“这是市面上能够覆盖过去10年间在我的人工智能课程中所包含的所有主题的少有的几本书之一。”
——Bruce Maxim，美国密歇根大学迪尔本分校
“本书是人工智能课程的完美补充。它既给读者以历史的观点，又给出所有技术的实用指南。这是一本必须要推荐的人工智能的图书。”
——Pascal Rebreyend，瑞典达拉那大学
本书是一本经典的人工智能教材。它彻底、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、心理学以及神经生理学角度对人工智能进行了独特的讨论。新版中增加了对“随机方法”的介绍，提出了自然语言理解中的一些问题。
本书已被宾夕法尼亚大学、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研究者或实践者的优秀参考书。
第5版的新增内容
●新增一章，专门介绍随机方法。
●在许多章节中补充和扩展了资料。
●提出了自然语言理解中的一些问题。
●从哲学、心理学以及神经生理学角度进一步讨论人工智能的各项成果。
无
我们通过做来学习我们必须做的……
—亚里士多德《伦理学》（Ethics）
欢迎阅读第5版
我很高兴被邀请写作我们这本“人工智能”教材的第5版。这是对近二十年来之前几个版本的褒奖，说明我们获取AI的方法得到了大家的高度评价。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、同事和学生能够及时督促我们更新相关的主题和说明。
前几版中的许多章节（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）在现今仍然具有很好的适用性。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。第5版中加入了一个新的章节来介绍随机方法。随机技术对人工智能的影响日益增加，尤其在诊断推理、自然语言分析、学习等领域更是如此。为了支持这些技术，我们扩充了对贝叶斯理论、贝叶斯网络以及有关的图形模型、概率有限状态自动机、韦特比算法动态程序设计和马尔可夫建模的介绍。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，现在已成为比较重要的主题，值得更加全面地讨论。第5版中所作的修改反映出了所研究问题的发展变化，同时也是人工智能领域具有持久活力的证明。
随着写作计划范围的扩大，我们得到了很多人（包括出版商、编辑、朋友、同事，尤其是广大读者）的支持，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，我们仍然很兴奋：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关心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这样的机会表示感谢。我们也很受鼓舞，因为本书前几版已经用于全世界许多人工智能社区，而且被翻译成了许多不同语言（包括德语、波兰语、葡萄牙语、俄语以及中文简体和繁体）。
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可能的智能的空间。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、复杂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5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来统一不同的分支”。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、无秩序但大体上和平的城市里，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刻画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。最后，作为哲学家，我们有责任分析人工智能事业在认识论上的合法性。为完成这一任务，我们讨论了理性主义工程、经验主义难题，并提出了构成主义者的和解。在这本第5版中，我们触及了进行这些努力中的所有层次。
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。同时，我们觉得对历史传统的回顾和通过对表示法和搜索的研究所获得的技能是人工智能教育不可或缺的部分。而且，高级表示形式和搜索技术也是分析非符号人工智能的多个方面（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进展）的无价工具。第17章中对现代AI的不同方法进行了比较和评论。
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。
第5版的新内容
