本书有机地将理论与实践结合起来，既详细地介绍了各种人工智能理论，又提供了实现的思路和程序，这将有利于本科生或研究生在学习人工智能时把对人工智能的理性认识转化为对具体程序的感性认识，从而弥补大部分人工智能教材偏重于理论的缺陷。本书可供计算机科学或计算机工程、哲学、认知科学和心理学等相关学科的高年级本科生或研究生学习。
“本书采用现代的思想，清晰地介绍了使用合理的计算Agent和逻辑作为统一线程的人工智能领域，包含许多完全的算例、各种难度的习题集、基于专门设计的声明式语言AILog的编程作业、通过AIspace小程序来补充表示的整合良好的在线支持。如果你计划为本科或以上的学生教授一门人工智能的课程，必须认真对待这本非常有意思的书。”
—— 马可·瓦尔托尔塔，南卡罗来纳大学
“本书的清晰度是令人惊讶的！每一章的材料都完美地综合考虑了以下方面：针对初学者的易理解性；针对高年级学生的理论性和挑战性；针对专家的可参考性。这些材料组织成不同的章节，教师可以针对学生做出适当的分割选择。这就好像是三本书合在一起！可以肯定地说，这是21世纪AI领域必备的一本书。”
—— 杰西·霍伊，邓迪大学
“本书填补了AI文献的空白。它适用于高年级本科生，并且没有在技术严谨性上做出妥协。它是简洁的，但对AI的所有主要领域都给出了现代的表示，作为AI的介绍性课程是非常有用的。Poole和Mackworth就广泛、多样的人工智能领域的条理性做了不懈的努力。在这种条理性之下，所有的AI都被放在由复杂性维度定义的智能Agent的设计空间里。”
—— 曼弗雷德·耶格，奥尔堡大学
本书讨论AI科学，它将AI作为智能计算Agent设计的研究课题。本书虽然设计为教科书，但它也适合广大专业人员和研究人员阅读。本书的一个重要特色是其在线学习资源（http://artint.info/）。
在过去的几十年里，人工智能是作为一种严肃科学和工程学科出现的。本书提供了针对本科生和研究生的第一手便利可用的领域综合资料，对当今该领域的基础发展进行了展望。像任何名副其实的科学一样，AI具有条理分明、形式化的理论和难以控制的实验。本书均衡了理论和实验部分，并说明了如何将理论与实验密切地联系起来，使科学与工程应用共同发展。
前
David L. Poole
加拿大不列颠哥伦比亚大学计算机科学教授，计算智能实验室主任。2014~2015年，他是牛津大学Leverhulme Trust客座教授。他还是加拿大人工智能学会（CAIAC）2013年终身成就奖获得者，是国际人工智能促进协会（AAAI）和加拿大人工智能学会（CAIAC）Fellow。
Alan K. Mackworth
加拿大不列颠哥伦比亚大学计算机科学教授。他的研究兴趣是基于约束的人工智能及其应用，被称为约束满足、机器人足球、混合系统和基于约束的Agent等研究领域的先驱。他是国际人工智能联合会议（IJCAI）公司的总裁和理事，以及IJCAI执行委员会主席；同时还担任许多编委会和程序委员会委员。他是加拿大计算机智能研究会（CSCSI）主席，还担任国际人工智能促进协会（AAAI）主席。荣获的奖励包括：ITAC/NSERC杰出学术奖， Killam研究奖, 《人工智能》杂志经典论文奖，CSCSI 杰出服务奖，AAAI 杰出服务奖，CAIAC终身成就奖等。他是AAAI和CAIAC的Fellow，加拿大前沿科学研究院和加拿大皇家学院院士。
本书是一本关于人工智能（AI）科学的图书。本书认为AI所要研究的是如何设计智能计算Agent（智能体）。本书采用教科书的组织形式，适合广大读者阅读。
过去几十年，我们见证了AI这门综合学科的兴起。正如其他学科一样，AI具有清晰、规范的理论和难操控的实验部分。本书平衡了理论和实验，并将两者密切地结合。俗话说“好的理论必须有其实用价值”，因此我们将工程应用融入到AI的科学研究中。本书所述方法都秉承了格言“凡事都应尽量从简,但不可过简”。我们认为科学必须有其坚实的基础，因此本书介绍了基础梗概，并且提供了构建有效智能系统的相关实例，这些实例也说明了智能系统所必需的复杂事物。尽管有可能生成复杂的系统，但是其基础和构建应该是简单的。
