近年来，人工智能的框架、理论、方法和产业发展极为迅速，是当前科学研究的前沿和创新创业的热点。本书系统介绍了人工智能的原理和应用情况，共分为11章，包括人工智能概述、知识表示与知识图谱、确定性推理方法、不确定性推理方法、搜索策略、智能计算及应用、机器视觉、机器学习、神经网络与深度学习、智能体与多智能体系统以及自然语言处理及应用等，其中体现了新一代人工智能的几个前沿研究方向（领域），包括具身智能、知识图谱、深度强化学习、分布式人工智能和生成式人工智能等。 本书可作为高等院校人工智能、智能科学与技术、计算机、自动化、电子信息等专业本科生和相关领域研究生的教材，也可供人工智能相关领域从事设计、开发、应用的工程技术人员学习参考。

第1章 人工智能概述 1 1.1 人工智能的定义 1 1.1.1 人工智能的概念 1 1.1.2 人工智能与人的智能 2 1.2 人工智能发展简史 2 1.2.1 发展概述 2 1.2.2 各学科的贡献 4 1.3 人工智能的三大学派 5 1.3.1 符号主义 5 1.3.2 连接主义 6 1.3.3 行为主义 6 1.3.4 三大学派的关系 7 1.4 人工智能研究的基本内容 7 1.4.1 机器感知 7 1.4.2 机器思维 9 1.4.3 机器学习 11 1.4.4 机器行为 12 1.4.5 分布式智能 13 1.4.6 具身智能 13 1.5 人工智能的应用领域 15 1.5.1 应用概述 15 1.5.2 机器人应用 16 本章小结 17 思考题或自测题 17 第2章 知识表示与知识图谱 19 2.1 知识的特性、分类和表示 19 2.1.1 知识的特性 19 2.1.2 知识的分类 20 2.1.3 知识表示 21 2.2 表示方法: 一阶谓词逻辑 23 2.2.1 谓词逻辑表示的逻辑学基础 23 2.2.2 谓词逻辑表示方法 25 2.2.3 谓词逻辑表示的经典例子 26 2.2.4 谓词逻辑表示的特性 27 2.3 产生式知识表示 28 2.3.1 产生式表示的基本方法 28 2.3.2 产生式表示简例 29 2.3.3 产生式表示的特性 29 2.4 框架表示法 30 2.4.1 框架结构 30 2.4.2 框架网络 32 2.4.3 推理方法 33 2.5 知识图谱 35 【实践2.1】 产生式系统 39 【实践2.2】 城市信息的知识图谱构建 41 本章小结 41 思考题或自测题 42 第3章 确定性推理方法 43 3.1 推理的基本概念 43 3.1.1 推理的定义 43 3.1.2 推理方式及其分类 44 3.1.3 推理的方向 47 3.1.4 冲突消解策略 51 3.2 确定性推理方法 53 3.2.1 自然演绎推理 53 3.2.2 谓语公式化为子句集的方法 57 3.2.3 鲁滨逊归结原理 61 3.3 确定性推理方法的应用 64 3.3.1 归结反演 64 3.3.2 应用归结原理求解问题 66 【实践3.1】 鲁滨逊归结原理: “快乐学生”问题 68 【实践3.2】 鲁滨逊归结原理: “激动人心的生活”问题 70 【实践3.3】 命题逻辑归结推理系统 71 本章小结 73 思考题或自测题 73 第4章 不确定性推理方法 76 4.1 不确定性推理的基本概念 76 4.1.1 不确定性推理的含义 76 4.1.2 不确定性推理的基本问题 77 4.1.3 不确定性推理方法的分类 80 4.2 基于概率的推理方法 80 4.2.1 可信度方法 80 4.2.2 证据理论 86 4.3 模糊推理方法 93 4.3.1 模糊数学的基本知识 94 4.3.2 模糊假言推理 96 【实践4.1】 证据理论与信息融合 99 【实践4.2】 模糊控制中的推理方法 100 本章小结 101 思考题或自测题 102 第5章 搜索策略 104 5.1 搜索概述 104 5.1.1 盲目搜索 105 5.1.2 启发式搜索 105 5.2 状态空间的搜索策略 105 5.2.1 状态空间图 105 5.2.2 问题的状态空间表示法 107 5.2.3 状态空间搜索的基本思想 108 5.2.4 一般图搜索过程 109 5.3 盲目搜索 110 5.3.1 宽度优先搜索 110 5.3.2 深度优先搜索 112 5.3.3 有界深度搜索和迭代加深搜索 113 5.3.4 搜索最优策略的比较 115 5.4 启发式搜索 116 5.4.1 启发性信息和估价函数 116 5.4.2 A算法 116 5.4.3 A*算法 117 5.4.4 与/或树的启发式搜索 122 5.4.5 博弈树的启发式搜索 123 【实践5.1】 A*算法求解8数码问题 124 【实践5.2】 A*算法求解传教士和野人(MC)问题 125 本章小结 127 思考题或自测题 127 第6章 智能计算及其应用 129 6.1 进化算法的产生与发展 129 6.1.1 进化算法的生物学背景 130 6.1.2 进化算法的概念 130 6.1.3 进化算法的设计原则 131 6.1.4 进化算法框架 131 6.2 遗传算法及其应用 132 6.2.1 遗传算法的生物学背景 132 6.2.2 遗传算法的基本思想 133 6.2.3 编码 133 6.2.4 群体设定 134 6.2.5 适应度函数 135 6.2.6 选择 136 6.2.7 交叉 139 6.2.8 变异 140 6.2.9 遗传算法的特点 141 6.2.10 遗传算法的应用 142 6.3 粒子群优化算法 143 6.3.1 粒子群优化算法基本思想 143 6.3.2 粒子群优化算法基本框架 144 6.3.3 