第5版最主要的修改是扩充了通过随机方法获取人工智能的相关材料。为此，我们新加入了第5章来介绍随机方法。我们从集合论和计数的基础知识开始，逐步引出概率、随机变量和独立性等概念。接着，我们以一种症状和一种疾病为例介绍并使用了贝叶斯理论，然后将其推广到最通用的形式。我们分析研究了应用贝叶斯理论的假设，介绍了argmax和简单贝叶斯方法。我们介绍了随机推理的一些例子，包括语言现象分析工作中的几个实例。我们还介绍了条件独立性的思想，随后在第9章引出了关于贝叶斯信念网络（BBN）和d-可分的介绍。
我们为本书很多地方都补充了更多对随机方法的介绍，包括概率有限状态自动机、概率接受器和使用随机测量的动态程序设计算法（有时称为韦特比算法）。我们扩充了第9章（不确定条件下的推理）中的材料，使其涵盖了贝叶斯信念网络、隐马尔可夫模型和其他一些图形化模型。在第15章关于PROLOG的材料中，我们还添加了一个随机英语语法分析器（以爱丁堡大学Mark Steedman的工作为基础）。
我们扩充了本书的许多部分以便让读者认识到基于主体的问题求解及其体现在AI技术中的持续的重要性。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7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（包括连接主义和进化/涌现模型），到情景的和社会的方法。第17章包含了对每种代表性方法的评论。
第14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。这些介绍内容包括马尔可夫模型、分类和衰退（CART）树、交互信息聚类和基于统计的解析。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17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的工作。
内容
第1章简单介绍人工智能。我们从哲学、心理学和其他相关的研究领域中试图了解头脑和智能的简要历史开始。从重要意义上来讲，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、6章（第二部分）介绍AI问题求解的研究工具。内容包括：第2章介绍描述问题本质特征的谓词演算，谓词演算既是一种数学系统，也是一种表示语言。第3章介绍搜索以及用来实现搜索的算法和数据结构，搜索技术用来组织问题情景的探测。在第4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。在第5章，我们介绍随机方法，这是一种在不确定情况下推理的重要技术。在第6章，我们介绍构建这些搜索算法所需的许多软件结构，包括黑板和产生式系统。
第7、8、9章构成本书的第三部分：人工智能、知识密集型问题求解、变化和模糊情况下推理的表示法。第7章介绍AI表示法的发展历程。我们从对基于关联的网络的讨论开始，扩展这个模型以包含概念依赖理论、框架和脚本。我们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示的。在第14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7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8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第二部分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9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9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。
第四部分包括第10章到第12章，提供机器学习中问题的扩充说明。在第10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11章，我们介绍神经网络，这类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模型。我们介绍了联想学习和吸引子模型，包括Hopfield网络。
在第12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。在介绍了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。我们比较了第17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）。
第五部分包括第13章和第14章，介绍自动推理和自然语言理解。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13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例的一个实例。