本书可作为人工智能的教科书，适用于计算机工程、哲学、认知科学以及心理学专业的高年级本科生和研究生。本书倾向于技术层面的思考，其中包含部分技术挑战；并且本书注重实践学习：设计、构造和实现系统。每个具有科学求知欲的读者都会从本书的学习中受益。书中是根据需要来提出概念的，所以要求读者具备关于计算系统的过往经验，但在我们构造的概念上不需要具备前期基础理论的研究，诸如逻辑、概率、微积分和控制理论。
认真的学生可从本书的专业知识中获得不同层次的宝贵技能，包括规范和设计智能Agent，在具有挑战性的应用领域中进行软件系统的实现、测试和改进。不仅如此，学生应该很高兴能够参与到智能Agent这门学科的兴起。能够操控现实世界中普遍存在的、智能的、嵌入的Agent，这类实用技能也是市场的巨大需求。
智能Agent的研究重点在于其在环境中起到的作用。开始时我们针对简易、静态的环境来研究简单Agent的行为，随后逐渐增加Agent的能力来应对更具有挑战的环境。我们从九个方面来研究复杂性，这样可以渐进地、模块化地向读者介绍构建智能Agent所面临的挑战。本书结构的安排尽量使得读者可以分别理解每个方面，并且我们在四种不同的Agent任务中反复论证使其更加具体，这四个Agent任务分别是：传送机器人、诊断助手、制导系统和交易Agent。
学生可以把Agent理解为一个分层设计的Agent，该Agent在随机环境中具有智能行为，但是它仅能得到部分观察。该部分观察是通过个体与个体间关系的推理所得到，具有复杂的参数、行动中学习、考虑环境中的其他Agent和给定自身计算限制能正确处理的特点。当然我们不能一开始就设计这样的Agent，构建此类Agent仍然是一个研究课题。所以我们首先介绍最简单的Agent，进而说明如何用模块化的方法将这些复杂功能添加其中。
我们给出了几个设计选项，这些可以说明本书与同类图书的区别，包括作者早期撰写的书籍：
我们给出了用于理解AI的清晰框架。本书不介绍那些不适合在一起研究的分散主题。例如，我们不介绍AI中不相关的逻辑观点和概率观点，但是却提供了一个多维设计空间，在这个空间中学生可以得到一个整体情况，并且在该空间内概率和逻辑推理可以共存。
我们认为最好将构成复杂技术的基础理论清晰地介绍给读者，而不是直接介绍这些复杂技术。这意味着本书所覆盖的内容与当前科学前沿有着较大的差距，但同时意味着学生可以具备较好的基础去理解当前和未来的科学研究。
我们难以决定的问题之一是如何线性化设计空间。在我们上一本书中（Poole，Mackworth和Goebel，1998），较早就提出了一种关系语言，并且根据该语言构建了基础理论。但对于不具备关联的工作，该方法对于学生来说比较难以理解，比如强化学习是根据状态展开而非关系。本书采用后期关系化的方法，此方法在基于特征表达的情况下较好地反映了过去几十年研究所取得的进步。该方法使得学生可以理解概率推理和逻辑推理的互补性。虽然是采用后期关系化的方法，但是该书结构使得老师可以较早地说明各章节的关系。
本书实用的例子来自于AIspace.org(http://www.aispace.org),我们在设计过程中一直采用这些教学程序。学生如果想更多地获得构建智能系统的经验，那么也应该尝试使用LISP或Prolog这种高级的符号操作语言进行实验。我们同样提供了本书许多问题在AILog（与Prolog相关的简洁的逻辑编程语言）上的实现。当然此部分对于理解和使用本书思想不是最重要的。
通过对Agent性能强度和表示语言这两方面的深入研究，本书方法在总结和分类各种AI应用上比传统方法更加简洁有效。但是例如计算视觉和计算语言学的应用在本书没有提及。
本书没有给出一个百科全书式的AI视图，也没去研究每一个被提出的重要思想。我们选择详尽地讲解一些基本思想，在这些基本思想上可以构造其他更复杂的技术，我们阐明了这些复杂技术是如何在此基础上被扩展的。
图1展示了本书所涉及的各个标题。实线给出了前提条件。前提结构通常不包含所有的子标题。为了撰写书籍，我们对各个主题进行章节编号。但是本书的讲解可以不按照章节编号，只要其满足前提条件的结构。
各章结尾处给出的参考文献并不全面：我们只是引用了我们直接使用的文献，以及那些我们认为通过引用经典工作和最近研究而提供了良好概述的文献。希望研究人员不要因为自己的研究工作被遗漏而不悦。如果您觉得书中思想有纰漏，欢迎您反馈给我们。再次重申本书不是AI研究的综述类图书。
