本书是一本介绍人工智能的入门级教材，系统地论述了人工智能的概念、原理与应用，主要内容包括绪论（第1章）、知识表示与推理技术（第2章）、机器学习算法（第3～7章）、计算智能理论（第8～11章）、专家系统（第12章）等板块。本书不但介绍了人工智能的基本原理，还结合各个研究方向的前沿成果对各种智能算法和应用技术进行详细阐述，力求清晰地呈现人工智能的经典理论与实用方法。各章采用思维导图、学习目标和案例引入的方式进行引导，注重基础理论的讲解，对各种人工智能算法均配以公式推导和计算流程图，并通过浅显易懂的实例来演示智能算法的具体应用，各章末尾小结部分进行知识点总结，以帮助读者更好地理解和掌握各章所涉及的基本理论和基础知识。本书是高等院校本科生和研究生学习人工智能的教材，也可供从事人工智能研究与开发的技术人员参考。　

人类尝试理解智能本质的历史相当悠久，也取得了非常辉煌的成果，逐渐形成了一门研究和开发模拟、延伸、扩展人类智能的理论、方法、技术及应用系统的新兴学科，称为人工智能。人工智能是一门以计算机科学为基础，涵盖了几乎所有自然科学与社会科学的交叉性学科，是公认的极具应用前景的前沿技术，被视为新一轮科技革命和产业变革的重要驱动力量。各个国家都高度重视人工智能的研发，不断加大投入，在人工智能领域开展技术竞争。近年来，与人工智能相关的产业规模始终保持平稳增长，尤其是在智能芯片、机器人、深度学习、图像与自然语言处理等领域进展显著，深度学习、阿尔法围棋（AlphaGo）、聊天机器人ChatGPT的横空出世，引领了一轮又一轮人工智能技术的发展热潮。
近年来，在国家自然科学基金、大学双一流建设等项目的支持和资助下，笔者所在团队开展了很多人工智能领域的研究和教学工作，本书将相关成果进行了归纳和总结，主要内容分为绪论（第1章）、知识表示与推理技术（第2章）、机器学习算法（第3～7章）、计算智能理论（第8～11章）、专家系统（第12章）等板块，涵盖了人工智能的基本概念和应用领域、知识表示方法及推理技术、专家系统、线性分类与回归模型、决策树分类算法、贝叶斯算法、支持向量机、聚类算法、人工神经网络、遗传算法、蚁群优化算法、粒子群优化算法、模糊逻辑推理、模拟退火算法、禁忌搜索算法等，着重突出人工智能的基础理论和工程应用技术。本书在知识阐述过程中始终强调人工智能算法的基本原理，通过工程案例求解来展示人工智能方法的应用全流程，目的是使读者在理解人工智能原理的基础上，不但能知其然，还能知其所以然，从而系统地建立起人工智能的理论体系，形成以智能算法为核心的完整理论体系和知识链条。
本书第1、2、8、10章由华北电力大学张超编写，第3、4、5、6章由华北电力大学吴自高编写，第7、12章由北京理工大学陶然编写，第9、11章由华北电力大学王进峰编写，张超负责统稿工作。研究生靳瑞卿参与了部分图表的绘制，鲁绍朴编写了相关的程序代码，在此对上述同志谨表谢意。
本书的出版获得了华北电力大学双一流建设项目的资金支持，在此对华北电力大学表示最为诚挚的谢意。
限于笔者的水平，加之人工智能是一门正在高速发展的学科，许多原理和方法尚在不断探索之中，本书难免存在不足之处，敬请读者予以批评指正。

编者

张超，华北电力大学机械工程系机械电子教研室副主任，副教授，主要从事大型旋转机械设备状态监测与故障诊断方面的教学与科研工作。作为主要研究人员参与了风火打捆下汽轮发电机组轴系振动机理及机电耦合故障诊断方法研究机-网耦合作用下风力发电机传动系统故障机理与诊断方法研究发电机三维气隙偏心与定转子绕组短路耦合故障的机电交叉特性分析及其诊断方法研究发电机内部复合故障时机组轴系振动机理与故障诊断研究电网冲击下超(超)临界汽轮发电机组轴系-叶片弯扭耦合振动特性的研究等多项国家自然科学基金面上项目的研究，主研和参与了多项设备故障诊断的横向项目研究与开发，主要包括辽宁东方发电有限公司汽轮发电机组振动远程故障诊断系统，山东聊城鲁能热电有限公司振动信号测试采集分析系统，河北省电力勘探设计研究院西柏坡电厂#5机励磁间振动故障诊断，呼和浩特市博泵销售有限公司旋转机械振动信号测试采集与分析系统，大唐（通辽）霍林河新能源有限公司风电机组振动监测与分析系统，东北电网有限公司齐齐哈尔超高压局齐齐哈尔超高压局500kV管母线振动、挠度在线监测装置科研项目；主研的风力发电机主轴刹车片摩擦性能试验系统科研项目通过2013年省级鉴定，鉴定结果为国际先进，并获得2015年度河北省科技进步三等奖。公开发表学术论文20余篇，其中以一作身份发表SCI收录论文1篇，EI收录论文6篇。参编出版教材1部；多次指导大学生参加挑战杯大学生创新创业项目等，获得省级二等奖1项；获得发明专利授权1项，实用新型专利授权4项，软件著作权4项。

