本书从一个新颖的角度对人工智能各方面的问题进行了探讨。由浅入深地介绍了整个人工智能系统和agent的发展历程。首先，描述了仅能对周围环境中可感知特征做出反应的原始agent，以及它们所涉及的机器视觉、机器学习和机器进化等问题；然后，逐步介绍了agent 可以从无法立即感知的任务环境中获取信息的技术。本书不仅是对人工智能技术的介绍，而且能为人工智能的研究提供参考和建议。
本书作为人工智能的入门教材，适合所有对人工智能这门学科感兴趣的读者参考，尤其适合大专院校的计算机专业及相关专业的学生用做教材或教学参考书。
郑扣根，男，1964年11月出生于江苏镇江。1986年东北重型机械学院自动控制系本科毕业，同年考入浙江大学科仪系攻读硕士学位，1987年公派至英国Warwick大学继续攻读工程硕士，并于1990年获Warwick大学博士学位。同年至英国Leicester 大学做博士后，1993年12月回国至浙江大学计算机系做博士后，1994年5月晋升为副研究员，1996年1月出站并留在浙江大学计算机系任教至今。主要研究方向为操作系统、人工智能、地理信息系统、并行算法等。
庄越挺，1965年6月出生于浙江慈溪。获浙江大学计算机应用博士学位。现为浙江大学计算机系教授、系副主任、博士生导师，浙江省“151人才工程”第一层次培养人员，曾多次获浙江大学优秀青年教师称号。主要的研究领域为多媒体数据库及信息检索、智能动画、人工智能、CAD 等，主持过国家基础研究“攀登计划”、国家“八五”攻关、国家自然科学基金等10多个项目，并取得丰硕的科研成果，92年获中科院科技进步一等奖，93年获国家科技进步二等奖。共发表50多篇学术论文。1997年2月至1998年8月间，获浙江大学包氏奖学金资助，赴美国伊利诺斯大学Urbana-Champaign(UIUC) 的计算机系和Beckman研究中心作访问学者。
本书从一个新颖的角度对人工智能(Artificial Intelligence，简称AI)各方面的问题进行了探讨，由浅入深地介绍整个人工智能系统或agent的发展历程。首先，将介绍仅能对周围环境中可感知特征做出反应的原始agent，以及这些简单的机器所涉及的机器视觉、机器学习和机器进化等问题；然后，将逐步介绍使agent可以在无法立即感知的任务环境中获取信息的技术。这些信息可以采用环境状态、环境图标模型、状态空间图和逻辑表示等描述性信息的形式。因为AI的发展历程类似于动物的进化过程，因此我称其为演化人工智能(evolutionary artificial intelligence)。希望本书不仅是对人工智能技术的介绍，而且能为研究人工智能提供参考（建议）。为此，书中的例子为人工智能的学习提供激励和基础。
尽管我运用agent来说明人工智能技术，但人工智能技术本身拥有更广泛的应用。许多人工智能研究者的思想已经渗透到计算机科学中，AI已广泛应用于专家系统、自然语言处理、人机交互、信息检索、图形图象处理、数据挖掘和机器人技术（对此将会举例说明）。这里，agent旨在把一系列看似不相关的主题组织到一起。
本书涉及的范围，将力图控制在理论和实践之间的中间地带。这一地带拥有丰富而重要的人工智能的思想，并且，在本书中我将尽力选取并说明那些在人工智能领域中具有经久不衰的价值观点（当然，在选取论题并做出结论时不可避免地会出现遗漏和错误）。同时，在书中将对某些论题进行深入探讨—不仅因为这些论题更加重要，而且我想要在书中提供一些深层剖析的例子。虽然书中出现了伪代码算法，但本书并非人工智能编程的教材（“人工智能技术”的书包括：[Shoham 1994，Norvig 1992，Tracy & Bouthoorn 1997]）。我并不对所有重要的理论结果给出证明，但会对那些形式证明尽力提供直观的论据和引用。我的目的是为一个学期的大学初级课程提供一本厚度适中的入门教材，激发学生和读者的兴趣，为进一步学习更高级的人工智能课程做好准备，同时使大量关于人工智能的文献易于查阅。
