本书经过二十多年的反复锤炼、不断跟踪人工智能的最新发展，已经成为一本基础性强、可读性好、适合初学者学习的人工智能教材，荣获首届全国优秀教材二等奖。读者通过学习本书，能够掌握人工智能的基本知识，了解人工智能研究的一些前沿内容，为进一步学习人工智能理论与应用奠定基础。

全书共12章。第1章绪论；第2章知识表示与知识图谱；第3章确定性推理方法；第4章不确定性推理方法；第5章搜索策略；第6章智能计算及其应用；第7章机器学习与专家系统；第8章人工神经网络与深度学习；第9章循环神经网络与自然语言理解；第10章大语言模型及其应用；第11章AI智能体与多智能体系统；第12章人工智能在游戏设计中的应用。附录中给出了本书部分习题的简要解答和实验指导书。

本书可作为计算机类、自动化类、电气类、电子信息类、机械类以及其他理工农医类专业的本科生学习人工智能课程的教材。由于书中几大部分内容相对独立，教师可以根据课程计划灵活选择相关内容。

前辅文
第1章 绪论
  1.1 人工智能的基本概念
   1.1.1 智能的概念
   1.1.2 智能的特征
   1.1.3 人工智能
   1.1.4 专用人工智能和通用人工智能
  1.2 人工智能的发展简史
   1.2.1 孕育
   1.2.2 形成
   1.2.3 发展
   1.2.4 大数据驱动人工智能发展期
  1.3 人工智能的三大学派
   1.3.1 符号主义
   1.3.2 连接主义
   1.3.3 行为主义
  1.4 人工智能研究的基本内容
  1.5 人工智能的主要研究领域
  1.6 小结
  思考题
第2章 知识表示与知识图谱
  2.1 知识与知识表示的概念
   2.1.1 知识的概念
   2.1.2 知识的特性
   2.1.3 知识的表示
  2.2 一阶谓词逻辑表示法
   2.2.1 命题
   2.2.2 谓词
   2.2.3 谓词公式
   2.2.4 谓词公式的性质
   2.2.5 一阶谓词逻辑知识表示方法
   2.2.6 一阶谓词逻辑表示法的特点
  2.3 产生式表示法
   2.3.1 产生式
   2.3.2 产生式系统
   2.3.3 产生式系统的例子——动物识别系统
   2.3.4 产生式表示法的特点
  2.4 框架表示法
   2.4.1 框架的一般结构
   2.4.2 用框架表示知识的例子
   2.4.3 框架表示法的特点
  2.5 知识图谱
   2.5.1 知识图谱的提出
   2.5.2 知识图谱的定义
   2.5.3 知识图谱的表示
   2.5.4 知识图谱的架构
   2.5.5 知识图谱的构建
   2.5.6 知识图谱的典型应用
  2.6 小结
  思考题
  习题
第3章 确定性推理方法
  3.1 推理的基本概念
   3.1.1 推理的定义
   3.1.2 推理方式及其分类
   3.1.3 推理的方向
   3.1.4 冲突消解策略
  3.2 自然演绎推理
  3.3 谓词公式化为子句集的方法
  3.4 鲁宾逊归结原理
   3.4.1 命题逻辑中的归结原理
   3.4.2 谓词逻辑中的归结原理
  3.5 归结反演
  3.6 应用归结原理求解问题
  3.7 小结
  思考题
  习题
第4章 不确定性推理方法
  4.1 不确定性推理的概念
  4.2 可信度方法
  4.3 证据理论
   4.3.1 概率分配函数
   4.3.2 信任函数
   4.3.3 似然函数
   4.3.4 概率分配函数的正交和（证据的组合）
   4.3.5 基于证据理论的不确定性推理
  4.4 模糊推理方法
   4.4.1 模糊逻辑的提出与发展
   4.4.2 模糊集合
   4.4.3 模糊集合的运算
   4.4.4 模糊关系与模糊关系的合成
   4.4.5 模糊推理
   4.4.6 模糊决策
   4.4.7 模糊推理的应用
  4.5 小结
  思考题
  习题
第5章 搜索策略
  5.1 搜索的概念
   5.1.1 搜索的基本问题与主要过程
   5.1.2 搜索策略分类
