本书是人工智能领域的经典书籍，新版做了全面修订，增加了关于机器学习的内容，并更新了代码示例和练习。本书主要讨论智能体（agent）的基本概念和体系结构，从计算的角度介绍相关的规划、学习、推理、协商、交互机制等理论，基于自主送货机器人、诊断助手、智能辅导系统和交易智能体四个原型应用，在一个连贯的框架下研究智能体的设计、构建和实现，并从十个维度考虑设计空间的复杂性。本书适合作为高等院校计算机科学等相关专业的人工智能入门教材，也适合该领域的技术人员参考。
无
本书是一本关于人工智能（AI）科学的书。人工智能研究计算智能体（computational agent）的设计。本书在结构上是一本教科书，但也适合对该领域感兴趣的广大读者。
我们写这本书，是因为我们对人工智能作为一门综合科学的出现感到兴奋。就像任何一门科学的发展一样，人工智能也涉及连贯的、正式的理论和狂热的实验。在这里，我们平衡理论和实验，展示如何将它们紧密联系在一起，并将人工智能的科学与工程应用结合在一起。我们相信“没有什么比好的理论更实用”这句格言。“凡事要尽量简单，但不能过于简单”这句话抓住了我们这种做法的精神内核。我们必须将科学建立在坚实的基础上，因此我们讨论了这些基础知识，但只是简单勾勒了建立有用的智能系统所需的复杂性，并举出了一些例子。虽然由此产生的系统将是复杂的，但基础和构件应该是简单的。
第2版对全书进行了广泛修订。我们根据在课堂上使用过本书的教师的反馈，对教材进行了重新编排。我们通过更新来反映当前的技术水平，将对学生来说比较困难的部分变得更加简单明了，增加了更直观的解释，并使伪代码算法与Python和Prolog算法的新的开源实现相配套。我们抵制住了只是不断添加更多资料的诱惑。现在，AI研究的扩展速度如此之快，潜在的新文字资料的量是巨大的。然而，研究不仅教会了我们什么东西有效，还教会了我们什么东西不那么好用，这让我们拥有高度的选择性。我们把更多关于机器学习技术的内容纳入其中，这些技术已经被证明是成功的。然而，研究也有趋势和热点。我们删除了那些已经被证明不那么有前途的技术，但将其与那些单纯远离热点的技术区分开来。如果所针对的问题仍然存在，而且这些技术有可能成为未来研究和发展的基础，我们仍会将所谓冷门的内容列入其中。我们进一步提出了智能体的单一设计空间的概念，展示了在一个简单、统一的框架中可以看到许多令人困惑的技术。这使我们能够强调计算智能体的基础原理，使学生更容易理解这些想法。
本书可作为计算机科学、计算机工程、哲学、认知科学或心理学等相关专业的高年级本科生或研究生的人工智能入门教材。本书对技术型人才更有吸引力，部分内容具有一定的挑战性，重点是通过实践来学习设计、构建和实现系统。任何对科学有好奇心的读者都会从学习本书中受益。具备计算系统方面的经验有益于学习本书，但构建系统的基础知识（包括逻辑、概率论、微积分和控制论等）并不是必需的，因为我们会根据需要介绍这些概念。
认真的学生将在多个层面上获得宝贵的技能，从智能体的规范和设计方面的专业知识，到为几个具有挑战性的应用领域实施、测试和改进实际软件系统的技能。从智能体这门新科学中获得的快感也是魅力之一。面对处理无处不在的、智能的、嵌入式智能体的世界，市场对相关技术人才的需求量很大。
本书的重点是在环境中行动的智能体。我们从简单的、静态环境中的简单智能体开始，逐渐增加智能体的能力，以应对更具挑战性的问题。我们探讨了十个维度的复杂性，从而逐步地、模块化地介绍使智能体的构建具有挑战性的因素。我们试图优化本书的结构，让读者能够分别理解其中的每一个维度，还将反复使用四种不同的任务（自主送货机器人、诊断助手、辅导系统和交易智能体）来说明这些想法，使之具体化。
我们希望学生所设想的智能体是一个分层设计的智能体，它在只能部分观察到的随机环境中智能地行动：能在线推理个体和个体之间的关系，具有复杂的偏好，在行动时学习，考虑到其他智能体，并在考虑到自身计算能力的限制下适当地行动。当然，我们不能从这样的智能体开始——构建这样的智能体仍然是一个有待研究的问题。因此，我们介绍最简单的智能体，然后展示如何以模块化的方式将这些复杂的功能一一添加进去。
