隨著智能技術研究和應用的不斷深入，人工智能越來越受到社會的關注。在中國科協2008年舉辦的“十項引領未來的科學技術”網絡評選中，“人工智能技術”名列第4。人工智能作為一項引領未來的科學技術，正在以其無限的潛力，影響著未來科學技術的發展，改變著人類的生產生活方式。
人工智能就是要用機器模擬、延伸和擴展人的智能。智能就像人類生命體的精髓一樣，人工智能則是人造智能系統的精髓。今天，從智能理論到智能應用，從智能產品到智能產業，從個體智能到群體智能，從智能家居到智能社會，人工智能已無處不在，其新理論、新方法、新技術、新系統、新應用如雨后春筍般不斷涌現。創新智能技術，深化智能應用是人工智能發展的根本。
本教材自出版以來，得到眾多讀者的厚愛，第2版和第1版均先后印刷了9次，兩版共印刷18次。同時，本書先后被評為普通高等教育“十一五”國家級規劃教材和北京高等教育精品教材。在此，也向所有關心和支持本教材建設的專家和讀者表示感謝。
作為一本人工智能教材，為盡量反映人工智能技術的發展，適應人工智能的應用需求，本次修訂適當壓縮了第2版中的一些陳舊技術，增加了一些流行的常用技術。與第2版相比，本次修訂的主要改動如下：
（1）對第2版的部分章節進行了拆分和合并，全書由第2版的10章修改為9章。
（2）將第2版的第2章確定性知識表示和第3章確定性推理合并，修訂為第3版的第2章確定性知識系統。
�。�3）將第2版的第7章機器學習拆分，修訂為第3版的第6章符號學習和第7章聯結學習。
�。�4）將第2版的第8章自然語言理解和第10章高級專家系統合并，修訂為第3版的第9章人工智能應用簡介。
�。�5）在確定性知識表示方面，刪除了第2版的過程知識表示方法和語義網絡知識表示中的邏輯關系表示方法。
�。�6）在確定性推理方面，刪除了第2版中基于規則的演繹推理。并將第2版第2章中關于產生式系統的內容與第3章關于推理方向的內容合并，修訂為第3版第2章中的產生式推理。
�。�7）在搜索策略方面，刪除了第2版中的一般圖搜索過程，壓縮了第2版中的盲目搜索算法，使第3版更加突出了啟發式搜索的內容。
�。�8）在計算智能方面，第3版新增了粗糙集的概念、理論和方法，豐富了計算智能方面的相關內容。
（9）在不確定推理方面，第3版新增了基于貝葉斯網絡的概率推理，并對證據理論推理進行了修訂，跳過了普通概率分配函數，直接從一個特殊的概率分配函數開始討論其推理問題。
�。�10）在符號學習方面，刪除了第2版中的解釋學習，新增第3版中基于支持向量機的統計學習。
（11）在聯結學習方面，第3版對BP網絡學習進行了改寫和充實。
�。�12）根據人工智能技術的發展，對第1章的有關內容進行了修改。
本教材第3版共分9章。
第1章人工智能概述，主要討論人工智能的定義、形成過程、研究內容、學派之爭、應用領域和發展趨勢等，以使讀者建立人工智能的初步概念。
第2章確定性知識系統，包括確定性知識的表示和推理。
第3章搜索策略，重點關注啟發式搜索策略。
第4章計算智能，包括神經計算、進化計算、模糊計算和粗糙集。
第5章不確定性推理，全面反映不確定性人工智能的思想。
第6章符號學習，包括機器學習概述、記憶學習、示例學習、決策樹學習和統計學習等。
第7章聯結學習，包括感知器學習、BP網絡學習和Hopfield網絡學習等。
第8章分布智能，主要基于多Agent技術進行討論。
第9章為智能應用簡介，主要包括自然語言理解和高級專家系統。
附錄A是人工智能課程的實驗大綱。
本教材建議總學時為48學時（標準），其中課堂教學42學時，實驗6學時，具體分配如下：
章次123456789理論課實驗課合計
學時27599431242648
若課時不足，可根據課時情況依次刪去：附錄A的實驗；5.4節證據理論；5.6.4小節貝葉斯網絡的近似推理；4.5節粗糙集等。
本教材的編寫吸取了眾多國內外同行在其報告、演講、專著、教材和論文中的精華。在此，謹向這些專家和作者表示感謝。
本教材第3版承蒙何新貴院士作序，在此深表謝意。馬獻英副編審精心校對了全部書稿，在此也深表謝意。本教材第3版的修訂和出版，同樣得到了電子工業出版社的大力支持，在此也表示誠摯的謝意。