第14章介绍自然语言理解。我们在第7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，包括马尔可夫模型、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（第15章和第16章）用LISP和PROLOG实现了前面章节中介绍的许多算法。第15章介绍PROLOG，第16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17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，我们既可以将这本教材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、集合论、计数和图论。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节和5.1节）的那些概念。我们还假设学生已经学习了数据结构课程，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、6章的开始章节。
在一个学期的课程中，我们会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和LISP都是构建自然语言理解和学习系统的极好工具。
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合集，《Computation and Intelligence》 (Luger 1995)。
本书中的算法采用类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。case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，这可以使算法清晰易读。
通过Internet可以获得的补充材料
这本第5版附带一个由Addison-Wesley Pearson维护的重要网站。这个网站由新墨西哥大学的两个研究生Alejandro CdeBaca和Cheng Liu建立。网站的内容包括大多数章节后面建议的补充材料、一些示例问题及其解决方法以及对学生项目的许多建议。除了第15章和第16章中LISP和PROLOG方面的材料外，网站上还有许多用Java和C++写的AI算法。欢迎广大同学使用这些材料，并补充自己的评论、代码和批评。网站的地址是www.booksites.net/luger。
此外，本书中出现的PROLOG和LISP代码，还可以通过Internet在www.cs.unm.edu/~luger/获得，只要沿着到第5版的链接就能找到。
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
虽然我是第5版的署名作者，但本书一直是我在新墨西哥大学做计算机科学、心理学和语言学教授时努力的成果，其中也离不开我的教员同事们、研究生和好朋友们的贡献，特别是新墨西哥大学人工智能社区的成员们的帮助。这本第5版同时也是许多E-mail给我评价、更正和建议的读者的成果。本书将继续这种方法，反映“团体”的成果。因此，介绍材料时，我将继续使用“我们，我们的”这些人称代词。
我要感谢Bill Stubblefield，他是本书前3版的合著者，对本书有超过15年的贡献，更重要的是我们在过去25年间的友谊。我也要感谢许多帮助完成这本第5版的审稿人，包括Dennis Bahler、Leonardo Bottaci、Skona Brittain、Philip Chan、Peter Collingwood、Mehdi Dastani、John Donald、Sarah Douglas、Christophe Giraud-Carrier、Andrew Kosoresow、Terran Lane、 Chris Malcolm、Ray Mooney、Marek Perkowski、Barak Pearlmutter、Dan Pless、Bruce Porter、Julian Richardson、Jude Shavlik、John Sheppard、Carl Stern、Leon van der Torre、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。最后，感谢Chris Malcolm、Brendan McGonnigle和Akasha Tang审定第17章。
我们新墨西哥大学的同事中，我们要感谢Dan Pless在扩充第5章和第9章的材料中起到了主要作用，感谢Joseph Lewis对第9章和第17章的贡献，感谢Carl Stern帮助扩充第10章连接主义学习，感谢Bob Veroff审定第13章中自动推理部分的材料，感谢Jared Saia和Monique Morin帮助完成第14章自然语言理解的随机方法，感谢Alejandro CdeBaca和Cheng Liu检查参考文献并做了索引。