我们在设计上做了很多选择，使本书有别于同类书，包括我们之前写的书。
●我们试图搭建一个连贯的框架来理解人工智能。书中不会阐述不连贯的主题，不会把不相干的主题放在一起。例如，我们没有介绍人工智能的不连贯的逻辑和概率论观点，而是介绍了一个多维度的设计空间，在这个空间里，学生可以理解大局，且概率论和逻辑推理并存。
●与其介绍一些复杂的技术，不如清楚地解释可以构建这些技术的基础。这意味着本书所涉及的内容与科学前沿的内容可能存在较大的差距，但这也意味着学生在理解当前和未来的研究内容时会有更好的基础。
●一个比较困难的问题是如何将设计空间线性化。我们之前的书\[Poole et al.，1998\]很早就提出了一种关系语言，并用这种语言建立了学习基础。这种方法使得学生很难了解与关系不相关的工作，例如，以状态为基础展开的强化学习。在本书中，我们选择后讲关系方法。这种方法能更好地反映过去几十年来的研究，如基于特征表示的推理和学习所取得的进展。这种方法还可以让学生理解概率论和逻辑推理是相辅相成的。然而，本书的结构也支持教师先介绍各种关系。
我们提供了这些算法的开源Python实现（http://www.aipython.org），这些算法的设计目的是突出主要思想，不做额外的修饰来干扰主要思想。本书使用了AIspace.org (http://www.aispace.org) 中的例子，这是一个我们参与设计的教学小程序集。为了进一步积累构建智能系统的经验，学生还应该尝试使用一种高级符号操纵语言，如Haskell、Lisp或Prolog等。我们还提供了AILog的实现，这是一种与Prolog相关的干净的逻辑编程语言，旨在演示本书中的许多问题。这些工具是为了帮助读者理解或使用本书中的思想，但并不是必不可少的。
我们对智能体的能力和表示语言进行开发，比起传统的分析和分类人工智能的各种应用的方法，我们的方法既简单又强大。但也因此，一些应用（如计算视觉或计算语言学的细节）在本书中没有涉及。
我们不会提出关于人工智能的百科全书式的观点，并非所有已研究过的主要思想在此都有介绍。我们选择了一些基本思想，在此基础上选择了其他更复杂的技术，并试图详细解释这些基本思想，进而勾勒出如何扩展这些思想。
图1显示了书中涉及的主题，实线表示前提条件。通常情况下，前提结构并不包括所有的子专题。考虑到书这种媒介的特点，我们不得不将主题线性化。然而，本书的设计是为了使主题可以按照满足前提结构的任何顺序进行教学。
图1 各章主题及其依赖关系
每章末尾给出的参考文献并不全面。我们给出了书中直接使用过的文献，以及有益的综述性文献，既引用了经典文献，也引用了较新的综述报告。希望不小心被遗漏的研究者不会感到被轻视，如果有人认为某项观点有误，我们也很乐意得到反馈。请记住，本书不是人工智能研究的综述。
我们邀请大家一起参与一场智力冒险：建构智能体的科学大厦。
David Poole
Alan Mackworth
计算机\人工智能
本书是人工智能领域的经典导论书籍，新版对符号方法和非符号方法进行了广泛讨论，这些知识是理解当前和未来主要人工智能方法的基础。理论结合实践的讲解方式使得本书更易于学习，对于想要了解AI并准备跨入该领域的读者来说，本书将是必不可少的。
——Robert Kowalski，伦敦帝国理工学院
本书清晰呈现了AI领域的全貌，从逻辑基础到学习、表示、推理和多智能体系统的新突破均有涵盖。作者将AI看作众多技术的集成，一层一层地讲解构建智能体所需的所有技术。尽管包罗甚广，但本书的选材标准颇高，最终纳入书中的技术都是极具应用前景和发展潜力的，因此读之备感收获满满。
——Guy Van den Broeck，加州大学洛杉矶分校
重要更新和特色：
优化篇章结构，增加关于机器学习的内容，讨论了与机器学习和AI相关的社会及伦理问题；摒弃先讲关系语言的做法，改为后讲关系方法，更利于知识的呈现和理解；更新代码示例，并增加了一些练习。