人工智能是一門正在快速發展的年輕學科，其研究和應用領域十分寬廣。由于作者水平有限、時間倉促，教材中難免存在一些缺點和錯誤，懇請各位專家和讀者不吝指教。
序
人工智能是智能科學與技術學科的核心，在現代科學技術發展和未來信息社會進程中具有重要的支撐和引領作用。今天，智能技術已滲透到人類社會的各個領域和人們生活的各個方面，人工智能的學術意義和應用價值已被越來越多的人所認識。
王萬森教授長期從事人工智能方面的研究和教學工作，有著豐富的研究經歷和教學經驗。此外，該同志現任中國人工智能學會秘書長、教育工作委員會主任，對人工智能的學術和教學內容有較深入的思考和認識。
這本教材是王萬森教授《人工智能原理及其應用》的第3版。該書前兩版共印刷18次，并先后被評為普通高等教育“十一五”國家級規劃教材和北京市高等教育精品教材，在學術界享有良好的聲譽。
在本次修訂過程中，作者對該書上一版的知識結構及教學內容進行了精心推敲和認真修改，其主要特點如下：
�。�1）在保證人工智能學術體系完整性的同時，適當壓縮傳統智能理論和方法，突出現代智能方法和技術，準確地反映了人工智能學科的研究現狀和應用需求。
�。�2）從符號智能與計算智能并重，機器思維與機器學習并重的角度出發，合理安排教學內容，科學地優化了人工智能教材的知識結構。
�。�3）遵循教材編寫規律，注重教材寫作技巧，尤其是對一些現代智能方法，采用由淺入深、實例引導的方式，有效地提高了該教材的可讀性和可理解性。
該書理論描述準確，技術討論恰當，系統結構完整，重點內容突出，既是高校相關專業人工智能教學方面的一本好教材，也是社會相關領域人工智能研究與應用的一本有價值的參考書。該書的出版必將對我國智能科學技術的學科建設和教學工作起到積極的促進作用。
特此作序。
北京大學教授、中國工程院院士
何新貴
編著者
第1章 人工智能概述
1.1 人工智能的基本概念
1.1.1 智能的概念
1.1.2 人工智能的概念
1.1.3 人工智能的研究目標
1.2 人工智能的產生與發展
1.2.1 孕育期
1.2.2 形成期
1.2.3 知識應用期
1.2.4 從學派分立走向綜合
1.2.5 智能科學技術學科的興起
1.3 人工智能研究的基本內容
1.3.1 與腦科學和認知科學的交叉研究
1.3.2 智能模擬的方法和技術研究
1.4 人工智能研究中的不同學派
1.4.1 符號主義
1.4.2 聯結主義
1.4.3 行為主義
1.5 人工智能的研究和應用領域
1.5.1 機器思維
1.5.2 機器學習
1.5.3 機器感知
1.5.4 機器行為
1.5.5 計算智能
1.5.6 分布智能
1.5.7 智能系統
1.5.8 人工心理與人工情感
1.5.9 人工智能的典型應用
1.6 人工智能的現狀與思考
習題1
第2章 確定性知識系統
2.1 確定性知識系統概述
2.1.1 確定性知識表示概述
2.1.2 確定性知識推理概述
2.2 確定性知識表示方法
2.2.1 謂詞邏輯表示法
2.2.2 產生式表示法
2.2.3 語義網絡表示法
2.2.4 框架表示法
2.3 確定性知識推理方法
2.3.1 產生式推理
2.3.2 自然演繹推理
2.3.3 歸結演繹推理
2.4 確定性知識系統簡例
2.4.1 產生式系統簡例
2.4.2 歸結演繹系統簡例
習題2
第3章 搜索策略
3.1 搜索概述
3.1.1 搜索的含義
3.1.2 狀態空間問題求解方法
3.1.3 問題歸約求解方法
3.2 搜索的盲目策略
3.2.1 狀態空間的盲目搜索
3.2.2 代價樹的盲目搜索
3.3 狀態空間的啟發式搜索
3.3.1 啟發性信息和估價函數
3.3.2 A算法
3.3.3 A*算法
3.3.4 A*算法應用舉例
3.4 與／或樹的啟發式搜索
3.4.1 解樹的代價與希望樹
3.4.2 與／或樹的啟發式搜索過程
3.5 博弈樹的啟發式搜索
3.5.1 概述
3.5.2 極大／極小過程
3.5.3 α-β剪枝
習題3
第4章 計算智能
4.1 計算智能概述
4.1.1 什么是計算智能
4.1.2 計算智能的產生與發展