第1章　绪论 1
1.1 人工智能的基本概念 3
1.1.1 智能 3
1.1.2 智能机器 4
1.1.3 人工智能 4
1.2 人类智能与人工智能的关系 5
1.2.1 人工智能模拟人类的认知过程 5
1.2.2 人类思维与机器思维的差异 6
1.3 人工智能的发展概况 7
1.3.1 人工智能的起源 7
1.3.2 人工智能的发展阶段 8
1.4 人工智能的主要学派与技术路线 10
1.4.1 传统学派 10
1.4.2 现代学派 13
1.4.3 人工智能的技术路线 14
1.5 人工智能的主要研究领域 15
1.5.1 博弈 15
1.5.2 自动定理证明 16
1.5.3 专家系统 17
1.5.4 模式识别 18
1.5.5 自然语言处理 18
1.5.6 机器学习 19
1.5.7 机器视觉 20
1.5.8 机器人 20
1.5.9 计算智能 21
1.6 人机关系与工程伦理 22
1.6.1 人工智能对经济的影响 22
1.6.2 人工智能对人类社会的影响 22
1.6.3 人工智能对认知方式的影响 23
1.6.4 人工智能对文化生活的影响 23
1.6.5 人工智能的技术风险 24
1.7 人工智能的未来展望 25
1.7.1 理论突破 25
1.7.2 技术集成 25
1.7.3 应用领域拓展 26
本章小结 27
习题 27

第2章 知识表示与推理技术 28
2.1 概述 29
2.1.1 知识表示的基本概念 30
2.1.2 人工智能系统的知识类型 31
2.1.3 知识表示方法的类型 31
2.2 状态空间法 32
2.2.1 状态空间法的要素 32
2.2.2 状态图 33
2.2.3 产生式系统 34
2.2.4 状态空间法的应用实例 35
2.3 问题归约法 38
2.3.1 问题归约的过程 38
2.3.2 问题归约的与或图表示 40
2.3.3 问题归约的机理 42
2.4 谓词逻辑法 43
2.4.1 命题逻辑 43
2.4.2 谓词演算 43
2.4.3 谓词公式 46
2.4.4 置换与合一 49
2.5 语义网络法 50
2.5.1 语义网络的构成 50
2.5.2 二元语义网络的表示 51
2.5.3 多元语义网络的表示 52
2.5.4 语义网络中连词的表示 52
2.5.5 语义网络中量词的表示 55
2.5.6 语义网络的推理 56
2.5.7 语义网络法求解问题的过程 59
2.6 框架表示法 60
2.6.1 框架的构成 60
2.6.2 框架系统 61
2.6.3 框架推理 63
2.7 过程式知识表示 65
2.7.1 过程式知识表示的相关概念 65
2.7.2 过程式知识表示举例 65
2.7.3 过程式推理 67
本章小结 68
习题 69

第3章 线性模型 70
3.1 线性模型的基本形式 71
3.2 线性回归 72
3.2.1 一元线性回归 72
3.2.2 多元线性回归 74
3.3 对数几率回归 76
3.3.1 对数几率回归模型 76
3.3.2 最优回归系数的确定 78
3.4 线性分类算法 81
3.4.1 线性判别分析 81
3.4.2 感知机 84
本章小结 87
习题 88

第4章 决策树 89
4.1 基本流程 91
4.2 特征选择 92
4.2.1 信息熵 92
4.2.2 信息增益 93
4.2.3 信息增益率 95
4.3 决策树生成 96
4.3.1 ID3算法 97
4.3.2 C4.5算法 98
4.4 决策树剪枝 100
4.5 多变量决策树 101
本章小结 102
习题 102

第5章 贝叶斯分类 103
5.1 贝叶斯决策理论 104
5.2 极大似然估计 105
5.3 朴素贝叶斯分类 106
5.4 贝叶斯网络 109
5.4.1 网络的结构 109
5.4.2 学习与推理 112
本章小结 113
习题 114

第6章 支持向量机 115
6.1 支持向量机的原理 116
6.2 对偶问题 119
6.3 核函数 121
6.3.1 核函数的定义 121
6.3.2 常用核函数 123
6.3.3 非线性支持向量机 124
6.4 正则化 124
6.5 支持向量回归 126
本章小结 128
习题 128