我们要感谢Academic Press允许重印第11章中的许多材料，这些材料最早出版于《Cognitive Science: The Science of Intelligent Systems》（Luger 1994）。最后，我们感谢十多年来新墨西哥大学使用本书的学生，他们拓宽了我们的视野，帮助改掉了书中许多印刷错误和失误。
我们感谢Benjamin-Cummings、Addison-Wesley-Longman和Pearson Education的许多朋友，他们对我们完成第5版的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 Moller和Mary Tudor帮助我们完成第2版，Victoria Henderson、Louise Wilson和Karen Mosman协助我们完成第3版，Keith Mansfield、Karen Sutherland和Anita Atkinson对第4版的支持，以及Keith Mansfield、Owen Knight、Mary Lince和Bridge Allen对这本第5版的帮助。Addison-Wesley美国公司的Katherine Haratunian在分发教师指导手册和PowerPoint演示材料工作上起了巨大的作用。在前言之后的“致谢”中列出了我们得到允许可以在本书所有5版中包含的受版权保护的资料。我们感谢新墨西哥大学的Linda Cicarella帮助我们准备出版用的图表。
我们感谢Thomas Barrow，一位国际知名的艺术家、新墨西哥大学艺术教授（退休），他绘制了书中的七幅插图。
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
2004年7月1日
Albuquerque
致 谢
感谢下列允许使用的版权资料：
图4-8、图4-9、图9-21和图9-22，表5-2和表5-3采用了《Speech and Language Processing: an Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition》（Jurafsky, D., and Martin, J.H., 2000）一书中第157页上的图5-6，第178页的图5-18，第180页的图5-20和第167页的数据，该书由Prentice Hall（Pearson Education, Inc.）出版。图5-3采用了《Speech and Language Processing: an Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition》（Jurafsky, D., and Martin,J.H.,2000）一书中第170页上的图5-12，这张图本身取自《Artificial Intelligence: A Modern Approach, First Edition》，Prentice Hall, ( Pearson Education, Inc.)（Russell, S.J. and Norvig, P., 1995）。图7-1来源于《Expert Systems: Artificial Intelligence in Business》，作者是 Harmon, P. 和King, D., John Wiley & Sons, Inc.拥有版权*1985 Paul Harmon和David King，使用这些资料得到了John Wiley & Sons, Inc.的许可。图7-6、图7-9和图7-10来源于文章《Inference and the computer understanding of natural language》，它刊登在杂志《Artificial Intelligence》（人工智能）1974年Vol.5, No.4, 第373~412页，版权*1974，得到了Elsevier Science的使用许可，（Schank，R.C.,和Reiger, C.J., 1974）。图7-27和图7-28来源于《Analogy-Making as Perception: A Computer Model》，MIT出版（Mitchell,M.,1993）。图9-2来源于《An Improved Algorithm for Non-monotonic Dependency Net Update》，在LITH-MAT-R-82-23的技术报告中，得到了作者的使用许可，（Goodwin, J.,1982）。图10-21采用了来自《Models of Incremental Concept Formation》的图，在《Artificial Intelligence》杂志，Vol. 40, Nos.1-3,1989, 第11~62页，版权*1989，得到Elsevier Science的使用许可，（Gennari, J.H., Langley, P.,和Fisher, D.1989）。图11-18援引自《Introduction to Support Vector Machines: and Other Kernel-Based Learning Methods》第102页上图6-2的一部分，剑桥大学出版社，（Cristianini,N. 和Shawe-Taylor, J., 2000）。
