本书以简明的方式系统地论述了人工智能的基础知识及其拓展和应用。全书共16章，前10章介绍人工智能学科的基础知识，包括人工智能的发展历史、知识的表示、搜索策略、确定性推理、不确定性推理、专家系统、神经网络、智能计算、机器学习和模式识别；接下来5章进行了拓展，讲述了混合智能系统和表示学习，还介绍了神经网络在模式识别和图像处理中的应用、自然计算在聚类上的应用，并介绍了多目标优化算法及动态多目标优化；很后一章介绍了人工智能领域的前沿技术及其展望。每章都附有习题、延伸阅读和参考文献。本书可作为高等院校智能科学与技术、计算机科学、电子科学与技术、信息科学、控制科学与工程、模式识别与人工智能等专业本科生及研究生的教材，同时可为相关领域的研究人员以及对自然计算和神经网络及其应用感兴趣的工程技术人员提供参考。

焦李成，男，汉族，1959年10月生，1992年起任西安电子科技大学教授。现任智能感知与计算靠前联合研究中心主任、智能感知与图像理解重点实验室主任、智能感知与计算靠前合作联合实验室主任、“智能信息处理科学与技术”高等学校学科创新引智基地（“111计划”）主任、科技委靠前合作部学部委员、中国人工智能学会副理事长、IET西安分会主席、IEEE西安分会奖励委员会主席、IEEE计算智能协会西安分会主席、IEEEGRSS西安分会主席，IEEETGRS副主编、创新团队首席专家。国务院学位委员会学科评议组成员、本科教学水平评估专家。1991年被批准为享受国务院政府津贴的专家，1996年首批入选国家“百千万”人才工程。当选为全国模范教师、陕西省师德标兵和曾任第八届全国人大代表。
焦李成教授的主要研究方向为智能感知与计算、图像理解与目标识别、深度学习与类脑计算，培养的十余名博士获全国很好博士学位论文奖、提名奖及陕西省很好博士论文奖。研究成果获包括国家自然科学奖二等奖及省部级一等奖以上科技奖励十余项，出版学术专著十余部，五次获国家很好科技图书奖励及全国首届三个一百很好图书奖。所发表的论著被他人引用超过25000余篇次，H指数为65。

章 人工智能简史 1 1.1 人工智能定义 11.1.1 生物智能与人类智能 11.1.2 智能与人工智能 2 1.2 人工智能的历史 31.2.1 人工智能的诞生 41.2.2 人工智能的黄金时代 51.2.3 人工智能的次低谷 51.2.4 人工智能的繁荣期 61.2.5 人工智能的冬天 71.2.6 人工智能的新春 71.2.7 人工智能现状与未来目标 9 1.3 人工智能研究的不同学派 101.3.1 符号主义 111.3.2 连接主义 111.3.3 行为主义 12 1.4 人工智能应用领域 131.4.1 计算机视觉领域 131.4.2 自然语言处理领域 151.4.3 认知与推理 161.4.4 机器人学 171.4.5 机器博弈 181.4.6 机器学习 18 本章小结 19 习题1 19 延伸阅读 19 参考文献 20第2章 知识表示 21 2.1 基本概念 212.1.1 知识 212.1.2 知识表示 22 2.2 状态空间表示法 232.2.1 问题状态空间的构成 232.2.2 利用状态空间表示问题的步骤 242.2.3 利用状态空间求解问题的过程 242.2.4 状态空间知识表示举例 24 2.3 问题归约表示法 262.3.1 问题的分解与等价变换 262.3.2 问题归约的与/或图表示 272.3.3 利用与/或图表示问题的步骤 282.3.4 与/或图知识表示举例 28 2.4 谓词逻辑表示法 292.4.1 谓词逻辑表示的逻辑学基础 292.4.2 利用谓词逻辑表示知识的步骤 312.4.3 谓词逻辑表示的特点 322.4.4 谓词逻辑知识表示举例 33 2.5 语义网络表示法 342.5.1 语义网络的概念及其结构 342.5.2 语义网络中常用的语义联系 352.5.3 语义网络表示知识的方法 372.5.4 利用语义网络表示知识的步骤 402.5.5 利用语义网络求解问题的过程 412.5.6 语义网络表示法的特点 412.5.7 语义网络知识表示举例 42 2.6 新型知识表示 432.6.1 知识图谱 432.6.2 模糊Petri网 442.6.3 神经网络 44 本章小结 44 习题2 45 延伸阅读 46 