第7章 聚类算法 129
7.1 概述 130
7.2 性能度量 131
7.3 距离计算 133
7.4 K均值聚类 135
7.5 基于密度的聚类算法 138
7.6 层次聚类算法 142
本章小结 146
习题 146

第8章 神经计算 147
8.1 人工神经网络的发展概况 148
8.2 神经元与神经网络 150
8.2.1 生物神经元与神经网络 150
8.2.2 人工神经元与神经网络 151
8.3 人工神经网络的典型结构 153
8.3.1 感知机 153
8.3.2 前馈型网络 155
8.3.3 反馈型网络 156
8.4 人工神经网络的学习方法与规则 158
8.4.1 人工神经网络的学习方法 158
8.4.2 人工神经网络的学习规则 161
8.5 BP神经网络 162
8.5.1 BP算法的流程 162
8.5.2 误差反向传播的计算过程 163
8.5.3 BP神经网络的计算实例 167
8.6 其他常见神经网络 169
8.6.1 RBF神经网络 169
8.6.2 ART神经网络 170
8.6.3 SOM神经网络 171
8.6.4 级联相关神经网络 171
8.6.5 玻尔兹曼机 172
8.7 人工神经网络的应用 173
8.7.1 模式识别 173
8.7.2 计算和优化 174
8.7.3 建模和预测 174
8.7.4 智能控制与处理 175
8.7.5 深度学习 175
本章小结 176
习题 177

第9章 智能优化算法 178
9.1 概述 180
9.2 遗传算法 180
9.2.1 遗传算法的起源 180
9.2.2 遗传算法的技术原理 181
9.2.3 遗传算法案例 184
9.3 粒子群优化算法 186
9.3.1 粒子群优化算法的起源 186
9.3.2 粒子群优化算法的技术原理 186
9.3.3 粒子群优化算法的分类 188
9.3.4 粒子群优化算法案例 190
9.4 蚁群算法 191
9.4.1 蚁群算法的原理 191
9.4.2 蚁群算法的分类 192
9.4.3 蚁群算法案例 194
本章小结 195
习题 196

第10章 模糊计算 197
10.1 模糊理论 198
10.1.1 模糊性 198
10.1.2 模糊数学 199
10.1.3 模糊逻辑 199
10.1.4 模糊理论的发展概况 200
10.2 模糊集合 200
10.2.1 模糊集合概述 200
10.2.2 模糊集合的运算：并、交、补 203
10.2.3 模糊集合的运算定律 204
10.3 模糊关系与模糊矩阵 205
10.3.1 模糊关系 205
10.3.2 模糊矩阵概述 205
10.3.3 模糊矩阵的运算 207
10.3.4 模糊矩阵的合成 207
10.4 模糊逻辑推理 208
10.4.1 模糊规则 209
10.4.2 模糊三段论 211
10.5 模糊系统 212
10.5.1 模糊系统的构成 212
10.5.2 模糊系统实例 212
10.5.3 模糊系统的应用 214
本章小结 216
习题 216

第11章 经典优化算法 217
11.1 概述 218
11.2 单点搜索算法 219
11.2.1 单点搜索算法概述 219
11.2.2 单点搜索算法的分类 220
11.2.3 单点搜索算法的优缺点 220
11.2.4 单点搜索算法展望 221
11.3 模拟退火算法 221
11.3.1 模拟退火算法概述 221
11.3.2 模拟退火算法流程 223
11.3.3 模拟退火算法案例 224
11.3.4 模拟退火算法展望 225
11.4 禁忌搜索算法 226
11.4.1 禁忌搜索算法概述 226
11.4.2 禁忌搜索算法的构成要素 226
11.4.3 禁忌搜索算法的基本思想和流程 228
11.4.4 禁忌搜索算法案例 229
11.4.5 禁忌搜索算法展望 230
本章小结 231
习题 231

第12章 专家系统 233
12.1 专家系统概述 234
12.1.1 专家系统的概念与发展简况 234
12.1.2 专家系统的特点 235
12.1.3 专家系统的结构 235
12.1.4 专家系统的类型 236
12.2 基于规则的专家系统 238
12.2.1 基于规则的专家系统的基本结构 238
12.2.2 基于规则的专家系统的特点 239
12.2.3 基于规则的专家系统实例 239
12.3 基于框架的专家系统 240
12.3.1 基于框架的专家系统的定义 240
12.3.2 基于框架的专家系统的特点 240
12.3.3 基于框架的专家系统实例 241
12.4 基于模型的专家系统 241
12.4.1 基于模型的专家系统的定义 241
12.4.2 基于模型的专家系统的特点 242
12.4.3 基于模型的专家系统实例 242
12.5 专家系统的设计与开发 243
12.5.1 专家系统的设计步骤 243
12.5.2 专家系统开发工具 244
本章小结 246
习题 246

参考文献 247