本书在全面覆盖人工智能框架知识的基础上，以精简内容、突出重点为准则，避免面面俱到。每一部分都是挑选经典、实用的知识内容，同时配有典型案例和源代码，将人工智能原理融会到典型案例中详细讲授，可以使初学者以较快的节奏学习、实践人工智能基础知识，重点掌握关键部分的常用算法，进而了解人工智能领域的知识轮廓。 全书共分7章：第1章为绪论，简要介绍人工智能发展历史和相关技术内容；第2章为知识表示和推理，着重讲授归结演绎推理和产生式系统；第3章为搜索技术，讲授典型的搜索技术，主要包括启发式搜索、博弈树搜索和遗传算法等；第4章为不确定知识表示与推理，主要讲授主观Bayes方法、可信度方法和证据理论；第5章为Agent技术，讲授Agent系统通信和移动Agent技术；第6章为神经网络，主要讲授反向传播神经网络和Hopfield神经网络；第7章为计算智能，讲授蚁群算法、粒子群优化和模拟退火等经典智能算法。 本教材适合计算机科学与技术、软件工程、智能科学与技术以及自动化等专业的本科生和研究生使用，也可供相关开发人员、广大科技工作者和研究人员参考。

第1章 绪论
1.1 人工智能的定义
1.1.1 人工智能
1.1.2 计算机与人工智能
1.2 人工智能的发展
1.2.1 人工智能的形成期
1.2.2 人工智能的发展期
1.2.3 人工智能的成熟期
1.3 人工智能的研究目标及基本内容
1.3.1 人工智能的研究目标
1.3.2 人工智能研究的基本内容
1.4 人工智能的研究方法
1.4.1 传统划分方法
1.4.2 现代划分方法
1.5 人工智能的基本技术
1.5.1 推理技术
1.5.2 搜索技术
1.5.3 归纳技术
1.5.4 联想技术
1.6 人工智能的主要研究领域及实践
1.6.1 博弈与专家系统
1.6.2 模式识别与机器学习
1.6.3 自然语言处理与自动程序设计
1.6.4 计算智能与软计算
1.6.5 数据挖掘与机器人学
1.7 习题
第2章 知识表示和推理
2.1 概述
2.1.1 知识以及知识的表示
2.1.2 知识的特性与分类
2.1.3 人工智能对知识表示方法的要求
2.2 命题逻辑
2.2.1 语法
2.2.2 语义
2.2.3 命题演算形式系统
2.3 谓词逻辑
2.3.1 表示知识方法
2.3.2 谓词逻辑形式系统FC
2.3.3 一阶谓词逻辑特点与应用
2.4 归结演绎推理
2.4.1 命题逻辑中的归结原理
2.4.2 谓词逻辑中的归结推理
2.4.3 谓词演算归结反演的合理性和完备性
2.4.4 归结原理的应用实例
2.5 产生式系统
2.5.1 产生式系统的基本形式
2.5.2 产生式系统的系统结构
2.5.3 产生式系统的控制策略
2.6 知识表示的其他方法
2.6.1 语义网络表示法
2.6.2 框架表示法
2.6.3 面向对象表示法
2.7 习题
第3章 搜索技术
3.1 搜索原理概述
3.1.1 搜索的基本概念及其方法分类
3.1.2 搜索空间和搜索算法
3.2 盲目搜索策略
3.2.1 生成再测试法
3.2.2 迭代加深搜索
3.3 启发式搜索
3.3.1 启发性信息和评估函数
3.3.2 最好优先搜索算法
3.3.3 贪婪优先搜索算法
3.3.4 启发式搜索中的A*算法及应用
3.3.5 迭代加深A*算法
3.4 问题归约和AND-OR图启发式搜索
3.4.1 问题归约的概述
3.4.2 AND-OR图的问题表示和应用
3.4.3 AO*算法及应用
3.5 博弈树及搜索技术
3.5.1 博弈树
3.5.2 博弈树的搜索及应用实例
3.6 高级搜索
3.6.1 爬山算法原理
3.6.2 遗传算法原理
3.6.3 遗传算法的应用实例
3.7 习题
第4章 不确定知识表示与推理
4.1 不确定性推理概述
4.1.1 不确定性推理含义
4.1.2 不确定性推理中的基本问题
4.1.3 不确定性推理方法的分类
4.2 主观Bayes方法
4.2.1 全概率公式和主观Bayes公式
4.2.2 知识不确定性的表示
4.2.3 证据不确定性的表示
4.2.4 不确定性的传递算法
4.2.5 主观Bayes的主要优缺点
4.2.6 主观Bayes应用实例
4.2.7 朴素贝叶斯分类模型
4.3 可信度方法
4.3.1 可信度概念
4.3.2 C-F模型
4.3.3 可信度方法实例
4.4 证据理论
4.4.1 D-S理论
4.4.2 证据的组合函数
4.4.3 规则的不确定性
4.4.4 不确定性的传递与组合
4.4.5 证据理论应用实例
4.5 习题
第5章 Agent技术
5.1 概述
5.1.1 Agent技术的定义
5.1.2 Agent的特性
5.1.3 Agent实例
5.1.4 Agent的结构分类
5.2 Agent系统通信
5.2.1 系统通信方式
5.2.2 消息传送
5.2.3 Agent系统的通信语言
5.3 移动Agent技术
5.3.1 移动Agent产生的背景
5.3.2 移动Agent的系统结构
5.3.3 移动Agent的实现技术
5.3.4 移动Agent的分布式计算应用实例
5.3.5 移动Agent技术的应用前景
5.3.6 多Agent系统的应用
5.4 习题
第6章 神经网络
6.1 人工神经网络概述
6.1.1 神经元
6.1.2 人工神经网络的结构
6.2 反向传播（BP）神经网络
6.2.1 感知器
6.2.2 BP算法
6.2.3 BP神经网络的实现及程序代码
6.2.4 BP神经网络的应用实例
6.3 Hopfield神经网络
6.3.1 Hopfield神经网络结构
6.3.2 Hopfield神经网络学习算法
6.3.3 Hopfield网络应用实例及程序代码
6.4 神经网络在专家系统中的应用
6.4.1 神经网络与专家系统的互补性
6.4.2 基于神经网络的知识表示
6.4.3 基于神经网络的推理
6.5 习题
第7章 计算智能
7.1 人工免疫算法
7.1.1 自然免疫系统
7.1.2 人工免疫算法模型
7.1.3 人工免疫算法的应用
7.2 蚁群算法
7.2.1 蚁群算法基本原理
7.2.2 蚁群算法研究进展
7.2.3 蚁群算法模型
7.2.4 蚁群算法的相关应用