第11章的学术出版，来源于《Cognitive Science: The Science of Intelligent Systems》（认知科学：智能系统的科学），（Luger, G.F., 1994）美国公共管理学会根据“Decision-Making and Administrative Organization”进行节略选取，在《Public Administration Review》中，Vol.4, Winter 1994, (Simon, H.A., 1944)。
有些情况我们难以找到材料的版权拥有者，但我们将向为我们提供这些信息的人表示感谢。
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 等：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，这是计算的最高级目标。在过去的很多年里，人工智能的研究者们在探索智能机制的同时，还使人工智能在实际领域取得了更广泛的应用。我们可以使用不同的人工智能策略解决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以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5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对人工智能的独特讨论。
与第4版相比，第5版主要扩充了通过随机方法获取人工智能的相关材料，包括：
* 新加入第5章介绍随机方法，包括概率论和贝叶斯理论。
* 在不确定信息和不可靠信息推理一章（第4版第8章）中添加了贝叶斯信念网络、隐马尔可夫模型等图形化模型。
* 在其他一些章节中扩充了概率有限状态自动机、概率识别器和韦特比算法。
本书包括17章。第1章（第一部分）简单介绍人工智能；第2、3、4、5、6章（第二部分）介绍AI问题求解的研究工具；第7、8、9章（第三部分）介绍人工智能和知识密集型问题求解以及变化和模糊情况下推理的表示法；第10章到第12章（第四部分）提供机器学习中问题的扩充说明；第13章和第14章构成本书的第五部分，第13章讨论这一领域中最早的程序，第14章介绍自然语言理解；第15章和第16章 （第六部分）介绍LISP和PROLOG；第17章（第七部分）作为本书的结束语。附录内容为参考文献、作者索引、主题索引。
本书第5版的翻译由史忠植负责。张银奎翻译本书第1、2、3、4、6、7、8章。周谦翻译第9章和第10章。李清勇翻译第11章和第12章。蒋运承翻译第15章。张海俊翻译第16章。董明楷翻译第17章。刘曦翻译第5章。赵志负责校对并翻译第14章和索引及其他章节与第4版的不同之处。史忠植审校了全部译稿。
本书适合作为高等院校计算机、自动化、电子等专业本科生及研究生的人工智能教材。同时，本书也是人工智能领域的研究者或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
第一部分 人工智能的历史渊源及研究范围
第1章 人工智能的历史及应用 3
1.1 从伊甸园到第一台电子计算机 3
1.1.1 人工智能基础的简要历史 4
1.1.2 理性主义和经验主义学派对人工智能的影响 6
1.1.3 形式逻辑的发展 7
1.1.4 图灵测试 10
1.1.5 智能的生物和社会模型：主体理论 12
1.2 人工智能的应用领域 15
1.2.1 博弈 15
1.2.2 自动推理和定理证明 16
1.2.3 专家系统 16
1.2.4 自然语言理解和语义建模 18
1.2.5 对人类工作能力建模 18
1.2.6 规划和机器人 19
1.2.7 人工智能的语言和环境 20
1.2.8 机器学习 20
1.2.9 另类表示：神经网络和遗传算法 21
1.2.10 AI和哲学 22
1.3 人工智能概要 22
1.4 结语和参考文献 23
1.5 习题 24
第二部分 作为表示和搜索的人工智能
第2章 谓词演算 32
2.0 简介 32
2.1 命题演算 32
2.1.1 符号和语句 32
2.1.2 命题演算的语义 33
2.2 谓词演算 35
2.2.1 谓词的语法和语句 35
2.2.2 谓词演算的语义 40
2.2.3 语义含义的积木世界例子 42
2.3 使用推理规则产生谓词演算表达式 44
2.3.1 推理规则 44
2.3.2 合一算法 46
2.3.3 合一的例子 49
2.4 应用：一个基于逻辑的财务顾问 52
2.5 结语和参考文献 55
2.6 习题 55
第3章 用以搜索状态空间的结构和策略 57
3.0 简介 57
3.1 图论 59
3.1.1 状态空间搜索的结构 59
3.1.2 有限状态自动机 61
3.1.3 问题的状态空间表示 62
3.2 用于状态空间搜索的策略 67
3.2.1 数据驱动搜索和目标驱动搜索 67
3.2.2 图搜索的实现 68
3.2.3 深度优先搜索和宽度优先搜索 71
3.2.4 迭代加深的深度优先搜索 76