粒子群优化算法的参数分析 145 6.3.4 粒子群优化算法的应用示例 146 6.4 蚁群算法 147 6.4.1 蚁群算法概述 147 6.4.2 蚁群算法的数学模型 148 6.4.3 蚁群算法的参数选择 149 6.4.4 蚁群算法的应用实例 150 【实践6.1】 遗传算法求函数最大值 152 【实践6.2】 粒子群算法求函数最小值 153 本章小结 155 思考题或自测题 155 第7章 机器视觉 157 7.1 机器视觉的诞生及发展史 157 7.1.1 机器视觉的定义 157 7.1.2 机器视觉的发展历史 158 7.1.3 机器视觉系统的组成 160 7.2 数字图像与处理基础 164 7.2.1 数字图像基础 164 7.2.2 数字图像处理 166 7.3 数字图像特征提取与理解 174 7.3.1 传统图像特征及其提取方法 174 7.3.2 基于深度学习的数字图像理解 177 7.4 三维视觉 180 7.4.1 双目立体视觉 181 7.4.2 三维点云及其感知 185 【实践7.1】 图像基础空间变换、频域变换的Python实现 189 【实践7.2】 实现平滑滤波和Canny边缘检测算子 190 【实践7.3】 Python与OpenCV实现基于区域的图像分割 191 【实践7.4】 基于YOLO V5的工件表面缺陷视觉检测 193 【实践7.5】 Python与Pytorch实现三维点云物体识别 195 本章小结 197 思考与自测题 197 第8章 机器学习 199 8.1 机器学习概述 199 8.1.1 定义 199 8.1.2 发展历史 200 8.1.3 分类 201 8.2 归纳学习 202 8.2.1 归纳学习的基本概念 202 8.2.2 归纳学习的双空间模型 203 8.2.3 归纳学习的分类 203 8.3 决策树学习 203 8.3.1 决策树的概念 204 8.3.2 决策树的构造算法 204 8.3.3 ID3算法 206 8.3.4 决策树的偏置 208 8.4 基于实例的学习 208 8.4.1 K-近邻算法 208 8.4.2 距离加权最近邻法 209 8.4.3 基于范例的学习 210 8.5 强化学习 214 8.5.1 强化学习模型 215 8.5.2 马尔可夫决策过程 215 8.5.3 Q学习 216 8.6 支持向量机 219 8.6.1 线性可分与最优分类超平面 219 8.6.2 非线性可分与核函数 221 8.6.3 支持向量机的结构与实现 223 【实践8.1】 一个简单的专家系统 223 【实践8.2】 一个房屋预测系统 224 本章小结 226 思考题或自测题 226 第9章 神经网络与深度学习 228 9.1 神经元与神经网络的基本概念 228 9.1.1 人工神经元基本概念 228 9.1.2 人工神经网络基本概念 230 9.2 BP学习算法及其应用 230 9.2.1 BP网络模型 230 9.2.2 BP学习算法 231 9.2.3 BP神经网络在模式识别中的应用 236 9.3 Hopfield神经网络及其应用 237 9.3.1 Hopfield网络模型 237 9.3.2 Hopfield网络学习算法 238 9.4 卷积神经网络及其应用 241 9.4.1 深度卷积神经网络 241 9.4.2 深度卷积神经网络学习算法 243 9.4.3 卷积神经网络的应用 249 9.5 生成对抗网络及其应用 250 9.5.1 生成对抗网络的基本原理 251 9.5.2 生成对抗网络的结构 252 9.5.3 生成对抗网络在图像处理中的应用 252 9.5.4 生成对抗网络在语言处理中的应用 252 9.6 大模型与生成式人工智能 253 9.6.1 ChatGPT 253 9.6.2 Sora 255 【实践9.1】 基于神经网络的优化计算 256 【实践9.2】 卷积神经网络用于图像识别 258 本章小结 261 思考题或自测题 261 第10章 智能体与多智能体系统 263 10.1 多智能体概述 263 10.1.1 智能体 263 10.1.2 多智能体概念 266 10.1.3 多智能体结构 267 10.2 多智能体系统协作 271 10.2.1 通信 272 10.2.2 协调 277 10.2.3 协作 278 10.2.4 协商 282 【实践10.1】 多智能体协同控制问题 284 【实践10.2】 多智能体决策网络 284 本章小结 285 思考题或自测题 286 第11章 自然语言处理及其应用 287 11.1 自然语言理解的概念与发展 287 11.1.1 自然语言理解的基本概念 287 11.1.2 自然语言理解的发展历程 289 11.1.3 自然语言理解的发展趋势 289 11.1.4 自然语言理解的层次 290 11.2 词法分析 291 11.3 句法分析 292 11.3.1 短语结构语法 292 11.3.2 乔姆斯基形式语法 293 11.3.3 句法分析树 294 11.3.4 转移网络 299 11.4 语义分析 300 11.4.1 语义文法 301 11.4.2 格文法 301 11.5 语料库 303 11.5.1 语料库语言学 303 11.5.2 语料库语言学的特点 305 11.5.3 统计方法的应用 306 11.5.4 语料库的类型 307 11.6 机器翻译基本原理 307 11.7 语音识别的应用 310 【实践11.1】 语音识别的实现 313 【实践11.2】 机器翻译 316 本章小结 317 思考题或自测题 317 参考文献 319