本书以人工智能的发展为契机，以决策理论与方法为核心，阐述了决策分析方法与机器学习、神经网络等人工智能算法。全书大致可分为三大部分，第一部分主要介绍贝叶斯决策、多目标决策、多属性决策、序贯决策、行为决策、知识发现与数据挖掘以及群决策等决策理论；第二部分介绍解决各类决策问题的基本人工智能算法，主要包括群智能算法、机器学习、神经网络与深度学习等；第三部分介绍决策理论与人工智能相结合的实践应用，即智能决策支持系统。各章均配有习题，大部分习题根据管理中的实际问题编撰，注重解决实际问题。本书内容由浅入深，旨在帮助读者理解智能决策这一决策模式。

更多科学出版社服务，请扫码获取。

2004.2-2007.6，中国科学技术大学，博士研究生； 2000.1-至今，中国科学技术大学管理学院，教师。 分布式决策环境下的数据包络分析理论与方法，安徽省科学技术奖一等奖，2017年，排名第4

目录
第1章 贝叶斯决策 1
1.1 贝叶斯定理 1
1.2 贝叶斯决策问题及基本方法 23
1.3 贝叶斯决策信息的价值 32
课后习题 39
第2章 多目标决策 42
2.1 多目标决策的概念及特点 42
2.2 多目标决策问题的效用函数 46
2.3 多目标决策问题的解 51
2.4 多目标决策方法 52
课后习题 64
第3章 多属性决策 67
3.1 多属性决策指标体系 67
3.2 多属性决策方法 73
3.3 随机多属性决策方法 103
课后习题 111
第4章 序贯决策 114
4.1 单目标确定性序贯决策问题 114
4.2 单目标随机性序贯决策 132
4.3 多目标序贯决策 150
课后习题 157
第5章 行为决策 161
5.1 行为决策概述 161
5.2 行为决策理论发展历程 165
5.3 行为决策研究理论 170
5.4 行为决策模型及应用 176
课后习题 178
第6章 知识发现与数据挖掘 180
6.1 数据的快速发展 180
6.2 知识发现与数据挖掘相关理论 183
6.3 数据挖掘的应用—商务智能 203
课后习题 208
第7章 群决策 209
7.1 群决策概述 209
7.2 社会选择函数 214
7.3 社会福利函数 221
7.4 群决策方法 226
课后习题 241
案例分析 242
第8章 群智能算法 244
8.1 群智能算法产生的背景及其分类 244
8.2 遗传算法 244
8.3 粒子群算法 253
8.4 蚁群算法 256
8.5 人工蜂群算法 262
8.6 萤火虫算法 263
8.7 布谷鸟搜索算法 265
课后习题 266
第9章 机器学习 267
9.1 机器学习的发展历程 267
9.2 机器学习研究基础 271
9.3 机器学习算法分类 275
9.4 机器学习主要算法 280
9.5 机器学习的应用 287
课后习题 290
第10章 神经网络与深度学习 291
10.1 神经网络概述 291
10.2 深度学习概述 302
课后习题 307
第11章 智能决策支持系统及其应用 308
11.1 决策支持系统 308
11.2 智能决策支持系统 332
11.3 智能决策支持系统的应用 341
课后习题 394
参考文献 395