿"学习
10．4．2 学习原型的Kohonen网络
10．4．3 Outstar网络和逆传
10．5 Hebbian一致性学习
10．5．1 介绍
10．5．2 无监督Hebbian学习的例子
10．5．3 有监督Hebbian学习
10．5．4 关联记忆和线性关联器
10．6 吸引子网络或记忆
10．6．1 介绍
10．6．2 BAM，双向关联记忆
10．6．3 BAM处理的例子
10．6．4 自相关记忆和Hopfield网络
10．7 结语和参考文献
10．8 练习
第11章 机器学习：社会性和涌现性
11．0 社会性和涌现性的学习模型
11．1 遗传算法
11．1．1 两个例子：CNF可满足性问题和巡回推销员问题
11．1．2 遗传算法的评估
11．2 分类器系统和遗传程序设计
11．2．1 分类器系统
11．2．2 用遗传算子进行程序设计
11．3 人工生命和基于社会的学习
11．3．1 生命游戏
11．3．2 进化规划
11．3．3 涌现的实例研究(Crutchfield and Mitchell 1994)
11．4 结语和参考文献
11．5 练习
第五部分 智能问题求解高级主题
第12章 自动推理
12．0 定理证明中的弱方法
12．1 通用问题求解程序和差别表
12．2 归结定理证明
12．2．1 介绍
12．2．2 为进行归结反驳生成子句形式
12．2．3 二元归结证明过程
12．2．4 归结策略和简化技术
12．2．5 从归结反驳中抽取解答
12．3 PROLOG和自动推理
12．3．1 介绍
12．3．2 逻辑编程和PROLOG
12．4 自动推理进一步的问题
12．4．1 弱方法求解的统一表示法
12．4．2 可选推理规则
12．4．3 搜索策略及其使用
12．5 结语和参考文献
12．6 练习
第13章 自然语言理解
13．0 自然语言理解问题
13．1 解构语言：符号分析
13．1．1 介绍
13．1．2 语言分析的过程
13．2 语法
13．2．1 使用上下文无关文法说明和解析
13．2．2 转移网络解析器
13．2．3 乔姆斯基层次和上下文相关文法
13．3 ATN解析器的语法和知识
13．3．1 扩充转移网络解析器
13．3．2 结合语法和语义知识
13．4 语言分析随机工具
13．4．1 介绍
13．4．2 马尔科夫模型方法
15．3 高阶函数和抽象
15．3．1 映像和过滤器
15. 3．2 函数参数和lambda表达式
15．4 LISP中的搜索策略
15. 4．1 宽度优先和深度优先搜索
15. 4．2 最优搜索
15．5 LISP中的模式匹配
15．6 递归合一函数
15．7 解释器和嵌入式语言
15．8 LISP中的逻辑编程
15．8．1 一个简单的逻辑编程语言
15．8．2 流和流处理
15．8．3 基于流的逻辑程序解释器
15．9 流和延迟分析
15．10 一个LISP的专家系统外壳
15．10. 1 实现确定性因子
15．10．2 lisp-shell的体系结构
15．10，3 用lisp-shell的分类
15．11 LISP中的语义网络和继承
15．12 用CLOS的面向对象的编程
15．12。1 CLOS中类和实例的定义
15．12．2 定义通用函数和方法
15．12．3 CLOS中的继承
15．12．4 例子：自动调温器仿真
15．13 LISP中的学习：ID3算法，
15．13．1 用defstruct定义结构
15．13．2 ID3算法
15．14 结语和参考文献
15．15 练习
第七部分 后 记
第16章 人工智能作为按经验进行探索的学科
16．0 引言
16．1 人工智能：修订后的定义
16．1．1 人工智能和物理符号系统假设
16，1．2 连接或者"神经"计算
16．1．3 主体、涌现和智能
16．2 智能系统科学
16．2．1 心理学约束
16．2．2 认识论问题
16．2．3 情景角色和存在智能
16．3 人工智能：当前的问题和未来的方向
16．4 结语和参考文献
参考文献
作者索引
主题索引
