人工智能：复杂问题求解的结构和策略

待我称王封你为后i 2022-08-04 13:34 95阅读 0赞

后续将陆续推出更多的翻译和总结内容。

\--------------------------------------------------------------------------

**Artificial Intelligence  
Structures and Strategies for Complex Problem Solving**

George F Luger  
人工智能：复杂问题求解的结构和策略  
内容简介  
第1章 人工智能介绍。我们从一段简要的历史开始，试图在哲学，心理学以及其他相关领域中去理解脑力和智力。值得一提，AI是一个古老的科学，至少可以向前追溯到 亚里士多德那里。了解这个背景可以深刻理解现代的一些研究。我们同样对AI的重要应用进行必要的描述。第一章的主要目的，是提供这个理论和应用的相关背景 和动机。  
第2，3，4，5和6章 介绍AI求解问题的研究工具。包括，第2章中的谓词演算，一方面作为一个数学系统的表示语言可以非常深刻的描述一个问题的本质内容，另一方面作为算法和数 据结构可以用来实现搜索，这将在第3章中介绍，并用于实现问题状态的探查。第4章中，我们将讨论在聚焦和受限的基于搜索的问题求解中启发的本质角色。第5 章中，我们介绍随机方法，这是在不确定性状态的推理当中的重要技术。第6章，我们介绍一些软件架构，包括黑板和产品系统，可以用来实现搜索算法。  
第三部分包括第7，8，和9三章，有AI的表示法，知识密集型问题解法，以及变化和模糊状态的推理。第7章中，我们介绍AI表示法方案的发展进化史。我们 从一个基于联接关系的网络的讨论开始，并扩展这个模型使之包括概念依赖理论，框架，和脚本。然后，我们介绍一个特殊形式体系的彻底的检查，概念图表，并着 重强调关于知识表示的一些课题，同时展示在一个现代表示语言中这些课题的表现形式。在第14章扩展这种形式，我们将展示概念图表如何被应用以便从头到尾的 实现一个自然语言数据库。通过第7章介绍更多的现代的表示论方法，包括模仿和面向代理的体系框架。  
第8章介绍带有基于案例和基于模型推理的基于规则的专家系统，包括来自NASA空间设计程序的一些例子。这些问题求解方案是第二部分的一些素材的自然发展演化：使用谓词演算表示的生产系统去协调一个图形搜索。最后我们给出这些知识密集型问题解法方案的强弱分析。  
第9章介绍非确定性推理和不可靠信息的使用。我们介绍贝叶斯模型，信念网络，Dempster-Shafer，因果模型，以及Stanford在非确定状态的确定代数方法的推理。第9章也包括真值维护算法，最小化模式推理，逻辑推演，以及贝叶斯信念网络的子团树算法。  
第四部分，第10到12章，对机器学习的一些论题进行广泛的介绍。第10章我们提供一个基于符号的学习方法的算法细节，这是一个富于成果的研究领域，产生 了许多类问题和解决方案。依据它们的目标，所考虑的训练数据，它们的学习策略，以及提供的知识表示方法，这些学习算法不断变化。基于符号的学习包括：归纳 法，概念学习，版本空间搜索，和ID3。归纳角色的偏离需要考虑，从数据的模式中进行一般化，同时，在基于解释的学习当中通过一个单独的例子运用知识去学 习。范畴学习，或者概念簇，作为非监督式的学习进行介绍。本章最终介绍，加强学习方法，或者说是通过环境进行集成和反馈的能力，从而能够设计新的决策方 法。  
第11章介绍神经网络，一般作为学习方法的子符号或连接主义模型。在一个神经网中，组织内的信息是内涵的并且影响着互相连接的处理器集合，系统的结构和节 点的权值将通过学习而发生重构和改变。我们将介绍一些连接主义的架构，包括感知机学习，背景传播以及反例传播等。我们讲解Kohonen, Grossberg, 和 Hebbian 模型。我们将介绍关联学习以及吸引子模型，包括Hopfield 网络。  
在第12章中介绍遗传算法和进化学习法。在这一点上，学习是一个涌现和适应的过程。在讲解完一些基于遗传算法的问题解法后，我们介绍更多的一般性的遗传技 术在问题解法方面的应用。这些包括分类系统和遗传算法程序设计。接下来我们描述智能生命基于关系的学习实例–探索。最后我们通过在SantaFe协会的研 究中的一个涌现计算的实例来结束本章。我们将比较，对比，并且评论将要在第17章中介绍的三种机器学习方法（基于符号，连接主义，关系和涌现）。  
第五部分，包括13和14章，介绍自动推理和自然语言理解。通常作为自动推理的定理证明是AI研究的一个古老领域。在第13章我们讨论在这个领域的第一个 程序，包括逻辑理论家和通用问题解题机。这章的焦点是二元分解的证明过程，特别是分解驳斥。最后也要介绍带有超分解和平行调制的更多的优势推理。作为一个 Horn条款和基于分解的推理系统，我们将描述PROLOG解释器，并且在一个逻辑程序的范例中观察PROLOG的计算过程。  
第14章介绍自然语言理解。自然语言的理解我们通常的方法是通过大量的第7章中介绍的语义结构进行例证，并且通过随机的方法进行补充。这些包括 Markov模型，CART树，交互信息簇，以及基于统计的分解。本章末尾举出一些实例，包括应用于数据库查询系统的自然语言技术，以及应用于WWW的文 本摘要系统。  
第六部分扩展在前面的章节中介绍的许多算法的LISP和PROLOG程序的实现。第15章覆盖PROLOG，第16章是LISP。依靠建立前面章节中搜索 和表示技术，包括宽度，深度，以及最先适应搜索算法，我们来讲解AI问题求解中的语言工具。我们以一个独立问题形式实现这些搜索技术，以便它们可以被应用 到基于规则的专家系统的搜索Shell设计中，应用到语义网络中，以及自然语言理解系统中，并且要学习这些应用。第17章作为本书的末尾，提出一个智能系 统科学可能性的论题，并且考虑了同时代的AI领域的挑战；讨论AI目前的局限性，同时憧憬令人兴奋的远景。

[更多内容][Link 1]

[Link 1]: http://goodkid126.freebsdhost.org/