参考文献 46第3章 搜索策略 47 3.1 基本概念 473.1.1 什么是搜索 473.1.2 搜索的分类 473.1.3 搜索算法的评价标准 48 3.2 状态空间搜索 483.2.1 状态空间的盲目搜索 483.2.2 状态空间的启发式搜索 57 3.3 与/或树搜索 623.3.1 与/或树的盲目搜索 623.3.2 与/或树的启发式搜索 66 3.4 博弈树的启发式搜索 703.4.1 极大极小过程 703.4.2 α-β剪枝技术 72 3.5 新型搜索技术 743.5.1 爬山法 743.5.2 模拟退火算法 753.5.3 遗传算法 75 本章小结 75 习题3 76 延伸阅读 77 参考文献 78第4章 确定性推理 79 4.1 推理的基本概念 794.1.1 推理的概念 794.1.2 推理的分类 794.1.3 推理的策略 81 4.2 推理的逻辑基础 834.2.1 命题逻辑 834.2.2 谓词逻辑 83 4.3 自然演绎推理 92 4.4 归结演绎推理 934.4.1 海伯伦定理 934.4.2 鲁宾逊归结原理 954.4.3 归结策略 984.4.4 归结反演 99 4.5 基于规则的演绎推理 1014.5.1 规则正向演绎系统 1024.5.2 规则逆向演绎系统 1054.5.3 规则双向演绎系统 107 本章小结 109 习题4 109 延伸阅读 110 参考文献 110第5章 不确定性推理与不确定性人工智能 111 5.1 不确定性推理的基本概念 1115.1.1 不确定性的表示与度量 1115.1.2 不确定性的算法 1125.1.3 不确定性推理方法分类 113 5.2 概率推理 1145.2.1 概率的基本公式 1145.2.2 概率推理方法 116 5.3 主观贝叶斯方法 1175.3.1 基于主观贝叶斯方法的不确定性表示 1175.3.2 主观贝叶斯方法的推理算法 121 5.4 可信度方法 1235.4.1 基于可信度的不确定性表示 1235.4.2 可信度方法的推理算法 1255.4.3 带有阈值限度的不确定性推理 1265.4.4 加权的不确定性推理 127 5.5 证据理论 1285.5.1 基于证据理论的不确定性 1295.5.2 证据理论的不确定性推理模型 132 5.6 模糊推理 1335.6.1 模糊集合 1345.6.2 模糊关系及其合成 1375.6.3 模糊推理 1395.6.4 模糊决策 140 5.7 不确定性人工智能 1415.7.1 人类智能的不确定性 1425.7.2 云模型 1435.7.3 不确定性人工智能的应用及展望 145 本章小结 146 习题5 146 延伸阅读 148 参考文献 148第6章 专家系统 149 6.1 专家系统的产生与发展 149 6.2 专家系统的概念 1506.2.1 专家系统的定义 1506.2.2 专家系统的基本特征 1516.2.3 专家系统的类型 1536.2.4 传统专家系统的缺陷 156 6.3 专家系统的工作原理 1566.3.1 专家系统的基本结构 1566.3.2 专家系统各部分功能 157 6.4 专家系统的分类 1606.4.1 基于规则的专家系统 1606.4.2 基于框架的专家系统 1616.4.3 基于模型的专家系统 162 6.5 知识获取 1646.5.1 知识获取的定义 1646.5.2 知识获取的过程 1646.5.3 知识获取的途径 166 6.6 知识推理 1676.6.1 人类推理 1676.6.2 机器推理 169 6.7 专家系统的建立 1716.7.1 专家系统的开发步骤 1716.7.2 专家系统的开发实例 173 6.8 新型专家系统 1756.8.1 新型专家系统的特征 1756.8.2 模糊专家系统 1766.8.3 分布式专家系统 178 本章小结 180 习题6 180 延伸阅读 180 参考文献 181第7章 深度人工神经网络 182 7.1 人工神经网络的基本原理 1827.1.1 生物神经系统 1827.1.2 人工神经网络的模型 1837.1.3 人工神经网络的结构建模 185 7.2 学习机理 1867.2.1 单层感知器及其学习算法 1867.2.2 BP 神经网络及其学习算法 189 