3.3 利用状态空间来表示谓词演算推理 77
3.3.1 逻辑系统的状态空间描述 77
3.3.2 与或图 78
3.3.3 进一步的例子和应用 80
3.4 结语和参考文献 87
3.5 习题 87
第4章 启发式搜索 89
4.0 简介 89
4.1 启发式搜索算法 92
4.1.1 爬山 92
4.1.2 动态程序设计 93
4.2 最佳优先搜索算法 96
4.2.1 实现最佳优先搜索 96
4.2.2 实现启发评估函数 98
4.2.3 启发式搜索和专家系统 103
4.3 可采纳性、单调性和信息度 104
4.3.1 可采纳性尺度 104
4.3.2 单调性 106
4.3.3 信息度更高的启发是更好的启发 107
4.4 在博弈中使用启发 108
4.4.1 针对可穷举搜索情况的极小极大过程 108
4.4.2 固定层深的极小极大过程 109
4.4.3 a-b过程 113
4.5 复杂度问题 114
4.6 结语和参考文献 116
4.7 习题 117
第5章 随机方法 120
5.0 简介 120
5.1 计数基础（选读） 121
5.1.1 加法和乘法定理 121
5.1.2 排列与组合 123
5.2 概率论基础 124
5.2.1 样本空间、概率和独立性 124
5.2.2 概率推理：一个道路/交通例子 126
5.2.3 随机变量 127
5.2.4 条件概率 129
5.3 随机方法学的应用 131
5.4 贝叶斯定理 133
5.4.1 概述 133
5.4.2 道路/交通例子的扩展 136
5.5 结语和参考文献 137
5.6 习题 138
第6章 为状态空间搜索建立控制算法 140
6.0 简介 140
6.1 基于递归的搜索（可选） 141
6.1.1 递归 141
6.1.2 一个递归搜索的例子：模式驱动推理 142
6.2 产生式系统 145
6.2.1 定义和历史 145
6.2.2 产生式系统的例子 147
6.2.3 产生式系统中的搜索控制 153
6.2.4 AI产生式系统的优点 156
6.3 用于问题求解的黑板结构 157
6.4 结语和参考文献 159
6.5 习题 160
第三部分 表示和智能：AI中的挑战
第7章 知识表示 164
7.0 知识表示问题 164
7.1 AI表象图式的简要历史 165
7.1.1 语义关联理论 165
7.1.2 语义网络的早期研究 167
7.1.3 网络关系的标准化 170
7.1.4 脚本 174
7.1.5 框架 177
7.2 概念图：网络语言 180
7.2.1 概念图简介 180
7.2.2 类型、个体和名字 181
7.2.3 类型层次 182
7.2.4 泛化和特化 183
7.2.5 命题结点 185
7.2.6 概念图和逻辑 185
7.3 显式表示的替代方法 187
7.3.1 Brooks假设和包容结构 187
7.3.2 Copycat结构 189
7.4 基于主体的和分布式的问题求解方法 192
7.4.1 基于主体的定义 192
7.4.2 基于主体的应用 193
7.5 结语和参考文献 195
7.6 习题 197
第8章 求解问题的强方法 200
8.0 简介 200
8.1 专家系统技术概览 201
8.1.1 基于规则的专家系统设计 201
8.1.2 问题选择和知识工程的步骤 202
8.1.3 概念模型及其在知识获取中的作用 204
8.2 基于规则的专家系统 206
8.2.1 产生式系统和目标驱动问题求解 206
8.2.2 目标驱动推理中的解释和透明性 209
8.2.3 利用产生式系统进行数据驱动推理 210
8.2.4 专家系统的启发和控制 212
8.3 基于模型系统、基于案例系统和混合系统 214
8.3.1 基于模型推理简介 214
8.3.2 基于模型推理：来自NASA的例子 217
8.3.3 基于案例推理介绍 219
8.3.4 混合设计：强方法系统的优势和不足 222
8.4 规划 224
8.4.1 简介 224
8.4.2 使用规划宏：STRIPS 228
8.4.3 teleo-reactive规划 231
8.4.4 规划：来自NASA的例子 233
8.5 结语和参考文献 235
8.6 习题 236
第9章 不确定条件下的推理 238
9.0 简介 238
9.1 基于逻辑的反绎推理 239
9.1.1 非单调推理逻辑 239
9.1.2 真值维护系统 242
9.1.3 基于最小模型的逻辑 245
9.1.4 集合覆盖和基于逻辑的反绎 247
9.2 反绎：逻辑之外的办法 249
9.2.1 Stanford确信度代数 249
9.2.2 模糊集推理 251
9.2.3 Dempster-Shafer证据理论 254
9.3 处理不确定性的随机方法 258
9.3.1 有向图模型：贝叶斯信念网络 258
9.3.2 有向图模型：d-可分 260
9.3.3 有向图模型：一个推理算法 261
9.3.4 马尔可夫模型：离散马尔可夫过程 263
9.3.5 隐马尔可夫模型 265
9.3.6 用HMM和韦特比算法解码音素串 266
9.4 结语和参考文献 269