本书的一个打破常规之处是机器学习（machine learning）并未作为单独的论题讨论，而是将其贯穿本书始终。首先讨论神经网络（neural net）和受监督的学习（supervised learning）的基本思想；接着在“搜索（search）”章节中将讨论学习启发式搜索和动作策略的技术；然后，在有关“逻辑（logic）”章节之后将讨论规则学习(rule learning)，归纳逻辑编程（inductive logic programming）和基于解释的学习（explanation-based learning）；最后，在讨论了基于逻辑的计划（logic-based planning）之后，将讨论有关学习规划（learning plan）。
我以前的书中每章末尾均提供“参考书目和历史评价”（有的读者或许觉得仍有用），但是在这本书中我并没有这样做。因为随着人工智能的发展，它所包含的内容已经愈加广泛，而且另一本更加详尽的教材已经作了这项工作（Russell & Norvig 1995）。但我在本书中引入了适当的评价和引用，并且在多数章节末尾的讨论小节中给出了另外一些讨论。那些有志于以人工智能为研究方向的学生可以查阅这些参考书，希望这些大量的引用不会给一般读者带来困扰。
每章末尾均附有习题，有些只是书中概念的简单应用，有些则稍具挑战性，难度不一。我希望教师能根据自己的需要扩充习题，包括上机练习和项目编程（为了与以思想而不是以程序为中心的初衷保持一致，我并没有在书中涉及任何计算机上机练习和项目编程。在专门的人工智能编程技术教材中可找到相关内容。）
本书使用如下的排版约定：黑体大写字母如W和X用来表示矢量、矩阵和模式操作符。小写希腊字母表示谓词演算表达式和子表达式所涉及的元变量，有时也表示替换。大写希腊字母用来表示谓词演算公式的集合。小写字母p表示概率。
通过万维网（WWW），学生和研究者可以找到大量关于人工智能的资料，这里并没有列出它们的网址，因为现在列出的清单数月后会变得不完整和不确切。另外，通过Web搜索引擎，读者可迅速查找到应用实例、常见问题、参考书目、研究论文、程序、交互演示、研究所和会议的公告及研究者的主页等等。
在出版者的Web站点www.mkp.com/nils的网页上可找到本书的相关资料，如发现错误，请通过以下地址给出版商发电子邮件：aibugs@mkp.com。错误及更正可以在以下网址中找到：http://www.mkp.com/nils/clarified。
我的前一本人工智能教材《人工智能原理》（Principles of Artificial Intelligence）现在已经过时，但书中某些内容仍有价值，因此本书的编写直接采用了这些内容。同时，与其他人工智能教材（特别是[Russell & Norvig 1995，Rich & Knight 1991，Stefik 1995]）相互对照学习，亦十分有益。
郑扣根 庄越挺：庄越挺: 浙江大学计算机学院教授，博士生导师，现任学院副院长。主持或作为骨干参加过国家自然科学基金、国家基础研究“攀登计划”、国家“七五”、“八五”重点攻关等10多个项目，取得了多项科研成果。曾于92年获中科院科技进步一等奖，93年获国家科技进步二等奖。共发表70多篇学术论文，其中被EI收录7篇,在ACM Multimedia, IEEE ICIP等重要国际学术会议上发表多篇论文。主编1部，译著1部，参著2部。曾获浙大包氏奖学金资助，赴美国University of Illinois at Urbana-Champaign留学。获2000年度浙江省“151人才工程”第一层次培养人员，2000年度“中创软件人才奖”，多次获浙江大学优秀青年教师称号，2000年开始享受国家政府特殊津贴。 目前的主要研究兴趣是：网络多媒体技术、多媒体数据库及信息检索、基于视频的动画、智能CAD。
人类总是在不断深入地研究自然界，最复杂的研究对象便是人类本身。人工智能在20世纪50年代诞生并随之兴起，此后掀起了用机器来研究与模拟人类思维的阵阵热浪。人工智能的发展历史反复经历了高峰和低谷的转换。起初，研究者们对之极为乐观，期望在不远的将来，人类所创造的机器能够成为作曲家、艺术家、工程师和象棋大师等。在这种目标的激励下，人工智能的研究热潮一浪高过一浪，很快在问题求解、博弈、演绎逻辑及机器自动证明理论和技术等方面有了突飞猛进的发展。但是人类智能之复杂及计算机软硬件之局限，决定了人工智能的发展道路崎岖不平。过高的期望也给许多人带来了失望。跳棋程序到了一定程度水平难以再提高、通用解题程序遇到了难以逾越的困难、归结方法难以克服“组合爆炸”等等，人工智能的研究曾一度陷入低谷。但近几年来，通过人工智能研究者们的不断争论、探索和创新，并随着相关领域、特别是计算机技术的飞速发展，人工智能又进入一个新的发展期，一些新技术、新观念被集成到这个领域，本书即是作者在此背景下撰写而成的。