提出智能体的单一设计空间的概念，从简单的智能体开始，逐步引入十个维度的复杂性，通过模块化方式降低理论学习的难度，并结合自主送货机器人等四个应用实例来展开实践。
在宏观层面，搭建了一个连贯的知识框架，利用多维度的设计空间引导读者纵观大局；在细节层面，聚焦于基础技术而非复杂技术，为读者未来的进阶学习及实战打下坚实的基础。
本书网站http://artint.info提供丰富的学习资源，包括可免费下载的Python代码和PPT等。
当前获得广泛应用并取得巨大成功的人工智能技术还停留在智能增强的阶段，即停留在对海量信息的分类识别技术上。依托算法进步、计算能力、数据积累在语音识别、图像识别方面所形成的强大能力，人工智能在金融、客服、安防等领域发挥了巨大的作用，但距离人们所设想的能够自主动态感知环境、自主学习、自主决策还有很长的路要走，这在很大程度上限制了当前人工智能技术在需要创意和思想的设计领域、决策领域的应用。
现在IT界的智能体（agent）概念是由麻省理工学院的著名计算机科学家和人工智能学科创始人之一Minsky提出的，他在Society of Mind一书中将社会与社会行为概念引入计算系统。著名人工智能学者、美国斯坦福大学的Hayes-Roth认为：“智能体能够持续执行三项功能：感知环境中的动态条件；执行动作并影响环境条件；进行推理以解释感知信息、求解问题、产生推断和决定动作。”目前，全球范围内的智能体研究浪潮正在兴起，生物学、计算机科学、人工智能、控制科学、社会学等多个学科交叉和渗透发展，使得智能体系统越来越受到众多学者的广泛关注，已成为当前人工智能领域的研究热点。
以DeepMind为代表的众多高科技公司以及国内外科研院所正在针对复杂的多智能体环境展开前沿研究，AI不仅在象棋、围棋等方面表现卓越，而且在多玩家电子游戏和策略游戏方面也表现不俗，甚至超过了人类。事实上，当前航空航天领域提出的许多已经成为研究热点的新概念飞行器，诸如智能可变形飞行器、蜂群无人机、忠诚僚机、无人战斗机等，其内涵和对智能技术的需求都已经超出了目前获得广泛应用的人工智能技术，并且都隐含了本书所提出的智能体概念。这些前沿技术的落地需要智能体技术的研究取得突破性进展，不过，目前关于多智能体系统的研究仍然比较基础，要实现上述的通用人工智能，多智能体系统是必须突破的研究方向。
本书介绍智能体的基本概念和体系结构，从计算的角度介绍智能体相关的规划、学习、推理、协商、交互机制等理论，并且以智能家居为背景，通过自主送货机器人、诊断助手、辅导系统和交易智能体四个原型应用，在一个连贯的框架下研究计算智能体的设计、构建与实现，并从十个维度考虑人工智能设计空间的复杂性。
当前的研究前沿已超出书中所介绍的内容，而且人工智能的各个领域都有众多活跃的研究方向，在规划、学习、感知、自然语言理解、机器人以及其他人工智能子领域的进展让人应接不暇。而本书专注于智能体的单一设计空间的概念，展示了在一个简单、统一的框架中可以看到许多令人困惑的算法、原理和基础技术。这使读者更容易理解这些想法，并建立坚实的基础去面对各类人工智能的活跃领域。本书既适合本科生和研究生学习，也适合科研人员阅读。两位作者学识渊博，相信读者能从中受益。
虽然译者一直在从事深度学习和机器学习应用方面的实践和科研工作，特别是新概念航空航天飞行器气动总体设计和流场结构智能分析处理方面的应用工作，但在翻译的过程中，依然感受到本书涉及的内容多，翻译难度大。译者力求准确反映原著表达的思想和概念，但受限于水平，翻译中难免有瑕疵，恳请读者批评指正，译者不胜感激。
最后，感谢家人和朋友的支持和帮助。同时，要感谢在本书翻译过程中做出贡献的人，特别是北京邮电大学丁哲伦、徐立、董丹阳、法天昊、常霄、王言麟、傅广涛、靳梦凡、张瑞涛、黄淮和张涵等。还要感谢机械工业出版社的各位编辑，以及北京邮电大学计算机学院和中国航天空气动力技术研究院的大力支持。
智能通信软件与多媒体北京市重点实验室
北京邮电大学计算智能与可视化实验室