9.5 习题 270
第四部分 机器学习
第10章 基于符号的机器学习 275
10.0 简介 275
10.1 基于符号学习的框架 277
10.2 变型空间搜索 281
10.2.1 泛化操作和概念空间 281
10.2.2 候选解排除算法 282
10.2.3 LEX：启发式归纳搜索 287
10.2.4 评估候选解排除算法 289
10.3 ID3决策树归纳算法 290
10.3.1 自顶向下决策树归纳 292
10.3.2 测试选择的信息论方法 293
10.3.3 评价ID3 295
10.3.4 决策树数据问题：打包、推进 296
10.4 归纳偏置和学习能力 296
10.4.1 归纳偏置 296
10.4.2 可学习性理论 298
10.5 知识和学习 299
10.5.1 Meta-DENDRAL 300
10.5.2 基于解释的学习 301
10.5.3 EBL和知识层学习 304
10.5.4 类比推理 304
10.6 无监督学习 306
10.6.1 发现和无监督学习 307
10.6.2 概念聚类 308
10.6.3 COBWEB和生物分类知识的结构 310
10.7 强化学习 313
10.7.1 强化学习的组成部分 313
10.7.2 一个例子：九宫游戏 315
10.7.3 强化学习的推理算法和应用 316
10.8 结语和参考文献 318
10.9 习题 319
第11章 连接主义的机器学习 321
11.0 简介 321
11.1 连接网络的基础 322
11.2 感知机学习 324
11.2.1 感知机学习算法 324
11.2.2 例子：用感知机进行分类 325
11.2.3 通用delta规则 328
11.3 反传学习 330
11.3.1 反传算法的起源 330
11.3.2 反传算法实例1：NETtalk 333
11.3.3 反传算法实例2：异或 334
11.4 竞争学习 335
11.4.1 对于分类的“胜者全拿”学习 335
11.4.2 学习原型的Kohonen网络 336
11.4.3 Outstar网络和逆传 337
11.4.4 支持向量机 339
11.5 Hebbian一致性学习 341
11.5.1 概述 341
11.5.2 无监督Hebbian学习的例子 342
11.5.3 有监督Hebbian学习 344
11.5.4 联想记忆和线性联想器 345
11.6 吸引子网络或“记忆” 348
11.6.1 概述 348
11.6.2 BAM，双向联想记忆 349
11.6.3 BAM处理的例子 350
11.6.4 自相关记忆和Hopfield 网络 352
11.7 结语和参考文献 355
11.8 习题 356
第12章 机器学习：社会性和涌现性 357
12.0 社会性和涌现性的学习模型 357
12.1 遗传算法 358
12.1.1 两个例子：CNF可满足性问题和巡回推销员问题 360
12.1.2 遗传算法的评估 363
12.2 分类器系统和遗传程序设计 365
12.2.1 分类器系统 365
12.2.2 用遗传算子进行程序设计 369
12.3 人工生命和基于社会的学习 373
12.3.1 生命游戏 373
12.3.2 进化规划 375
12.3.3 涌现的实例研究 377
12.4 结语和参考文献 380
12.5 习题 381
第五部分 人工智能问题求解的高级课题
第13章 自动推理 384
13.0 定理证明中的弱方法 384
13.1 通用问题求解程序和差别表 385
13.2 归结定理证明 389
13.2.1 概述 389
13.2.2 为进行归结反驳生成子句形式 390
13.2.3 二元归结证明过程 393
13.2.4 归结策略和简化技术 396
13.2.5 从归结反驳中抽取解答 400
13.3 PROLOG和自动推理 402
13.3.1 概述 402
13.3.2 逻辑编程和PROLOG 403
13.4 自动推理进一步的问题 407
13.4.1 弱方法求解的统一表示法 407
13.4.2 可选推理规则 409
13.4.3 搜索策略及其使用 410
13.5 结语和参考文献 411
13.6 习题 411
第14章 自然语言理解 413
14.0 自然语言理解问题 413
14.1 解构语言：符号分析 415
14.1.1 概述 415
14.1.2 语言分析的过程 416
14.2 语法 417
14.2.1 使用上下文无关文法说明和解析 417
14.2.2 转移网络解析器 418
14.2.3 乔姆斯基层次和上下文相关文法 421
14.3 ATN解析器的语法和知识 423
14.3.1 扩充转移网络解析器 423
14.3.2 结合语法和语义知识 426
14.4 语言分析随机工具 430
14.4.1 概述 430
14.4.2 马尔可夫模型方法 431
14.4.3 决策树方法 432
14.4.4 随机技术的解析和其他语言应用 434
14.5 自然语言应用 435
14.5.1 故事理解和问题解答 435
14.5.2 数据库前端 436