本书的作者Nilsson教授是人工智能研究中逻辑学派的奠基人之一，他早期的一些人工智能著作堪称为该领域的经典，曾经在全世界许多国家被用做大学的教材。本书是Nilsson教授在综合了当前人工智能领域的最新研究、计算机及相关领域的最新发展，增添了大量新的研究内容之后撰写完成的。本书取材新颖，概念清楚，通俗易懂，在广度、深度及先进性方面都作了综合的考虑。与作者的其他著作风格不同的是，在每章的最后一节均附有“补充阅读和讨论”，系统地总结了与所讨论的章节相关的参考文献和评论，为读者进一步深入了解书中的基本原理提供了很大的帮助。
本书的翻译力求忠于作者原意。考虑到本书可作为一本人工智能的基础教材，我们在许多人工智能的专业术语后面的括号内注上英文原文。这一方面是为了方便读者能对照理解，为其以后的学习打下基础；另一方面也为了避免以往就存在的不同中文译法而带来的歧义，以节省读者的宝贵时间。另外，本书频繁地使用了“agent”这一术语，书中可译为“智能体”或“智能主体”，但由于“agent”这一单词近几年在人工智能和计算机界使用非常广泛，且大都沿用原文，故我们在本书中也按此习惯，未将其译为中文。译者希望本书的翻译既能吸引更多的读者进入这个领域，同时也能给人工智能研究者们提供知识的更新和补充。
本书的翻译由郑扣根和庄越挺合作完成，全书由潘云鹤教授校阅。
在本书的翻译过程中，得到了马社亮、田鹏、任海波、田稷等同志的许多帮助，在此表示深深的谢意。同时也非常感谢机械工业出版社的编辑们给予我们耐心的等待和支持。
由于种种原因，书中错误和不妥之处在所难免，恳请读者批评指正。
译 者
2000年4月
译者序
前言
第1章 绪论 1
1.1 什么是人工智能 1
1.2 人工智能的研究方法 4
1.3 人工智能简史 5
1.4 本书规划 7
1.5 补充读物和讨论 9
第一部分 响应机器
第2章 刺激响应agent 13
2.1 感知和动作 13
2.1.1 感知 15
2.1.2 动作 15
2.1.3 布尔代数 16
2.1.4 布尔函数的类别和形式 16
2.2 动作函数的表达和执行 17
2.2.1 产生式系统 17
2.2.2 网络 18
2.2.3 包含体系结构 20
2.3 补充读物和讨论 21
第3章 神经网络 23
3.1 引言 23
3.2 训练单个TLU 23
3.2.1 TLU几何学 23
3.2.2 扩充向量 24
3.2.3 梯度下降方法 24
3.2.4 Widrow-Hoff程序 25
3.2.5 一般化Delta程序 26
3.2.6 纠错程序 27
3.3 神经网络 28
3.3.1 动机 28
3.3.2 表示符号 28
3.3.3 反向传播方法 29
3.3.4 计算最后一层的权值变化 30
3.3.5 计算中间层的权值变化 30
3.4 一般化、准确度和过度拟合 32
3.5 补充读物和讨论 34
第4章 机器进化 37
4.1 进化计算 37
4.2 遗传编程 37
4.2.1 遗传编程的程序表示 37
4.2.2 遗传编程过程 39
4.2.3 进化一个沿墙运动的机器人 40
4.3 补充读物和讨论 43
第5章 状态机 45
5.1 用特征向量来表示环境 45
5.2 Elman网络 46
5.3 图标表示 47
5.4 黑板系统 49
5.5 补充读物和讨论 50
第6章 机器人视觉 53
6.1 引言 53
6.2 操纵一辆汽车 54
6.3 机器人视觉的两个阶段 55
6.4 图象处理 56
6.4.1 平均法 56
6.4.2 边缘增强 58
6.4.3 边缘增强与平均法的结合 59
6.4.4 区域查找 61
6.4.5 运用亮度以外的其他图象的属性 62
6.5 场景分析 63
6.5.1 解释图象中的线条和曲线 63
6.5.2 基于模型的视觉 65
6.6 立体视觉和深度信息 66