  5.2 状态空间的搜索策略
   5.2.1 状态空间表示法
   5.2.2 状态空间的图描述
  5.3 盲目的图搜索策略
   5.3.1 回溯策略
   5.3.2 宽度优先搜索策略
   5.3.3 深度优先搜索策略
  5.4 启发式图搜索策略
   5.4.1 启发式策略
   5.4.2 启发信息和估价函数
   5.4.3 A及A*搜索算法
   5.4.4 蒙特卡洛树搜索算法
  5.5 小结
  思考题
  习题
第6章 智能计算及其应用
  6.1 进化算法的产生与发展
   6.1.1 进化算法的概念
   6.1.2 进化算法的生物学背景
   6.1.3 进化算法的设计原则
  6.2 基本遗传算法
   6.2.1 遗传算法的基本思想
   6.2.2 遗传算法的发展历史
   6.2.3 编码
   6.2.4 群体设定
   6.2.5 适应度函数
   6.2.6 选择
   6.2.7 交叉
   6.2.8 变异
   6.2.9 遗传算法的一般步骤
   6.2.10 遗传算法的特点
  6.3 遗传算法的改进算法
   6.3.1 双倍体遗传算法
   6.3.2 双种群遗传算法
   6.3.3 自适应遗传算法
  6.4 遗传算法的应用
  6.5 群智能算法产生的背景
  6.6 粒子群优化算法及其应用
   6.6.1 粒子群优化算法的基本原理
   6.6.2 粒子群优化算法的参数分析
   6.6.3 粒子群优化算法的应用领域
   6.6.4 粒子群优化算法求解车辆路径问题
  6.7 蚁群算法及其应用
   6.7.1 基本蚁群算法模型
   6.7.2 蚁群算法的参数选择
   6.7.3 蚁群算法的应用
  6.8 小结
  思考题
  习题
第7章 机器学习与专家系统
  7.1 机器学习概述
   7.1.1 机器学习的基本概念
   7.1.2 机器学习的分类
   7.1.3 监督学习与无监督学习
   7.1.4 弱监督学习
   7.1.5 深度学习
  7.2 线性回归机器学习算法
   7.2.1 线性回归问题
   7.2.2 最小二乘法及其应用
  7.3 k近邻机器学习算法
   7.3.1 k近邻算法原理
   7.3.2 k近邻基本算法
   7.3.3 k近邻算法的应用举例
  7.4 决策树机器学习算法
   7.4.1 决策树
   7.4.2 决策树的熵
   7.4.3 决策树的优点
  7.5 支持向量机
   7.5.1 支持向量机的基本思想
   7.5.2 线性支持向量机
   7.5.3 非线性支持向量机
  7.6 k均值聚类算法
  7.7 专家系统概述
   7.7.1 专家系统的产生和发展
   7.7.2 专家系统的定义与特点
   7.7.3 专家系统的类型
  7.8 专家系统的工作原理
   7.8.1 专家系统的一般结构
   7.8.2 知识库
   7.8.3 推理机
   7.8.4 综合数据库
   7.8.5 知识获取机构
   7.8.6 人机接口
   7.8.7 解释机构
  7.9 专家系统的建立
   7.9.1 专家系统的一般建立过程
   7.9.2 专家系统开发环境
   7.9.3 骨架系统的概念
   7.9.4 EMYCIN骨架系统
   7.9.5 KAS骨架系统
  7.10 小结
  思考题
第8章 人工神经网络与深度学习
  8.1 神经元与神经网络
   8.1.1 生物神经元结构
   8.1.2 神经元数学模型
   8.1.3 神经网络的结构与工作方式
   8.1.4 神经网络的学习
  8.2 BP神经网络及其学习算法
   8.2.1 BP神经网络的结构
   8.2.2 BP学习算法
   8.2.3 BP学习算法的实现
  8.3 BP神经网络在模式识别中的应用
  8.4 Hopfield神经网络及其改进
   8.4.1 离散型Hopfield神经网络
   8.4.2 连续型Hopfield神经网络及其VLSI实现
   8.4.3 随机神经网络