7.3 人工神经网络的分类 1927.3.1 前馈网络 1927.3.2 反馈网络 192 7.4 人工神经网络的基本学习算法 1967.4.1 Hebb规则 1967.4.2 误差修正学习算法 1977.4.3 胜者为王学习规则 198 7.5 从神经网络到深度学习 198 7.6 深度网络 1997.6.1 卷积神经网络 1997.6.2 稀疏深度神经网络 2037.6.3 深度融合网络 207 本章小结 210 习题7 210 延伸阅读 211 参考文献 212第8章 智能计算基础 213 8.1 智能计算基础 213 8.2 进化计算 2158.2.1 进化计算的产生和发展 2158.2.2 进化计算的一般框架 2168.2.3 进化计算的四个分支 2178.2.4 经典遗传算法 2198.2.5 遗传算法在最优化问题中的应用 224 8.3 群智能 2298.3.1 粒子群优化算法 2298.3.2 蚁群优化算法 231 8.4 新型智能计算算法 2358.4.1 免疫计算 2358.4.2 差分进化算法 2378.4.3 协同进化算法 2398.4.4 量子计算 241 本章小结 243 习题8 244 延伸阅读 244 参考文献 244第9章 机器学习基础 248 9.1 机器学习理论基础 2489.1.1 机器学习的定义和研究意义 2489.1.2 机器学习的发展史 249 9.2 机器学习的方法 2509.2.1 机器学习系统的基本结构 2509.2.2 机器学习方法的分类 2519.2.3 几种机器学习算法介绍 253 9.3 机器学习算法的应用 270 本章小结 275 习题9 275 延伸阅读 276 参考文献 2760章 模式识别 278 10.1 模式识别的基本概念 27810.1.1 模式识别的定义 27810.1.2 模式识别与分类器 27910.1.3 有监督学习与无监督学习 27910.1.4 实例：手写数字识别 279 10.2 模式识别系统 28110.2.1 基本框架 28110.2.2 基本方法 282 10.3 特征提取与选择 28410.3.1 基本概念 28410.3.2 特征评价 28510.3.3 特征选择算法 28910.3.4 特征提取 292 10.4 分类器设计 29610.4.1 经典的有监督分类器 29610.4.2 经典的无监督分类器 305 10.5 分类器的评价 31310.5.1 监督模式识别系统评价 31310.5.2 非监督模式识别系统评价 316 本章小结 317 习题10 318 延伸阅读 319 参考文献 3211章 混合智能系统 323 11.1 混合智能系统的基本概念 323 11.2 密母算法 32411.2.1 Memetic基本思想 32411.2.2 密母算法的一般框架 32511.2.3 密母算法的局部搜索策略 32711.2.4 基于密母算法的复杂网络社团检测 328 11.3 基于遗传算法的人工神经网络 33511.3.1 遗传算法优化神经网络的连接权 33511.3.2 遗传算法优化神经网络的结构 33611.3.3 遗传算法优化神经网络的学习规则 33711.3.4 遗传算法优化神经网络举例 338 11.4 混合遗传算法——遗传算法与粒子群优化算法的混合 34111.4.1 两种优化算法的优劣势分析 34111.4.2 两种优化算法的结合方式 34211.4.3 基于遗传粒子群混合算法举例 343 11.5 进化算法在机器学习中的应用 34511.5.1 贝叶斯分类的一般原理 34511.5.2 朴素贝叶斯分类模型 34711.5.3 基于遗传算法的朴素贝叶斯分类举例 348 本章小结 351 习题11 351 延伸阅读 351 参考文献 3522章 表示学习 356 12.1 表示学习概述 35612.1.1 表示学习的基本概念 35612.1.2 表示学习的理论基础 35712.1.3 表示学习的典型应用 35712.1.4 表示学习的主要优点 358 12.2 有监督的表示学习 35912.2.1 稀疏表示初步 35912.2.2 字典学习 362 12.3 无监督的表示学习 36812.3.1 Kmeans聚类 36912.3.2 主成分分析 