6.7 补充读物和讨论 67
第二部分 状态空间搜索
第7章 能计划的agent 71
7.1 存储与计算 71
7.2 状态空间图 72
7.3 显式状态空间搜索 74
7.4 基于特征的状态空间 74
7.5 图记号 75
7.6 补充读物和讨论 76
第8章 盲目搜索 78
8.1 用公式表示状态空间 78
8.2 隐式状态空间图的组成 78
8.3 广度优先搜索 79
8.4 深度优先或回溯搜索 80
8.5 迭代加深 81
8.6 补充读物和讨论 82
第9章 启发式搜索 84
9.1 使用评估函数 84
9.2 一个通用的图搜索算法 85
9.2.1 算法A* 86
9.2.2 A*的可接纳性 88
9.2.3 一致性（或单调）条件 91
9.2.4 迭代加深的A* 92
9.2.5 递归最优搜索 93
9.3 启发式函数和搜索效率 94
9.4 补充读物和讨论 97
第10章 计划、动作和学习 99
10.1 感知/计划/动作循环 99
10.2 逼近搜索 100
10.2.1 孤岛驱动搜索 100
10.2.2 层次搜索 101
10.2.3 有限范围搜索 102
10.2.4 循环 103
10.2.5 建立反应过程 104
10.3 学习启发式函数 105
10.3.1 显式图 105
10.3.2 隐式图 106
10.4 奖赏代替目标 107
10.5 补充读物和讨论 108
第11章 其他搜索公式及其应用 111
11.1 赋值问题 111
11.2 构造性方法 112
11.3 启发式修补 114
11.4 函数优化 115
第12章 敌对搜索 118
12.1 双agent博弈 118
12.2 最小最大化过程 119
12.3 a -b 过程 122
12.4 a -b 过程的搜索效率 125
12.5 其他重要问题 125
12.6 概率博弈 126
12.7 学习评估函数 127
12.8 补充读物和讨论 128
第三部分 知识的表示和推理
第13章 命题演算 131
13.1 对特征值加以约束 131
13.2 语言 132
13.3 推理规则 133
13.4 验证定义 133
13.5 语义 134
13.5.1 解释 134
13.5.2 命题真值表 134
13.5.3 可满足性与模型 135
13.5.4 永真性 136
13.5.5 等价 136
13.5.6 涵蕴 136
13.6 合理性和完备性 137
13.7 命题可满足性问题 137
13.8 另一些重要的问题 138
13.8.1 语言差异 138
13.8.2 元定理 138
13.8.3 结合律 139
13.8.4 分配律 139
第14章 命题演算中的归结 140
14.1 一种新的推理规则：归结 140
14.1.1 作为合式公式的子句 140
14.1.2 子句上的归结 140
14.1.3 归结的合理性 141
14.2 转换任意的合式公式为子句的合取式 141
14.3 归结反驳 142
14.4 归结反驳搜索策略 142
14.4.1 排序策略 143
14.4.2 精确策略 143
14.5 Horn 子句 144
第15章 谓词演算 146
15.1 动机 146
15.2 谓词演算语言和它的句法 146
15.3 语义 147
15.3.1 世界 147
15.3.2 解释 147
15.3.3 模型及其相关的概念 148
15.3.4 知识 149
15.4 量化 150
15.5 量词语义学 150
15.5.1 全称量词 150
15.5.2 存在量词 151
15.5.3 有用的等价式 151
15.5.4 推理规则 151
15.6 谓词演算作为一种表示知识的语言 151
15.6.1 概念化 151
15.6.2 举例 152
15.7 补充读物和讨论 153
第16章 谓词演算中的归结 155
16.1 合一 155
16.2 谓词演算归结 157
16.3 完备性和合理性 158
16.4 把任意的合式公式转化为子句形式 158
16.5 用归结证明定理 160
16.6 回答提取 161
16.7 等式谓词 161
16.8 补充读物和讨论 163
第17章 基于知识的系统 166