  8.5 Hopfield神经网络的应用
   8.5.1 Hopfield神经网络在联想记忆中的应用
   8.5.2 Hopfield神经网络优化方法
  8.6 卷积神经网络及其应用
   8.6.1 动物视觉机理与深度学习的提出
   8.6.2 卷积神经网络的结构
   8.6.3 卷积神经网络的卷积运算
   8.6.4 卷积神经网络中的关键技术
   8.6.5 卷积神经网络的应用
   8.6.6 胶囊网络
  8.7 生成对抗网络及其应用
   8.7.1 生成对抗网络的基本原理
   8.7.2 生成对抗网络的结构与训练
   8.7.3 生成对抗网络在博弈中的应用
   8.7.4 生成对抗网络在图像处理中的应用
   8.7.5 生成对抗网络在语言处理中的应用
   8.7.6 生成对抗网络在视频生成中的应用
   8.7.7 生成对抗网络在医疗中的应用
  8.8 小结
  思考题
  习题
第9章 循环神经网络与自然语言理解
  9.1 自然语言理解的概念与发展历史
  9.2 语言处理过程的层次
  9.3 循环神经网络
   9.3.1 循环神经网络的概念
   9.3.2 循环神经网络的训练
   9.3.3 循环神经网络的递归过程
  9.4 长短期记忆神经网络
  9.5 机器翻译
   9.5.1 机器翻译方法概述
   9.5.2 基于循环神经网络的机器翻译
  9.6 语音识别
   9.6.1 语音识别的概念
   9.6.2 语音识别的主要过程
   9.6.3 语言识别的主要方法
  9.7 小结
  思考题
  习题
第10章 大语言模型及其应用
  10.1 大语言模型的概念与发展
  10.2 国内外主要大模型平台
  10.3 大语言模型提示工程
  10.4 知识蒸馏技术
  10.5 编码器-解码器结构
  10.6 注意力机制
  10.7 Transformer
   10.7.1 Transformer的结构
   10.7.2 Transformer中的多头自注意力机制
  10.8 大语言模型的典型应用
  10.9 小结
  思考题
第11章 AI智能体与多智能体系统
  11.1 AI智能体的概念与结构
   11.1.1 AI智能体的概念
   11.1.2 AI智能体的特性
   11.1.3 AI智能体的结构
   11.1.4 反应式Agent
   11.1.5 慎思式Agent
   11.1.6 复合式Agent
   11.1.7 AI Agent的应用
  11.2 多智能体系统的概念与结构
   11.2.1 多智能体系统的特点
   11.2.2 多智能体系统的基本类型
   11.2.3 多智能体系统的体系结构
  11.3 多智能体系统的通信
   11.3.1 智能体通信的类型
   11.3.2 Agent通信的方式
   11.3.3 智能体通信语言
  11.4 多智能体系统的协调
  11.5 多智能体系统的协作
   11.5.1 多智能体的协作类型
   11.5.2 合同网协作方法
   11.5.3 黑板模型协作方法
   11.5.4 市场机制协作方法
  11.6 多智能体系统的协商
  11.7 小结
  思考题
第12章 人工智能在游戏设计中的应用
  12.1 人工智能游戏
  12.2 游戏人工智能
   12.2.1 游戏人工智能的概念与分类
   12.2.2 基本的游戏人工智能技术
  12.3 游戏中的角色与分类
  12.4 智能游戏角色设计基本技术
   12.4.1 游戏角色的指导与运动
   12.4.2 游戏角色的追逐与躲避
   12.4.3 游戏角色的群聚
   12.4.4 游戏角色的路径搜索
   12.4.5 智能搜索引擎
  12.5 智能游戏开发方法与开发工具
   12.5.1 智能游戏开发方法
   12.5.2 智能游戏开发工具
  12.6 扫雷机智能游戏开发
  12.7 人工智能游戏的现状与未来
  12.8 小结
  思考题
附录A 部分习题解答
附录B 实验指导书
参考文献