《人工智能导论》为大连理工大学“新工科”系列精品教材。
本书内容包括绪论、知识表示、确定性推理、不确定性推理、搜索求解策略、遗传算法及其应用、群智能算法及其应用、人工神经网络及其应用、机器学习、专家系统、自然语言理解及其应用等。
本书可供电子信息类专业本、专科学生作为教材使用，也可供从事人工智能领域的技术人员参考。

1 绪论
1.1 人工智能的定义
1.2 人工智能发展简史
1.3 人工智能的研究方法
1.3.1 人工智能研究的特点
1.3.2 人工智能研究的途径
1.4 人工智能的应用
1.4.1 无人驾驶
1.4.2 智能机器人
1.4.3 图像识别
1.4.4 语音识别
1.4.5 智能控制
1.4.6 人工神经网络
1.4.7 机器学习
1.4.8 专家系统
1.4.9 计算机视觉
1.4.10 人工生命
1.5 人工智能的发展趋势与存在的问题
1.5.1 人工智能的发展趋势
1.5.2 人工智能存在的问题
2 知识表示
2.1 知识与知识表示的概念
2.1.1 知识的概念
2.1.2 知识的特性
2.1.3 知识的表示
2.2 一阶谓词逻辑表示法
2.2.1 基本概念
2.2.2 谓词公式
2.2.3 谓词逻辑表示法
2.2.4 谓词逻辑表示法的特点
2.3 产生式表示法
2.3.1 产生式的知识表示
2.3.2 产生式系统的组成
2.3.3 基于产生式系统的推理
2.3.4 产生式表示法的特点
2.4 框架表示法
2.4.1 框架的一般结构
2.4.2 基于框架的推理
2.4.3 框架表示法的特点
2.5 语义网络表示法
2.5.1 基本语义关系
2.5.2 复合语义关系
2.5.3 基于语义网络的推理
2.5.4 语义网络表示法的特点
3 确定性推理
3.1 推理的基本概念
3.1.1 推理的定义
3.1.2 推理方式及其分类
3.1.3 推理的方向
3.1.4 冲突消解策略
3.2 自然演绎推理
3.3 归结演绎推理
3.3.1 谓词公式化为子句集的方法
3.3.2 海伯伦理论
3.3.3 鲁宾孙归结原理
3.3.4 归结反演
3.3.5 应用归结原理求解问题
3.3.6 归结策略
3.4 与或型演绎推理
3.4.1 与或型正向演绎推理
3.4.2 与或形逆向演绎推理
3.4.3 与或型双向演绎推理
4 不确定性推理
4.1 不确定性推理概述
4.2 概率推理方法
4.2.1 纯概率推理
4.2.2 主观Bayes方法
4.3 证据理论
4.3.1 假设的不确定性
4.3.2 证据的组合函数
4.3.3 证据理论的不确定性推理算法
4.4 模糊推理系统
4.4.1 模糊集合及模糊关系
4.4.2 语言变量和模糊If-Then规则
4.4.3 模糊推理
5 搜索求解策略
5.1 搜索的基本概念
5.1.1 搜索的过程
5.1.2 搜索的方向
5.1.3 搜索的种类
5.2 状态空间表示法
5.2.1 状态空间表示的基本概念
5.2.2 状态空间的图描述
5.3 盲目搜索策略
5.3.1 深度优先搜索策略
5.3.2 宽度优先搜索策略
5.4 代价树搜索策略
5.4.1 最近择优搜索
5.4.2 最小代价优先搜索
5.5 启发式搜索策略
5.5.1 启发信息和估价函数
5.5.2 启发式策略
5.5.3 A搜索算法
5.5.4 A*搜索算法
5.6 与或图搜索
5.6.1 问题的归约描述
5.6.2 与或图表示法
5.6.3 AO*算法
6 遗传算法及应用
6.1 遗传算法概述
6.1.1 遗传算法的发展历史
6.1.2 遗传算法的基本思想
6.2 编码和种群
6.2.1 编码
6.2.2 种群
6.3 适应度函数
6.4 遗传算子
6.4.1 选择算子
6.4.2 交叉算子
6.4.3 变异算子
6.5 遗传算法的总体流程和特点
6.6 遗传算法的改进算法
6.6.1 自适应遗传算法
6.6.2 分层遗传算法
6.6.3 并行遗传算法
6.7 多目标遗传算法
6.8 遗传算法的应用
7 群智能算法及其应用
7.1 群智感知的研究内容
7.1.1 众包思想
7.1.2 社交活动感知
7.1.3 周围环境感知
7.2 群智任务感知质量
7.2.1 机会覆盖率
7.2.2 数据质量可靠性
7.3 群智感知网络数据传输
7.3.1 信息扩散模型
7.3.2 机会数据收集
7.4 群智感知网络的激励机制
7.4.1 Game激励
7.4.2 货币激励
7.5 群智感知的应用场景
7.5.1 环境监测和灾害防控
7.5.2 公共设施和安全
7.5.3 移动设备视频众包
8 人工神经网络及其应用
8.1 神经网络的发展简史
8.2 人工神经网络的研究内容与特点
8.2.1 人工神经网络的研究内容
8.2.2 人工神经网络的特点
8.3 神经元和神经网络
8.3.1 生物神经元结构
8.3.2 神经元的数学模型
8.3.3 神经网络的结构
8.3.4 神经网络的工作方式
8.3.5 神经网络的学习
8.4 前馈神经网络模型
8.4.1 感知机网络
8.4.2 BP神经网络
8.4.3 RBF径向基网络
8.5 反馈神经网络
8.5.1 离散型Hopfield网络
8.5.2 连续型Hopfield网络
8.5.3 Hopfield网络存在的问题
8.6 随机神经网络
8.6.1 模拟退火算法
8.6.2 玻尔兹曼机
8.7 神经网络的应用
8