人工智能为解决复杂问题提供了有效的方案，相关应用涉及领域众多。通过阅读本书，读者可以学习人工智能的基本原理，了解人工智能在不同行业的应用案例以及人工智能伦理与安全，为进一步研究与应用人工智能技术奠定基础。
　　全书共12章，内容包括绪论、知识表示与推理、确定性推理、不确定性推理、无信息的盲目搜索、基于经验的启发式搜索、机器学习、人工神经网络与深度学习、多智能体系统、人机混合增强智能、人工智能应用、人工智能伦理与安全。本书配套资源包括电子教案、课后思考题与习题的简要解答和实验指导书。
　　本书可作为普通高等院校相关专业本科生或研究生学习人工智能基础课程的教材或参考书，也可供希望了解人工智能技术的研究人员和工程技术人员学习参考。
　　本书配有电子课件等教学资源，欢迎选用本书作教材的教师登录www.cmpedu.com注册后下载，或发邮件至jinacmp@163.com索取。

本书遵循教指委相关指导文件和高等院校学生学习规律编写而成。践行四新理念，融入思政元素，注重理论与实践相结合。

前言
　　人工智能作为专业名词诞生于1956年，这一时间也被公认为人工智能学科诞生的开端。人工智能的研究涉及内容广泛，而且一直在不断发展。自诞生以来，人工智能的研究及其应用历经了几次起落，时至今日，人工智能的应用遍及多个领域，并逐渐进入日常生活。
　　本书作为人工智能的入门性教材，在编写过程中遵循理论与应用、技术与伦理兼顾的基本理念，主要介绍最基本的人工智能理论方法，同时介绍一些最新的人工智能应用案例，以及人工智能伦理与安全。本书的主要特色如下：（1）结构清晰，叙述简明。本书围绕人工智能研究的三个主要流派符号主义、连接主义和行为主义介绍人工智能理论方法，内容描述尽量简洁明了，文字流畅，有较强的可读性。学习本书内容可以为进一步学习特定的人工智能方法起到引领作用，为掌握更广更深的理论方法奠定基础。
　　（2）理论与实例结合。本书各章均设计了与理论方法密切相关的例题，以帮助读者加深理解。针对课后思考题与习题，提供了详细的习题解答供读者参考。针对人工智能应用，本书单列一章介绍人工智能方法在不同领域面向不同问题的应用案例，并做了相关分析，为读者理解理论与实际是如何相互联系的提供参考素材。
　　（3）工程技术伦理探讨。人工智能日益强大，人工智能应用日渐普及，由此引发的一系列伦理与安全问题已经成为一个无法回避的议题，这也是人工智能理论研究人员和技术开发人员必须了解的基本内容。本书单列一章介绍人工智能伦理规范的核心原则、可信人工智能、人工智能可解释性以及人工智能安全等内容。
　　全书共12章，第1章绪论，介绍人工智能以及适合采用人工智能方法解决的问题，人工智能研究的基本内容和主要方法；第2章知识表示与推理，介绍基本知识表示方法以及推理的基本概念；第3章确定性推理，介绍基于一阶谓词逻辑的推理方法；第4章不确定性推理，介绍基于概率理论和模糊理论的不确定性推理方法；第5章无信息的盲目搜索，介绍基于简单策略和高级策略的状态空间搜索；第6章基于经验的启发式搜索，介绍基于启发信息的状态空间图搜索及与或图搜索；第7章机器学习，介绍机器学习的基本结构、基本策略和一些常见的机器学习算法；第8章人工神经网络与深度学习，介绍人工神经网络的基本概念和结构、学习算法，以及常见的深度神经网络结构和注意力机制模型；第9章多智能体系统，介绍智能体以及多智能体系统的概念与体系结构，基于大语言模型的智能体构建；第10章人机混合增强智能，介绍人机混合增强智能的发展历史、形式与分类以及典型案例；第11章人工智能应用，介绍人工智能在机器视觉感知、自主智能系统、智能制造、智慧城市、医疗健康、科学探索领域的应用及案例；第12章人工智能伦理与安全，介绍新一代人工智能伦理规范、可信人工智能的安全类型及构建可信人工智能的途径、发展人工智能可解释性的基本途径、人工智能安全风险的类型以及应对策略。其中，第2～10章介绍具体的人工智能理论方法。
　　本书第1～4章由王立春、李爽、刘茜编写，第5～8章由周彦、朱晓林、周高典、欧芳、王冬丽编写，第9～12章由黄捷、刘尚坤、陈宇韬、周宇、张琳琳编写，王冬丽、李爽、陈宇韬负责教材配套教学资源的策划和建设统筹。
　　本书在写作过程中，参考了大量国内外优秀教材和其他文献资料，在此一并表示感谢。对于本书的缺点和出现的错误，欢迎读者予以批评指正。
　　编著者