黄智濒 白鹏
译者序
前言
致谢
第一部分 世界中的智能体：什么是智能体？如何创建智能体？
第1章 人工智能与智能体2
1.1 什么是人工智能2
1.1.1 人工智能和自然智能3
1.2 人工智能简史5
1.2.1 与其他学科的关系7
1.3 环境中的智能体7
1.4 设计智能体8
1.4.1 设计时间计算、离线计算和在线计算8
1.4.2 任务10
1.4.3 定义解决方案11
1.4.4 表示12
1.5 智能体设计空间14
1.5.1 模块性14
1.5.2 规划视野14
1.5.3 表示15
1.5.4 计算限制16
1.5.5 学习17
1.5.6 不确定性18
1.5.7 偏好19
1.5.8 智能体数量19
1.5.9 交互性20
1.5.10 各维度的相互作用20
1.6 原型应用21
1.6.1 自主送货机器人22
1.6.2 诊断助手24
1.6.3 智能辅导系统25
1.6.4 交易智能体27
1.6.5 智能家居28
1.7 本书概览29
1.8 回顾29
1.9 参考文献和进一步阅读30
1.10 练习31
第2章 智能体的体系结构与层次控制32
2.1 智能体32
2.2 智能体系统33
2.2.1 智能体的功能33
2.3 层级控制36
2.4 用推理行动42
2.4.1 智能体建模世界42
2.4.2 知识和行动43
2.4.3 设计时间计算和离线计算44
2.4.4 在线计算45
2.5 回顾46
2.6 参考文献和进一步阅读46
2.7 练习47
第二部分 确定性推理、规划与学习
第3章 搜索解决方案50
3.1 以搜索的方式解决问题50
3.2 状态空间51
3.3 图搜索53
3.3.1 形式化图搜索53
3.4 通用搜索算法55
3.5 无信息搜索策略57
3.5.1 广度优先搜索57
3.5.2 深度优先搜索59
3.5.3 迭代深化62
3.5.4 最低代价优先搜索64
3.6 启发式搜索65
3.6.1 A搜索66
3.6.2 设计启发式函数69
3.7 搜索空间的修剪70
3.7.1 环修剪70
3.7.2 多路径修剪70
3.7.3 搜索策略小结72
3.8 更复杂的搜索73
3.8.1 分支定界73
3.8.2 搜索的方向75
3.8.3 动态规划77
3.9 回顾79
3.10 参考文献和进一步阅读80
3.11 练习80
第4章 约束推理83
4.1 可能世界、变量和约束83
4.1.1 变量和世界83
4.1.2 约束86
4.1.3 约束满足问题87
4.2 生成和测试算法88
4.3 使用搜索求解CSP88
4.4 一致性算法89
4.5 域分割93
4.6 变量消除94
4.7 局部搜索96
4.7.1 迭代最佳改进98
4.7.2 随机算法98
4.7.3 局部搜索的变体99
4.7.4 评估随机算法102
4.7.5 随机重启104
4.8 基于种群的方法104
4.9 优化器106
4.9.1 系统化的优化方法108
4.9.2 用于优化的局部搜索110
4.10 回顾111
4.11 参考文献和进一步阅读112
4.12 练习112
第5章 命题与推理115
5.1 命题115
5.1.1 命题演算的语法115
5.1.2 命题演算的语义116
5.2 命题约束119
5.2.1 用于一致性算法的子句形式120
5.2.2 在局部搜索中利用命题结构121
5.3 命题确定子句121
5.3.1 问题和答案123
5.3.2 证明124
5.4 知识表示问题129
5.4.1 背景知识和观察129
5.4.2 查询用户130
5.4.3 知识层面的解释131
5.4.4 知识层面的调试133
5.5 反证法137
5.5.1 霍恩子句137
5.5.2 假设与冲突138
5.5.3 基于一致性的诊断139
5.5.4 用假设和霍恩子句进行推理140
5.6 完备知识假设143
5.6.1 非单调推理145
5.6.2 否定作为失败的证明过程146
5.7 溯因法148