14.5.3 Web信息抽取和摘要系统 438
14.5.4 用学习算法来泛化抽取的信息 440
14.6 结语和参考文献 440
14.7 习题 441
第六部分 人工智能语言与程序设计
第15章 PROLOG介绍 447
15.0 简介 447
15.1 谓词演算程序设计的语法 447
15.1.1 事实和规则的表示 447
15.1.2 创建、改变和监控PROLOG环境 450
15.1.3 PROLOG的列表和递归 451
15.1.4 PROLOG的递归搜索 454
15.1.5 在PROLOG中使用cut操作来控制搜索 455
15.2 PROLOG的抽象数据类型 457
15.2.1 ADT堆栈 457
15.2.2 ADT队列 458
15.2.3 ADT优先队列 458
15.2.4 ADT集合 459
15.3 一个PROLOG产生式系统的例子 460
15.4 设计各种搜索策略 464
15.4.1 采用closed列表的深度优先搜索算法 464
15.4.2 PROLOG的宽度优先搜索 466
15.4.3 PROLOG的最佳优先搜索 467
15.5 一个PROLOG规划器 468
15.6 PROLOG的元谓词、类型和合一 470
15.6.1 元逻辑谓词 470
15.6.2 PROLOG的类型 471
15.6.3 合一：用来启动谓词匹配和评估的工具 473
15.7 PROLOG的元解释器 475
15.7.1 有关PROLOG的PROLOG 475
15.7.2 基于规则的专家系统的外壳 478
15.7.3 PROLOG的语义网络 485
15.7.4 PROLOG的框架和模式 486
15.8 PROLOG的学习算法 488
15.8.1 PROLOG的变型空间搜索 488
15.8.2 候选消除算法 491
15.8.3 PROLOG的基于解释的学习 493
15.9 PROLOG的自然语言处理 495
15.9.1 自然语言处理的语义表示 495
15.9.2 PROLOG的递归下降上下文无关解析器 496
15.9.3 概率上下文无关解析器 498
15.9.4 概率词汇化上下文无关解析器 500
15.9.5 PROLOG上下文相关解析器 502
15.9.6 PROLOG的递归下降语义网解析器 503
15.10 结语和参考文献 505
15.11 习题 507
第16章 LISP介绍 511
16.0 简介 511
16.1 基本语法 511
16.1.1 符号表达式 511
16.1.2 控制LISP评估：quote和eval 514
16.1.3 LISP编程：创建新函数 515
16.1.4 LISP中的程序控制：条件和谓词 516
16.1.5 函数、表和符号计算 518
16.1.6 表的递归结构 520
16.1.7 嵌套表、结构以及car/cdr递归 522
16.1.8 用set绑定变量 524
16.1.9 用let定义局部变量 526
16.1.10 Common LISP中的数据类型 527
16.2 LISP中的搜索 528
16.3 高阶函数和抽象 532
16.3.1 映像和过滤器 532
16.3.2 函数参数和lambda表达式 534
16.4 LISP中的搜索策略 534
16.4.1 宽度优先和深度优先搜索 535
16.4.2 最佳优先搜索 537
16.5 LISP中的模式匹配 538
16.6 递归合一函数 539
16.7 解释器和嵌入式语言 542
16.8 LISP中的逻辑编程 544
16.8.1 一个简单的逻辑编程语言 544
16.8.2 流和流处理 546
16.8.3 基于流的逻辑程序解释器 547
16.9 流和延迟分析 550
16.10 一个LISP的专家系统外壳 553
16.10.1 实现确定性因子 553
16.10.2 lisp-shell的体系结构 554
16.10.3 用lisp-shell分类 557
16.11 LISP中的语义网络和继承 559
16.12 用CLOS的面向对象的编程 561
16.12.1 CLOS中类和实例的定义 562
16.12.2 定义通用函数和方法 564
16.12.3 CLOS中的继承 565
16.12.4 例子：自动调温器仿真 566
16.13 LISP中的学习：ID3算法 570
16.13.1 用defstruct定义结构 570
16.13.2 ID3算法 575
16.14 结语和参考文献 580
16.15 习题 580
第七部分 后 记
第17章 人工智能是经验式的学科 587
17.0 简介 587
17.1 人工智能：修订的定义 588
17.1.1 人工智能和物理符号系统假设 588
17.1.2 连接主义或者“神经”计算 592
17.1.3 主体、涌现和智能 594
17.1.4 概率模型和随机技术 596
17.2 智能系统科学 598
17.2.1 心理学约束 598
17.2.2 认识论问题 600
17.3 人工智能：当前的挑战和未来的方向 605
17.4 结语和参考文献 608
参考文献 610
作者索引 634
主题索引 640