37112.3.3 局部线性嵌入 37412.3.4 独立主成分分析 377 12.4 多层/深层架构 38412.4.1 玻尔兹曼机和递归神经网络 38412.4.2 自动编码器 388 12.5 共享表示学习 39312.5.1 迁移学习和领域自适应 39312.5.2 多任务学习 398 本章小结 400 习题12 401 延伸阅读 401 参考文献 4023章 基于深度神经网络的模式识别与图像处理 403 13.1 深度神经网络与浅层人工神经网络 403 13.2 深度学习在模式识别领域的发展与挑战 404 13.3 基于深度神经网络的模式识别 40613.3.1 文字识别 40613.3.2 语音识别 40813.3.3 指纹识别 410 13.4 基于深度神经网络的图像处理 41113.4.1 图像分类 41113.4.2 图像分割 41413.4.3 目标检测 41613.4.4 图像变化检测 419 本章小结 421 习题13 421 延伸阅读 421 参考文献 4224章 自然计算与数据聚类 424 14.1 聚类与自然计算 424 14.2 基于遗传算法的聚类算法 42614.2.1 模糊C均值聚类算法 42614.2.2 基于遗传算法的模糊聚类算法 42714.2.3 基于可变长度编码的遗传自动聚类算法 431 14.3 基于免疫计算的聚类算法 43314.3.1 免疫克隆选择算法 43414.3.2 基于克隆选择的模糊聚类算法 43614.3.3 基于转座子的免疫克隆选择自动聚类算法 43714.3.4 基于动态局部搜索的免疫自动聚类算法 44314.3.5 基于协同双变异算子的免疫多目标自动聚类算法 450 14.4 基于粒子群优化的聚类算法 45214.4.1 粒子群的编码和初始化 45314.4.2 四种距离测度 45314.4.3 基于粒子群优化的聚类算法步骤 45714.4.4 基于几种自然计算的聚类算法的性能对比 457 本章小结 461 习题14 461 延伸阅读 462 参考文献 4625章 进化多目标优化及动态优化 465 15.1 进化多目标优化 46515.1.1 第二代非支配排序遗传算法（NSGA-Ⅱ） 46815.1.2 基于分解的多目标优化算法（MOEA/D） 472 15.2 进化动态多目标优化 47515.2.1 动态多目标优化的基本概念及研究现状 47515.2.2 DNSGA-Ⅱ算法 47715.2.3 基于预测策略的动态多目标免疫优化算法（PSDMIO） 481 15.3 进化高维多目标优化与偏好多目标优化 48915.3.1 高维进化多目标优化 48915.3.2 偏好进化多目标优化 491 15.4 用于多目标优化的粒子群算法 49215.4.1 多目标粒子群优化算法（MOPSO） 49215.4.2 动态多目标粒子群优化 494 15.5 深度神经网络的优化 50215.5.1 深度神经网络的权值优化 50215.5.2 深度神经网络的结构优化 50315.5.3 深度神经网络的学习规则优化 505 本章小结 506 习题15 507 延伸阅读 507 参考文献 5076章 下一代人工智能 511 16.1 人工智能的发展阶段 511 16.2 人工智能围棋 51216.2.1 AlphaGo 51216.2.2 AlphaGo Zero 513 16.3 无人驾驶 51416.3.1 原理概述 51416.3.2 研究概况 515 16.4 无人超市 51616.4.1 诞生背景 51616.4.2 Amazon Go 517 16.5 情感机器人 51816.5.1 情感机器人的定义 51816.5.2 情感机器人研究概况 519 16.6 智能医疗 51916.6.1 智能医疗设备 52016.6.2 智能医疗系统 521 16.7 智能家居 52216.7.1 背景 52216.7.2 发展现状 52316.7.3 主要功能 523 16.8 智能艺术 52516.8.1 作诗 52516.8.2 绘画 526 16.9 下一代人工智能展望 52716.9.1 人工智能的未来趋势 52716.9.2 人工智能面临的挑战 528 本章小结 530 习题16 530 延伸阅读 531 参考文献 531