人工智能与知识工程

目 录

第一章 绪 论

1.1人工智能的发展概况

1.1.1什么是人工智能

1.1.2人工智能的研究途径

1.1.3人工智能学科的发展

1.2人工智能的应用

1.2.1人工智能的应用领域

1.2.2专家系统

第二章 人工智能程序设计语言

2.1LISP语言

2.1.1概 述

2.1.2LISP的基本功能

2.1.3递归与迭代

2.1.4输入输出功能

2.1.5LISP的其他功能

2.2PROLOG语言

2.2.1概 述

2.2.2重复与递归

2.2.3表处理方法

2.2.4字符串处理方法

2.2.5输入输出功能

习 题

第三章 知识表示

3.1概 述

3.1.1知识与知识表示

3.1.2知识表示的方法

3.2逻辑表示法

3.2.1一阶谓词逻辑

3.2.2谓词逻辑用于知识表示

3.3规则表示法

3.3.1产生式规则与产生式系统

3.3.2Markov算法与Rete算法

3.3.3控制策略的类型

3.4语义网络表示法

3.4.1语义网络的基本概念

3.4.2语义网络的应用

3.5框架表示法

3.5.1框架的基本概念

3.5.2框架表示的应用

3.6概念从属与剧本表示法

3.6.1概念从属

3.6.2剧 本

习 题

第四章 基本的问题求解方法

4.1状态空间搜索

4.1.1概 述

4.1.2回溯策略

4.1.3图搜索策略

4.1.4任一路径的图搜索

4.1.5最佳路径的图搜索

4.1.6与或图的搜索

4.2博弈树搜索

4.2.1概 述

4.2.2极小极大过程

4.2.3α－β过程

4.3约束满足搜索

4.3.1概 述

4.3.2生长法

4.3.3修改法

4.4通用问题求解

4.4.1手段目的分析

4.4.2生成与测试（Generate－and－test）

习 题

第五章 基本的推理方法

5.1归结反演系统

5.1.1谓词演算基础

5.1.2归结反演（refutation）

5.1.3归结反演的控制策略

5.1.4从归结反演中提取解答

5.2基于规则的演绎系统

5.2.1正向演绎系统

5.2.2逆向演绎系统

5.3规划生成系统

5.3.1机器人问题求解

5.3.2正向系统

5.3.3规划的表示

5.3.4逆向系统

习 题

第六章 实用推理技术

6.1推理的类型

6.1.1从逻辑基础上的分类

6.1.2从推理方法上的分类

6.2非单调推理

6.2.1概 述

6.2.2非单调逻辑

6.2.3非单调系统

6.3不精确推理

6.3.1概 述

6.3.2概率方法

6.3.3可信度方法

6.3.4主观Bayes方法

6.3.5证据理论

6.3.6可能性理论

6.4基于模型的推理

6.4.1基本原理

6.4.2基于规则与模型的系统

6.4.3基于模型的故障诊断系统

6.5基于事例的推理

6.5.1基本概念

6.5.2基本方法

6.5.3与基于规则的系统的比较

6.5.4实例系统

习 题

第七章 专家系统

7.1基本结构

7.2元知识结构

7.2.1什么是元知识

7.2.2元知识的作用

7.2.3元知识在专家系统中的应用

7.3黑板系统结构

7.3.1黑板模型

7.3.2黑板结构

7.3.3知识源

7.3.4控制策略

7.3.5黑板模型的优越性

7.4黑板控制结构

7.4.1基本概念

7.4.2知识源的表示

7.4.3控制黑板的组织

7.4.4调度机制

7.4.5黑板控制结构的优点与不足

7.5实 例

7.5.1MYCIN系统

7.5.2AM系统

习 题

第八章 知识获取与机器学习

8.1概 述

8.1.1知识获取的基本过程

8.1.2知识获取的主要手段

8.1.3机器学习

8.1.4知识获取工具

8.2通过例子学习

8.2.1概 述

8.2.2学习单个概念

8.2.3学习多个概念

8.2.4学习执行多步任务

8.3通过类比学习

8.3.1概 述

8.3.2类比学习与推理系统

8.3.3转换类比与派生类比系统

8.4基于解释的学习

8.4.1概 述

8.4.2基于解释的抽象

8.5通过观察学习

8.5.1合取概念聚类系统

8.5.2结构对象的概念聚类

8.6从数据库学习

8.6.1数据库中的知识发现

8.6.2数据挖掘方法

习 题

第九章 计算智能

9.1演化计算

