人工智能技术及应用

**章 人工智能概述 1 1.1 人工智能的定义及发展 1 1.1.1 人工智能的定义 1 1.1.2 人工智能的发展 2 1.1.3 人工智能的争议 2 1.2 人工智能的应用 3 1.2.1 早期人工智能技术的应用 3 1.2.2 现代人工智能技术的应用 4 1.2.3 未来人工智能技术的应用 5 1.3 小结 6 习题 6 第二章 人工智能算法基础知识 7 2.1 知识概述 7 2.1.1 知识的概念 7 2.1.2 知识的特性 7 2.1.3 知识的分类 8 2.1.4 知识的表示 8 2.2 问题搜索求解 8 2.2.1 搜索的概念及过程 8 2.2.2 搜索的分类 8 2.3 产生式系统 9 2.3.1 产生式系统概述 9 2.3.2 产生式系统的控制策略 10 2.3.3 产生式系统的类型 11 2.3.4 产生式系统的求解方法 11 2.4 状态空间法 12 2.4.1 状态空间法的几个基本概念 12 2.4.2 用状态空间表示问题 13 2.4.3 盲目搜索 17 2.4.4 启发式搜索 23 2.5 问题规约法 29 2.5.1 问题规约图 29 2.5.2 节点的可解性 30 2.5.3 问题规约图构成原则 30 2.6 谓词逻辑法 31 2.6.1 命题逻辑与谓词逻辑 31 2.6.2 谓词演算 32 2.6.3 谓词公式 33 2.6.4 置换与合一 34 2.6.5 谓词逻辑法的优缺点 35 2.7 语义网络法 35 2.7.1 二元语义网络 35 2.7.2 多元语义网络 36 2.7.3 语义网络的推理 37 2.8 其他表示法 38 2.8.1 框架表示 38 2.8.2 剧本表示 39 2.9 小结 39 习题 40 第三章 遗传算法 42 3.1 遗传算法概述 42 3.1.1 遗传算法的基本概念 42 3.1.2 遗传算法的基本流程 42 3.1.3 遗传算法的特点与优势 49 3.2 遗传算法的改进 49 3.2.1 遗传算法存在的问题 51 3.2.2 染色体编码方案的改进 51 3.2.3 适应度函数选取的改进 52 3.2.4 选择操作的改进 54 3.2.5 迭代终止条件的改进 54 3.2.6 自适应遗传算法 54 3.2.7 CHC算法 55 3.2.8 基于小生境的遗传算法 56 3.2.9 混合遗传算法 56 3.3 遗传算法实例 57 3.3.1 遗传算法工具箱 57 3.3.2 基于遗传算法的函数*值求解问题 61 3.3.3 基于遗传算法的路径寻优问题 62 3.3.4 基于遗传算法的旅行商TSP问题 64 3.3.5 基于遗传算法的图像处理问题 68 3.4 小结 71 习题 72 第四章 粒子群算法 73 4.1 粒子群算法概述 73 4.1.1 粒子群算法的基本原理 73 4.1.2 粒子群算法的基本流程 74 4.1.3 粒子群算法的特点与优势 76 4.1.4 粒子群算法的应用 76 4.2 粒子群算法的改进 77 4.1.1 惯性权重调整策略 77 4.1.2 粒子群算法与其他算法的混合 79 4.3 粒子群算法实例 80 4.3.1 粒子群算法工具箱 80 4.3.2 基于粒子群算法的函数*值求解问题 81 4.3.3 基于粒子群算法的旅行商TSP问题 82 4.3.4 基于粒子群算法的图像处理问题 85 4.4 基于粒子群算法的多目标搜索 88 4.5 量子粒子群算法 95 4.6 小结 97 习题 97 第五章 蚁群算法 99 5.1 蚁群算法概述 99 5.1.1 蚁群算法的基本原理 99 5.1.2 蚁群算法的基本流程 100 5.1.3 蚁群算法的规则 100 5.1.4 蚁群算法的特点与优势 101 5.1.5 蚁群算法的研究与应用 101 5.2 蚁群算法的改进 102 5.2.1 精英蚂蚁系统 102 5.2.2 *大*小蚂蚁系统 102 5.2.3 基于排序的蚂蚁系统 103 5.2.4 蚁群系统 103 5.2.5 其他改进方法 104 5.3 蚁群算法实例 104 5.3.1 基于蚁群算法的函数*值求解问题 104 5.3.2 基于蚁群算法的旅行商TSP问题 106 5.4 小结 109 习题 109 第六章 人工鱼群算法 110 6.1 人工鱼群算法概述 110 6.1.1 人工鱼群算法的基本原理 110 6.1.2 人工鱼群算法的参数 112 6.1.3 人工鱼群算法的基本流程 112 6.1.4 人工鱼群算法的特点与优势 114 6.1.5 人工鱼群算法的研究与应用 114 6.2 人工鱼群算法的改进 114 6.2.1 基于算法参数的改进 114 6.2.2 自适应人工鱼群算法 116 6.2.3 其他改进方法 116 6.3 人工鱼群算法实例 117 6.3.1 基于人工鱼群算法的函数*值求解问题 117 6.3.2 基于人工鱼群算法的旅行商TSP问题 123 6.4 小结 125 习题 125 第七章 神经网络算法 126 7.1 神经网络算法概述 126 7.1.1 人工神经网络的基本概念 126 7.1.2 人工神经网络模型 127 7.1.3 神经网络学习方法 133 7.1.4 神经网络学习规则 134 7.2 BP神经网络算法 139 7.2.1 BP神经元 140 7.2.2 BP神经网络 140 7.2.3 BP算法 142 7.2.4 BP算法的优缺点 146 7.2.5 BP算法的改进 147 7.2.6 BP神经网络的训练策略及 结果 148 7.3 神经网络算法实例 150 7.3.1 基于BP神经网络的电力系统负荷预测 150 7.3.2 基于BP神经网络的语音特征信号识别 156 7.4 小结 162 习题 162 第八章 模糊系统 164 8.1 模糊数学概述 164 8.1.1 模糊数学的基本概念 164 8.1.2 模糊集合 165 8.1.3 模糊关系 167 8.1.4 模糊矩阵及其运算 170 8.1.5 模糊逻辑推理 173 8.2 模糊逻辑控制理论 185 8.2.1 模糊逻辑控制概述 185 8.2.2 模糊逻辑控制系统 187 8.2.3 精确量和模糊量的相互转换 190 8.2.4 论域、量化因子、比例因子的选取 191 8.3 模糊控制器的结构和设计 192 8.3.1 模糊化接口 193 8.3.2 控制规则库 196 8.3.3 模糊推理与清晰化接口 197 8.3.4 模糊查询表 198 8.4 模糊控制的改进 199 8.4.1 模糊比例控制器 199 8.4.2 自校正模糊控制 200 8.4.3 变结构模糊控制 203 8.5 算法实例 203 8.5.1 模糊逻辑控制工具箱 203 8.5.2 模糊PID水箱液位控制系统 214 8.6 小结 219 习题 219 第九章 专家系统 221 9.1 专家系统概述 221 9.1.1 专家系统的特点 221 9.1.2 专家系统的分类 222 9.2 专家系统的结构 224 9.2.1 概念结构 224 9.2.2 实际结构 225 9.2.3 网络与分布式结构 226 9.3 专家系统的设计 226 9.4 专家系统的开发 229 9.4.1 专家系统的开发工具 229 9.4.2 专家系统的开发步骤 230 9.5 小结 230 习题 231 参考文献 232