诚邀您加入我们的智力探险活动：构建智能Agent科学。
图1 章节和依赖关系的概述
致谢
感谢Randy Goebel对本书提出的宝贵意见。也非常感谢在早期起草本书时Giuseppe Carenini、Cristina Conati、Mark Crowley、Pooyan Fazli、Holger Hoos、Manfred Jaeger、Mohammad Reza Khojasteh、Jacek Kisyński、Bob Kowalski、Kevin Leyton-Brown、Marian Mackworth、Gabriel Murray、Alessandro Provetti、Marco Valtorta和匿名审稿人提出的有益意见。感谢在草稿中指出过许多错误的学生。
感谢Jen Fernquist设计的网站，以及Tom Sgouros 对hyperlatex所做的维护。非常感谢James Falen允许我们引用他的诗。感谢编辑Lauren Cowles和剑桥大学出版社的工作人员的支持、鼓励和帮助。如发现错误请与我们联系。
David Poole
Alan Mackworth
计算机\人工智能
“本书采用现代的思想，清晰地介绍了使用合理的计算Agent和逻辑作为统一线程的人工智能领域，包含许多完全的算例、各种难度的习题集、基于专门设计的声明式语言AILog的编程作业、通过AIspace小程序来补充表示的整合良好的在线支持。如果你计划为本科或以上的学生教授一门人工智能的课程，必须认真对待这本非常有意思的书。”
——马可•瓦尔托尔塔，南卡罗来纳大学
“本书的清晰度是令人惊讶的！每一章的材料都完美地综合考虑了以下方面：针对初学者的易理解性；针对高年级学生的理论性和挑战性；针对专家的可参考性。这些材料组织成不同的章节，教师可以针对学生作出适当的分割选择。这就好像是三本书合在一起！可以肯定地说，这是21世纪AI领域必备的一本书。我知道我将触手可及。”
——杰西•霍伊，邓迪大学
“本书填补了AI文献的空白。它适用于高年级本科生，并且没有在技术严谨性上作出妥协。它是简洁的，但对AI的所有主要领域都给出了现代的表示，作为AI的介绍性课程是非常有用的。Poole和Mackworth就广泛、多样的人工智能领域的条理性做了不懈的努力。在这种条理性之下，所有的AI都被放在由复杂性维度定义的智能Agent的设计空间里。”
——曼弗雷德•耶格，奥尔堡大学
本书讨论AI科学，它将AI作为智能计算Agent设计的研究课题。本书虽然设计为教科书，但它也适合广大专业人员和研究人员阅读。本书的一个重要特色是其在线学习资源（http://artint.info/）。
在过去的几十年里，人工智能是作为一种严肃科学和工程学科出现的。本书提供了针对本科生和研究生的第一手便利可用的领域综合资料，给出了当今该领域基础的一致展望，正如已被部分探索的多维设计空间。像任何名副其实的科学一样，AI具有条理分明、形式化的理论和难以控制的实验。本书均衡了理论和实验部分，并说明了如何将理论与实验密切地联系起来，使科学与工程应用共同发展。
（加）David L. Poole, Alan K. Mackworth 著：David L. Poole 加拿大不列颠哥伦比亚大学计算机科学教授，计算智能实验室主任。2014-2015期间，他是牛津大学Leverhulme Trust客座教授。他是加拿大人工智能学会（CAIAC）2013年终身成就奖获得者。他是国际人工智能促进协会（AAAI）和加拿大人工智能学会（CAIAC）Fellow。
Alan K. Mackworth 加拿大不列颠哥伦比亚大学计算机科学教授。他的研究兴趣是基于约束的人工智能及其应用，被称为约束满足、机器人足球、混合系统和基于约束的agent等研究领域的先驱。他是国际人工智能联合会议（IJCAI)）公司的总裁和理事，以及IJCAI执行委员会主席；同时还担任许多编委会和程序委员会委员。他是加拿大计算机智能研究会(CSCSI)主席，还担任国际人工智能促进协会（AAAI）主席。他荣获的奖励包括：ITAC/NSERC杰出学术奖， Killam 研究奖, 人工智能杂志经典论文奖，CSCSI 杰出服务奖，AAAI 杰出服务奖，CAIAC终身成就奖等。他是AAAI和CAIAC的Fellow，加拿大前沿科学研究院和加拿大皇家学院院士、