5.8 因果模型152
5.9 回顾153
5.10 参考文献和进一步阅读153
5.11 练习154
第6章 确定性规划161
6.1 状态、动作、目标的表示161
6.1.1 显式状态空间表示162
6.1.2 STRIPS表示163
6.1.3 基于特征的动作表示164
6.1.4 初始化状态和目标166
6.2 前向规划166
6.3 回归规划168
6.4 CSP规划169
6.4.1 动作特征171
6.5 偏序规划173
6.6 回顾175
6.7 参考文献和进一步阅读176
6.8 练习176
第7章 有监督机器学习179
7.1 学习问题179
7.2 有监督学习181
7.2.1 评估预测值183
7.2.2 误差类型187
7.2.3 无输入特征的点估算189
7.3 有监督学习的基本模型190
7.3.1 学习决策树191
7.3.2 线性回归和分类195
7.4 过拟合200
7.4.1 伪计数202
7.4.2 正则化203
7.4.3 交叉验证204
7.5 神经网络与深度学习207
7.6 复合模型211
7.6.1 随机森林212
7.6.2 集成学习212
7.7 基于案例的推理214
7.8 实现精炼假设空间的学习216
7.8.1 版本空间学习217
7.8.2 可能近似正确的学习219
7.9 回顾221
7.10 参考文献和进一步阅读221
7.11 练习222
第三部分 不确定性推理、学习与行动
第8章 不确定性推理228
8.1 概率228
8.1.1 概率的语义229
8.1.2 概率的公理230
8.1.3 条件概率232
8.1.4 期望值236
8.1.5 信息237
8.2 独立性238
8.3 信念网络239
8.3.1 观察和查询241
8.3.2 构造信念网络241
8.4 概率推理246
8.4.1 信念网络的变量消去247
8.4.2 表示条件概率和因子253
8.5 序贯概率模型255
8.5.1 马尔可夫链256
8.5.2 隐马尔可夫模型257
8.5.3 监控和平滑的算法261
8.5.4 动态信念网络262
8.5.5 时间粒度263
8.5.6 语言的概率模型263
8.6 随机模拟268
8.6.1 单变量采样268
8.6.2 信念网络的前向采样269
8.6.3 拒绝采样270
8.6.4 似然加权271
8.6.5 重要性采样272
8.6.6 粒子滤波273
8.6.7 马尔可夫链蒙特卡罗275
8.7 回顾276
8.8 参考文献和进一步阅读276
8.9 练习277
第9章 不确定性规划283
9.1 偏好和效用284
9.1.1 理性公理284
9.1.2 因子化效用288
9.1.3 前景理论290
9.2 一次性决策291
9.2.1 单阶段决策网络294
9.3 序贯决策296
9.3.1 决策网络296
9.3.2 策略299
9.3.3 决策网络的变量消去300
9.4 信息和控制的价值303
9.5 决策过程305
9.5.1 策略308
9.5.2 价值迭代310
9.5.3 策略迭代313
9.5.4 动态决策网络314
9.5.5 部分可观察决策过程316
9.6 回顾317
9.7 参考文献和进一步阅读317
9.8 练习318
第10章 不确定性学习324
10.1 概率学习324
10.1.1 学习概率324
10.1.2 概率分类器326
10.1.3 决策树的MAP学习330
10.1.4 描述长度331
10.2 无监督学习332
10.2.1 k-均值332
10.2.2 用于软聚类的期望最大化335
10.3 学习信念网络338
10.3.1 学习概率338
10.3.2 隐藏变量339
10.3.3 缺失值340
10.3.4 结构学习340
10.3.5 信念网络学习的一般情况341
10.4 贝叶斯学习341
10.5 回顾345
10.6 参考文献和进一步阅读345
10.7 练习345