17.1 面对现实世界 166
17.2 用Horn子句进行推理 166
17.3 动态知识库的维持 170
17.4 基于规则的专家系统 173
17.5 规则学习 176
17.5.1 学习命题演算规则 177
17.5.2 学习一阶逻辑规则 180
17.5.3 基于解释的一般化 183
17.6 补充读物和讨论 184
第18章 表示常识知识 187
18.1 常识世界 187
18.1.1 什么是常识知识 187
18.1.2 表示常识知识的困难 188
18.1.3 常识知识的重要性 189
18.1.4 研究领域 189
18.2 时间 190
18.3 用网络表示知识 191
18.3.1 分类的知识 191
18.3.2 语义网络 192
18.3.3 语义网络的非单调推理 193
18.3.4 框架 194
18.4 补充读物和讨论 194
第19章 用不确定信息进行推理 197
19.1 概率论简介 197
19.1.1 基本思想 197
19.1.2 条件概率 199
19.2 概率推理 201
19.2.1 一个一般的方法 201
19.2.2 条件独立 202
19.3 贝叶斯网 203
19.4 贝叶斯网的推理模式 204
19.5 不确定证据 205
19.6 D 分离 205
19.7 在polytree中的概率推理 206
19.7.1 证据在上方 207
19.7.2 证据在下方 208
19.7.3 证据在上下两方 209
19.7.4 一个数值例子 210
19.8 补充读物和讨论 211
第20章 用贝叶斯网学习和动作 214
20.1 学习贝叶斯网 214
20.1.1 已知网络结构 214
20.1.2 学习网络结构 216
20.2 概率推理与动作 219
20.2.1 一般设置 219
20.2.2 一个扩展的例子 220
20.2.3 一般化举例 222
20.3 补充读物和讨论 223
第四部分 基于逻辑的规划方法
第21章 状态演算 227
21.1 状态和动作推理 227
21.2 存在的一些困难 229
21.2.1 框架公理 229
21.2.2 条件 230
21.2.3 分枝 230
21.3 生成计划 231
21.4 补充读物和讨论 231
第22章 规划 234
22.1 STRIPS规划系统 234
22.1.1 描述状态和目标 234
22.1.2 向前搜索方法 235
22.1.3 递归STRIPS 236
22.1.4 带有运行时条件的计划 238
22.1.5 Sussman异常 238
22.1.6 向后搜索方法 239
22.2 计划空间和部分有序规划 242
22.3 层次规划 246
22.3.1 ABSTRIPS 246
22.3.2 层次规划和部分有序规划的组合 248
22.4 学习计划 248
22.5 补充读物和讨论 250
第五部分 通信与集成
第23章 多agent 255
23.1 交互agent 255
23.2 其他agent模型 255
23.2.1 模型种类 255
23.2.2 模拟策略 256
23.2.3 模拟数据库 257
23.2.4 有意思维方式 257
23.3 知识模式逻辑 258
23.3.1 模式算子 258
23.3.2 知识公理 259
23.3.3 关于其他agent知识的推理 260
23.3.4 预测其他agent的动作 261
23.4 补充读物和讨论 261
第24章 agent之间的通信 263
24.1 交谈 263
24.1.1 计划交谈 264
24.1.2 实现交谈 264
24.2 理解语言字符串 265
24.2.1 短语结构语法 265
24.2.2 语义分析 267
24.2.3 扩展语法 271
24.3 有效通信 272
24.3.1 上下文的使用 272
24.3.2 使用知识解决歧义性 273
24.4 自然语言处理 274
24.5 补充读物和讨论 275
第25章 agent体系结构 277
25.1 三级体系结构 277
25.2 目标仲裁 278
25.3 三层塔式结构 279
25.4 自举 280
25.5 补充读物和讨论 280
参考文献 282