董红斌 董兴业 童向荣 汪廷华 译 黄厚宽 审校：暂无简介
人工智能自20世纪50年代诞生起就受到学者们的广泛关注，到目前为止国内外很多著名高校都成立了专门研究人工智能学科的研究机构。人工智能的研究涉及多门学科的技术，因此，人工智能是一门具有挑战性的学科。伴随计算机技术的发展和全球信息化大潮的推动，人工智能的研究课题和应用领域也在不断扩展。
本书非常详尽、系统地阐述了人工智能相关技术，内容丰富、连贯，其中涵盖智能体部分、表达和推理部分、学习和规划部分以及个体和关系的推理部分等。全书共15章，各章相对独立却也存在一定的逻辑关系。该书在各章节中都针对不同的概念给出了示例或图形,且难度由浅入深，方便读者更加透彻地理解复杂概念或方法。本书既适合人工智能的初学者，也适合熟悉人工智能的读者，但是建议读者对启发式算法、命题与推理、概率以及算法与数据结构有一定基础之后再进行阅读。
在翻译过程中，我们发现该书有以下特点：
1） 示例鲜活，书中所采用的示例都取材于实际生产、生活。该方式既阐明了技术问题，又说明了应用问题。
2） 伪代码简洁易懂，该书对算法的伪代码描述省去不必要的部分，增加适当的文字描述，算法脉络十分清晰。
3） 重点突出，该书特别强调对知识点的归纳总结，并对需要注意的问题进行提炼。
本书是一本有关AI的书籍，供计算机科学或者相关学科（例如计算机工程、电子工程、哲学、认知科学和心理学）的高年级本科生或研究生使用。
本书的翻译工作由董红斌、董兴业、童向荣和汪廷华共同完成，全书由黄厚宽审校。本书第1、2、3和10章由童向荣翻译，第4、5、6、8和13章由董红斌翻译，第7、11、15章和附录由汪廷华翻译，第9、12和14章由董兴业翻译。本书的翻译工作得到了国家自然科学基金的资助（No.61472095），在此表示谢意。感谢王玲玲、孙雪姣、郭艳燕、翟一鸣、侯薇、崔晓晖、滕旭阳和杨雪等老师和同学对本书翻译过程的参与和支持。
在翻译过程中，我们力求忠实、准确地把握原著并保持原著的风格。但由于水平有限和时间仓促，书中表达不准确之处在所难免，在此恳请各位专家和广大读者批评指正。
译者
2014年7月
出版者的话
译者序
前 言第一部分 世界中的Agent：什么是Agent及如何创建它们
第1章 人工智能与Agent2
1.1 什么是人工智能2
1.2 人工智能简史4
1.3 环境中的Agent6
1.4 知识表示7
1.4.1 定义解8
1.4.2 表示9
1.4.3 推理与行为10
1.5 复杂性维度12
1.5.1 模块性12
1.5.2 表示方案13
1.5.3 规划期14
1.5.4 不确定性15
1.5.5 偏好15
1.5.6 Agent数量16
1.5.7 学习16
1.5.8 计算限制17
1.5.9 多维交互18
1.6 原型应用19
1.6.1 自主传送机器人19
1.6.2 诊断助手21
1.6.3 智能指导系统23
1.6.4 交易Agent24
1.7 本书概述25
1.8 本章小结26
1.9 参考文献及进一步阅读26
1.10 习题27
第2章 Agent体系结构和分层控制28
2.1 Agent28
2.2 Agent系统29
2.3 分层控制32
2.4 嵌入式和仿真Agent37
2.5 通过推理来行动38
2.5.1 设计时间与离线计算39
2.5.2 在线计算40
2.6 本章小结41
2.7 参考文献及进一步阅读42
2.8 习题42
第二部分 表达和推理
第3章 状态和搜索46
3.1 用搜索进行问题求解46
3.2 状态空间47
3.3 图搜索48
3.4 一个通用搜索算法50
3.5 无信息搜索策略51
3.5.1 深度优先搜索51
3.5.2 宽度优先搜索55
3.5.3 最低花费优先搜索56
3.6 启发式搜索56
3.6.1 A*搜索58
3.6.2 搜索策略总结59
3.7 更复杂的搜索方法60
3.7.1 环检查60
3.7.2 多路径剪枝60
3.7.3 迭代深化62
3.7.4 分支界限法63
3.7.5 搜索方向65
3.7.6 动态规划法66