4.1.3 計算智能與人工智能的關系
4.2 神經計算
4.2.1 神經計算基礎
4.2.2 人工神經網絡的互聯結構
4.2.3 人工神經網絡的典型模型
4.3 進化計算
4.3.1 進化計算概述
4.3.2 遺傳算法
4.4 模糊計算
4.4.1 模糊集及其運算
4.4.2 模糊關系及其運算
4.5 粗糙集
4.5.1 粗糙集概述
4.5.2 粗糙集的基本理論
4.5.3 決策表的約簡
習題4
第5章 不確定性推理
5.1 不確定性推理概述
5.1.1 不確定性推理的含義
5.1.2 不確定性推理的基本問題
5.1.3 不確定性推理的類型
5.2 可信度推理
5.2.1 可信度的概念
5.2.2 可信度推理模型
5.2.3 可信度推理的例子
5.3 主觀Bayes推理
5.3.1 主觀Bayes方法的概率論基礎
5.3.2 主觀Bayes方法的推理模型
5.3.3 主觀Bayes推理的例子
5.3.4 主觀Bayes推理的特性
5.4 證據理論
5.4.1 證據理論的形式化描述
5.4.2 證據理論的推理模型
5.4.3 推理實例
5.4.4 證據理論推理的特性
5.5 模糊推理
5.5.1 模糊知識表示
5.5.2 模糊概念的匹配
5.5.3 模糊推理的方法
5.6 概率推理
5.6.1 貝葉斯網絡的概念及理論
5.6.2 貝葉斯網絡推理的概念和類型
5.6.3 貝葉斯網絡的精確推理
5.6.4 貝葉斯網絡的近似推理
習題5
第6章 符號學習
6.1 符號學習概述
6.1.1 學習的概念
6.1.2 機器學習的概念
6.1.3 符號學習系統的基本模型
6.2 記憶學習
6.3 示例學習
6.3.1 示例學習的類型
6.3.2 示例學習的模型
6.3.3 示例學習的歸納方法
6.4 決策樹學習
6.4.1 決策樹的概念
6.4.2 ID3算法
6.5 統計學習
6.5.1 小樣本統計學習理論
6.5.2 支持向量機
習題
第7章 聯結學習
7.1 聯結學習概述
7.1.1 聯結學習的生理學基礎
7.1.2 聯結學習規則
7.2 感知器學習
7.2.1 單層感知器學習算法
7.2.2 單層感知器學習的例子
7.2.3 多層感知器學習問題
7.3 BP網絡學習
7.3.1 BP網絡學習的基礎
7.3.2 BP算法的傳播公式
7.3.3 BP網絡學習算法
7.3.4 BP網絡學習的討論
7.4 Hopfield網絡學習
7.4.1 Hopfield網絡的能量函數
7.4.2 Hopfield網絡學習算法
習題
第8章 分布智能
8.1 分布智能概述
8.1.1 分布智能的概念
8.1.2 分布式問題求解
8.1.3 多Agent系統
Ⅹ 人工智能原理及其應用第3版
8.2 Agent的結構
8.2.1 Agent的機理
8.2.2 反應Agent的結構
8.2.3 認知Agent的結構
8.2.4 混合Agent的結構
8.3 多Agent系統
8.3.1 Agent通信
8.3.2 多Agent合作
8.4 移動Agent
8.4.1 移動Agent系統的一般結構
8.4.2 移動Agent的實現技術及應用
習題
第9章 智能應用簡介
9.1 自然語言理解簡介
9.1.1 自然語言理解的基本概念
9.1.2 詞法分析
9.1.3 句法分析
9.1.4 語義分析
9.2 專家系統簡介
9.2.1 專家系統概述
9.2.2 基于規則和基于框架的專家系統
9.2.3 模糊專家系統和神經網絡專家系統
9.2.4 基于Web的專家系統
9.2.5 分布式和協同式專家系統
9.2.6 專家系統的開發
習題9
附錄A 人工智能課程實驗大綱
A.1 分章實驗
分章實驗1 簡單動物識別系統的知識表示第2章
分章實驗2 簡單動物識別系統的推理第2章
分章實驗3 簡單的一字棋游戲第3章
分章實驗4 簡單的遺傳優化第4章
分章實驗5 簡單的可信度推理第5章
分章實驗6 簡單的單層感知器分類第7章
A.2 綜合實驗
綜合實驗1 智能五子棋游戲
綜合實驗2 基于BP網絡的預測或評價系統
綜合實驗3 基于Web的不確定推理專家系統
參考文獻
新書資訊