9.1.1遗传算法概述

9.1.2遗传算法的理论基础

9.1.3演化策略与演化规划

9.2连接计算

9.2.1概 述

9.2.2感知机

9.2.3多层前向网络

9.2.4Hopfield网络

9.3混合系统

9.3.1混合系统结构

9.3.2用神经网络表示符号知识

第十章 智能Agent

10.1关于智能Agent

10.1.1基本概念

10.1.2Agent理论

10.1.3Agent系统结构

10.1.4Agent程序设计

10.1.5Agent的应用

10.2多Agent系统

10.2.1概 述

10.2.2多Agent系统的结构

10.2.3Agent通信语言

10.2.4多Agent系统的协商机制

第十一章 分布式专家系统工具DEST

11.1分布式系统结构

11.2面向对象的知识表示

11.2.1对象的表示

11.2.2规则的表示

11.2.3方法的表示

11.3问题求解机制

11.3.1概 述

11.3.2模糊规则推理

11.3.3模糊决策树推理

11.3.4神经网络的模拟

11.3.5实 例

附录 DEST系统函数

参考文献

2100433B

内 容 简 介

本书系统地介绍了人工智能学科的基本原理和应用技术，特别是各种类型的专

家系统的构造。还涉及人工智能研究的一些前沿课题，如智能Agent系统、计算智能

和从数据库发现知识等。

本书共分十一章，前五章介绍了人工智能的基本原理与方法，包括程序设计语

言、知识表示、搜索策略和演绎推理，第六、七章介绍了建造专家系统的实用技术，第

八、九、十章介绍了一些更深入的课题，包括机器学习、智能Agent和计算智能，第十

一章详细地介绍了一个新型的专家系统工具。

本书注重实用性与先进性，并附有习题，可作为大学计算机及有关专业高年级学

生和研究生的教材，也可供从事智能系统开发的科技人员参考。

知识工程的概念是1977年美国斯坦福大学计算机科学家费根鲍姆教授(E．A．Feigenbaum)在第五届国际人工智能会议上提出的。

知识工程是人工智能的原理和方法，对那些需要专家知识才能解决的应用难题提供求解的手段。恰当运用专家知识的获取、表达和推理过程的构成与解释，是设计基于知识的系统的重要技术问题。知识工程是以知识为基础的系统，就是通过智能软件而建立的专家系统。知识工程可以看成是人工智能在知识信息处理方面的发展，研究如何由计算机表示知识，进行问题的自动求解。知识工程的研究使人工智能的研究从理论转向应用，从基于推理的模型转向基于知识的模型，包括了整个知识信息处理的研究，知识工程已成为一门新兴的边缘学科。

知识工程是一门以知识为研究对象的新兴学科，它将具体智能系统研究中那些共同的基本问题抽出来，作为知识工程的核心内容，使之成为指导具体研制各类智能系统的一般方法和基本工具，成为一门具有方法论意义的科学。

1984年8月全国第五代计算机专家讨论会上，史忠植提出：知识工程是研究知识信息处理的学科，提供开发智能系统的技术，是人工智能、数据库技术、数理逻辑、认知科学、心理学等学科交叉发展的结果。

知识信息处理的过程及有关技术.“知识工程”这个术语是由美国斯坦福大学的费根鲍姆(Feigenbaum，E.A.)在1977年于麻省理工学院召开的人工智能国际会议上提出的.它是从人工智能派生出来的一个研究领域.知识工程的研究促进了人工智能从单纯的理论研究走向实用化，并向计算机科学以及其他学科的许多研究领域中渗透，所以有时又把知识工程称为应用人工智能。

知识工程把有关知识库系统、专家系统等的构造技术作为主要课题.其研究的主要领域包括以下三个方面：

1.知识获取.研究知识处理系统如何从系统外部获得知识、充实知识库，包括对外部的数据进行知识化.

2.知识表示.研究怎样对知识进行形式化地描述，以便让计算机能合理地存贮和使用知识.

3.知识使用.研究在知识处理系统中应如何组织和利用知识，使用怎样的推理方法，以达到所希望的目标.

①基础理论研究，如知识的分类、结构和效用、知识的表示、知识的获取和机器学习、推理和知识的使用等研究。

②实用知识型系统的研究，主要解决在建造该系统过程中遇到的技术问题。

③解释与接口模型的研究。

④知识工程环境研究，为实际知识型系统的开发提供一些良好的工具和手段。

⑤与智能计算机和自动化相关的课题研究。

知识工程研究的目标是构造出高性能的知识型系统，来解决复杂的问题。专家系统是知识工程系统的一种类型。