3.8 本章小结68
3.9 参考文献及进一步阅读68
3.10 习题69
第4章 特征和约束71
4.1 特征和状态71
4.2 可能世界、变量和约束72
4.2.1 约束74
4.2.2 约束满足问题75
4.3 生成测试算法76
4.4 使用搜索求解CSP76
4.5 一致性算法78
4.6 域分割81
4.7 变量消除83
4.8 局部搜索85
4.8.1 迭代最佳改进86
4.8.2 随机算法87
4.8.3 评估随机算法90
4.8.4 局部搜索中利用命题结构92
4.9 基于种群的方法92
4.10 最优化94
4.10.1 最优化的系统方法96
4.10.2 局部搜索最优化98
4.11 本章小结99
4.12 参考文献及进一步阅读100
4.13 习题100
第5章 命题和推理103
5.1 命题103
5.1.1 命题演算的语法103
5.1.2 命题演算的语义104
5.2 命题确定子句107
5.2.1 问题与解答109
5.2.2 验证110
5.3 知识表示问题115
5.3.1 背景知识与观察115
5.3.2 询问用户116
5.3.3 知识层的解释117
5.3.4 知识层的调试119
5.4 反证法验证122
5.4.1 Horn子句122
5.4.2 假说与冲突123
5.4.3 基于一致性的诊断124
5.4.4 通过假设和Horn子句推理126
5.5 完备知识假设127
5.5.1 非单调推理130
5.5.2 完备知识的验证程序130
5.6 溯因推理132
5.7 因果模型135
5.8 本章小结137
5.9 参考文献及进一步阅读137
5.10 习题138
第6章 不确定推理145
6.1 概率145
6.1.1 概率的语义146
6.1.2 概率公理147
6.1.3 条件概率149
6.1.4 期望值152
6.1.5 信息理论153
6.2 独立性153
6.3 信念网络155
6.4 概率推理164
6.4.1 信念网络中的变量消除164
6.4.2 通过随机模拟进行近似推理169
6.5 概率和时间176
6.5.1 马尔可夫链176
6.5.2 隐马尔可夫模型176
6.5.3 监听和平滑算法179
6.5.4 动态信念网络180
6.5.5 时间粒度181
6.6 本章小结181
6.7 参考文献及进一步阅读181
6.8 习题182
第三部分 学习与规划
第7章 学习概述与有监督学习186
7.1 学习问题186
7.2 有监督学习189
7.2.1 评估预测190
7.2.2 无输入特征的点估计193
7.2.3 概率学习195
7.3 有监督学习的基本模型196
7.3.1 决策树学习196
7.3.2 线性回归与分类200
7.3.3 贝叶斯分类器203
7.4 组合模型206
7.4.1 神经网络207
7.4.2 集成学习210
7.5 避免过拟合210
7.5.1 最大后验概率和最小描述长度211
7.5.2 交叉验证213
7.6 基于案例的推理213
7.7 改进假设空间的学习215
7.7.1 变型空间学习216
7.7.2 可能近似正确学习218
7.8 贝叶斯学习220
7.9 本章小结224
7.10 参考文献及进一步阅读225
7.11 习题225
第8章 确定性规划229
8.1 状态、动作以及目标的表示229
8.1.1 显式状态空间表示法230
8.1.2 基于特征的动作表示231
8.1.3 STRIPS表示法232
8.1.4 初始状态和目标233
8.2 前向规划233
8.3 回归规划235
8.4 CSP规划236
8.5 偏序规划238
8.6 本章小结241
8.7 参考文献及进一步阅读241
8.8 习题241
第9章 不确定性规划244
9.1 偏好和效用245
9.2 一次性的决策252
9.3 序贯决策255
9.3.1 决策网络256
9.3.2 策略258
9.3.3 决策网络的变量消除259
9.4 信息与控制的价值262
9.5 决策过程264
9.5.1 策略值267
9.5.2 最优策略值267
9.5.3 值迭代268
9.5.4 策略迭代270
9.5.5 动态决策网络271