高等院校教师

目录
前言
第1章?绪论 1
1.1?人工智能概述 1
1.1.1?智能的定义 1
1.1.2?人工智能的定义 2
1.1.3?弱人工智能与强人工智能 5
1.1.4?适用于人工智能求解的问题 6
1.2?人工智能研究的基本内容 7
1.3?人工智能研究的主要方法 8
1.3.1?符号主义学派 9
1.3.2?连接主义学派 9
1.3.3?行为主义学派 10
本章小结 11
思考题与习题 11
第2章?知识表示与推理 13
2.1?知识与知识表示 13
2.1.1?知识的概念 14
2.1.2?知识表示的概念 15
2.2?产生式及产生式系统 16
2.2.1?产生式 16
2.2.2?产生式系统 17
2.2.3?产生式表示法的特点 18
2.3?语义网络 18
2.3.1?语义基元和常用语义关系 18
2.3.2?语义网络表示 19
2.3.3?语义网络表示法的特点 21
2.4?框架 21
2.4.1?框架结构 21
2.4.2?框架网络 23
2.4.3?框架表示法的特点 23
2.5?知识图谱 24
2.5.1?三元组表示 24
2.5.2?向量化表示 25
2.5.3?知识图谱的特点 28
2.6?基于逻辑的知识表示 28
2.6.1?命题公式 28
2.6.2?谓词公式 29
2.6.3?一阶谓词逻辑知识表示方法 30
2.6.4?一阶谓词逻辑知识表示方法的特点 30
2.7?推理的基本概念 31
2.7.1?推理的定义 31
2.7.2?推理的分类 31
本章小结 34
思考题与习题 34
第3章?确定性推理 35
3.1?一阶谓词逻辑语法和语义? 35
3.1.1?一阶谓词逻辑语法 35
3.1.2?世界及解释 36
3.1.3?模型及相关概念 37
3.2?一阶谓词逻辑演算规则 37
3.2.1?等价式 38
3.2.2?推理规则 39
3.3?演绎推理 39
3.4?合式公式到子句集的转化 40
3.4.1?标准型 40
3.4.2?子句集 42
3.5?谓词演算中的归结 43
3.5.1?命题公式的归结 43
3.5.2?置换与合一 43
3.5.3?谓词逻辑公式的归结 45
3.6?归结原理与归结反演系统 46
3.6.1?归结原理 46
3.6.2?归结反演系统 46
3.7?Herbrand定理 50
3.7.1?Herbrand论域与Herbrand解释 50
3.7.2?语义树 52
3.7.3?Herbrand定理与归结法的完备性 53
本章小结 55
思考题与习题 56
第4章?不确定性推理 57
4.1?不确定性的表示与量化 57
4.1.1?不确定性的表示 57
4.1.2?不确定性的量化 58
4.2?概率推理 61
4.2.1?概率理论基础 61
4.2.2?贝叶斯网络 63
4.2.3?基于贝叶斯网络的概率推理 64
4.2.4?证据理论（D-S Theory） 66
4.3?模糊推理 70
4.3.1?模糊理论基础 70
4.3.2?模糊假言推理 73
本章小结 74
思考题与习题 75
第5章?无信息的盲目搜索 76
5.1?问题表示与求解 76
5.1.1?问题的状态空间表示 76
5.1.2?基于搜索的问题求解 78
5.1.3?搜索算法的评价指标 81
5.2?状态空间的搜索 82
5.2.1?回溯搜索的实现 82
5.2.2?深度优先搜索 83
5.2.3?宽度优先搜索 85
5.3?高级搜索 86
5.3.1?局部搜索算法 87
5.3.2?模拟退火搜索 89
5.3.3?遗传算法搜索 93
本章小结 98
思考题与习题 99
第6章?基于经验的启发式搜索 100
6.1?启发式搜索的基本思想 100
6.1.1?启发信息与评价函数 100
6.1.2?启发式搜索策略 101
6.2?状态空间的启发式搜索 102
6.2.1?最好优先搜索算法 102
6.2.2?分支限界法 104
6.2.3?最佳图搜索算法A* 106
6.3?与或图的启发式搜索 110
6.3.1?问题归约表示 110
6.3.2?与或图及解图 111
6.3.3?AO*算法 112
6.4?博弈树的搜索 116
6.4.1?博弈树 117
6.4.2?极小-极大搜索过程 118
6.4.3?-搜索过程 120
本章小结 122
思考题与习题 123
第7章?机器学习 124
7.1?概述 124
7.1.1?机器学习的定义 125
7.1.2?机器学习的基本结构 125
7.1.3　机器学习的基本策略 126
7.2?归纳学习 127
7.2.1?归纳学习的模式和规则 127
7.2.2?归纳学习方法 129
7.2.3?ID3决策树归纳算法 131
7.3?分析学习 133
7.3.1?类比推理和类比学习 133
7.3.2?基于解释的学习 135
7.4?无监督学习 137
7.4.1?聚类算法 137
7.4.2?主成分分析 139
7.5?强化学习 140
7.5.1?强化学习的一般模式 140
7.5.2?被动强化学习 141
7.5.3?主动强化学习 143
本章小结 145
思考题与习题 145
第8章?人工神经网络与深度学习 147
8.1?人工神经网络概述 147
8.1.1?生物神经元的结构 147
8.1.2?神经元数学模型 148
8.1.3?人工神经网络的结构 153
8.2?感知机学习 154
8.2.1?感知机的结构和原理 154
8.2.2?感知机学习算法 155
8.2.3?Delta规则 157
8.3?反传学习 158
8.3.1?有隐含层的神经网络 158
8.3.2?误差反向传播算法 159
8.4?Hebbian一致性学习 164
8.4.1?无监督Hebbian学习 164
8.4.2?有监督Hebbian学习 167
8.5?深度神经网络 168
8.5.1?自编码器 168
8.5.2?卷积神经网络 171
8.5.3?循环神经网络 177
8.5.4?生成对抗网络 183
8.5.5?注意力机制 187
本章小结 191
思考题与习题 191
第9章 ?多智能体系统 192
9.1?概述 192
9.1.1?智能体的概念与体系结构 192
9.1.2?多智能体系统的概念与体系结构 196
9.1.3?智能体之间的通信 199
9.2?多智能体