第11章 多智能体系统347
11.1 多智能体框架347
11.2 博弈的表示348
11.2.1 博弈的标准形式348
11.2.2 博弈的扩展形式349
11.2.3 多智能体决策网络351
11.3 完美信息计算策略352
11.4 不完美信息推理354
11.4.1 计算纳什均衡359
11.5 群体决策360
11.6 机制设计361
11.7 回顾363
11.8 参考文献和进一步阅读363
11.9 练习364
第12章 学习行动366
12.1 强化学习问题366
12.2 进化算法368
12.3 时间差分369
12.4 Q-学习370
12.5 探索和利用371
12.6 评估强化学习算法372
12.7 同策学习373
12.8 基于模型的强化学习375
12.9 使用特征的强化学习377
12.9.1 线性函数近似的SARSA377
12.10 多智能体强化学习379
12.10.1 完美信息游戏379
12.10.2 学会协作379
12.11 回顾383
12.12 参考文献和进一步阅读383
12.13 练习383
第四部分 基于个体和关系的推理、学习与行动
第13章 个体与关系386
13.1 利用关系结构386
13.2 符号和语义387
13.3 Datalog：一种关系规则语言388
13.3.1 基础Datalog的语义390
13.3.2 解释变量392
13.3.3 带变量的查询395
13.4 证明与替换397
13.4.1 实例和替换397
13.4.2 带变量的自下而上的程序398
13.4.3 合一化400
13.4.4 带变量的确定性解析401
13.5 函数符号403
13.5.1 带函数符号的证明程序406
13.6 自然语言中的应用408
13.6.1 在无上下文的语法中使用确定子句409
13.6.2 增强语法412
13.6.3 用于非终止的构建结构412
13.6.4 罐装的文本输出413
13.6.5 强制执行限制因素414
13.6.6 构建数据库的自然语言接口415
13.6.7 限制418
13.7 相等性419
13.7.1 允许相等性断言419
13.7.2 唯一名称假设420
13.8 完备知识假设422
13.8.1 完备知识假设证明程序425
13.9 回顾426
13.10 参考文献和进一步阅读426
13.11 练习427
第14章 本体论与知识库系统431
14.1 知识共享431
14.2 灵活的表示432
14.2.1 选择个体和关系432
14.2.2 图形化表示434
14.2.3 类435
14.3 本体论和知识共享437
14.3.1 统一资源标识符442
14.3.2 描述逻辑442
14.3.3 顶层本体448
14.4 实现知识库系统450
14.4.1 基础语言和元语言450
14.4.2 一个普通的元解释器452
14.4.3 拓展基础语言453
14.4.4 深度受限搜索454
14.4.5 建立证明树的元解释器455
14.4.6 延迟目标455
14.5 回顾456
14.6 参考文献和进一步阅读457
14.7 练习457
第15章 关系规划、学习与概率推理461
15.1 个体和关系的规划461
15.1.1 情境演算461
15.1.2 事件演算467
15.2 关系学习468
15.2.1 结构化学习：归纳逻辑编程468
15.2.2 学习隐藏属性：协作过滤472
15.3 统计关系型人工智能476
15.3.1 关系概率模型476
15.4 回顾483
15.5 参考文献和进一步阅读484
15.6 练习484
第五部分 回顾与展望
第16章 回顾与展望488
16.1 复杂性维度的回顾488
16.2 社会和道德后果491
16.3 参考文献和进一步阅读495
16.4 练习495
附录A 数学基础与标记496
参考文献
参考文献为网络资源，请访问华章网站www.hzbook.com下载。——编辑注