9.5.6 部分可观察决策过程273
9.6 本章小结273
9.7 参考文献及进一步阅读274
9.8 习题274
第10章 多Agent系统280
10.1 多Agent框架280
10.2 博弈的表示281
10.2.1 博弈的标准形式281
10.2.2 博弈的扩展形式282
10.2.3 多Agent决策网络283
10.3 完全信息的计算策略284
10.4 部分可观察的多Agent推理286
10.4.1 纳什均衡计算290
10.4.2 学习协调292
10.5 群体决策294
10.6 机制设计294
10.7 本章小结296
10.8 参考文献及进一步阅读297
10.9 习题297
第11章 有监督之外的其他学习模型298
11.1 聚类298
11.1.1 期望最大化298
11.1.2 k-均值299
11.1.3 用于软聚类的期望最大化300
11.2 信念网络学习303
11.2.1 概率学习303
11.2.2 未观察到的变量304
11.2.3 缺失数据304
11.2.4 结构学习305
11.2.5 信念网络学习的一般情形306
11.3 增强学习306
11.3.1 演化算法308
11.3.2 时间差308
11.3.3 Q-学习309
11.3.4 探索与利用312
11.3.5 增强学习算法的评估313
11.3.6 在策略学习314
11.3.7 为路径分配信用和责任315
11.3.8 基于模型的方法317
11.3.9 基于特征的增强学习319
11.4 本章小结320
11.5 参考文献及进一步阅读321
11.6 习题321
第四部分 个体与关系的推理
第12章 个体与关系324
12.1 在特征之外利用结构324
12.2 符号与语义325
12.3 Datalog:一个关联规则语言326
12.3.1 基Datalog的语义328
12.3.2 解释变量329
12.3.3 带变量的查询333
12.4 证明与替换334
12.4.1 带变量的自底向上过程335
12.4.2 带变量的确定性归结337
12.5 函数符号339
12.6 在自然语言处理中的应用344
12.6.1 在上下文无关文法中使用限定子句345
12.6.2 增强文法347
12.6.3 为非终结符号建立结构348
12.6.4 封装的文本输出348
12.6.5 强制约束349
12.6.6 建立自然语言与数据库的接口350
12.6.7 局限351
12.7 相等352
12.7.1 允许相等断言352
12.7.2 唯一名字假设353
12.8 完备知识假设355
12.9 本章小结358
12.10 参考文献及进一步阅读358
12.11 习题359
第13章 本体和基于知识的系统363
13.1 知识共享363
13.2 灵活的表示363
13.2.1 选择个体和关系364
13.2.2 图形化表示366
13.2.3 原始关系与导出关系369
13.3 本体与知识共享373
13.3.1 描述逻辑376
13.3.2 顶层本体380
13.4 查询用户和其他知识来源382
13.4.1 函数化关系383
13.4.2 更普遍的问题383
13.5 实现基于知识的系统384
13.5.1 基语言和元语言385
13.5.2 普通的元解释器386
13.5.3 扩展基语言387
13.5.4 深度有限搜索388
13.5.5 元解释器构建证明树389
13.5.6 可询问用户的元解释器390
13.5.7 推迟目标391
13.6 本章小结391
13.7 参考文献及进一步阅读392
13.8 习题392
第14章 关系规划、学习和概率推理396
14.1 规划个体与关系396
14.1.1 情景演算396
14.1.2 事件演算401
14.2 个体与关系的学习402
14.3 概率关系模型406
14.4 本章小结410
14.5 参考文献及进一步阅读411
14.6 习题411
第五部分 宏观图景
第15章 回顾与展望416
15.1 复杂性维度回顾416
15.2 社会与道德后果418
15.3 参考文献及进一步阅读420
附录A 数学基础与记号421
参考文献425
索引439
