- 电子工业出版社
- 9787121165719
- 1-1
- 350581
- 16开
- 2012-05
- 368
- 智能科学与技术
- 本科 研究生（硕士、EMBA、MBA、MPA、博士）
内容简介
全书共分为11章，除第1章人工智能概述外，其余内容划分为四大部分。第一部分为确定性人工智能的三大基本技术，包括第2,3,4章的知识表示、确定性推理和搜索部分。第二部分包括第5章不确定性人工智能和第6章的智能算法。第三部分为人工智能的重要研究领域，包括第7章的分布式人工智能，第8章的机器学习，第9章的专家系统。第四部分为人工智能应用部分，包括第10章的人工智能设计语言和第11章的人工智能的应用举例。
目录
目 录
第１章 人工智能概述
１.１ 人工智能的定义和研究目标１
１.１.１ 人工智能的定义１
１.１.２ 人工智能的研究目标１
１.２ 人工智能研究的基本内容及其特点２
１.２.１ 人工智能研究的基本内容２
１.２.２ 人工智能研究的特点３
１.３ 人工智能的基本技术５
１.３.１ 推理技术５
１.３.２ 搜索技术５
１.３.３ 知识表示与知识库技术５
１.３.４ 归纳技术５
１.３.５ 联想技术６
１.４ 人工智能的发展史６
１.４.１ 孕育期（１９５６年以前） ６
１.４.２ 形成期（１９５６—１９７０年） ７
１.４.３ 知识应用期（２０世纪７０年代到８０年代末） ９
１.４.４ 综合集成期（２０世纪８０年代末至今） １１
１.５ 人工智能的研究与应用领域１１
１.６ 人工智能研究的不同学派及其争论１６
１.６.１ 人工智能的三大学派１６
１.６.２ 人工智能理论的争论１８
１.６.３ 人工智能研究方法的争论１８
１.７ 人工智能进展１９
１.７.１ 人工智能发展面临的困难１９
１.７.２ 人工智能与云计算１９
１.７.３ 人工智能与物联网２１
１.７.４ 人工智能发展的新趋势２２
习题一２２
第２章 知识表示
２.１ 一阶谓词逻辑表示法２４
２.１.１ 一阶谓词逻辑表示法２４
２.１.２ 一阶谓词逻辑表示法的特点３０
１
２.１.３ 一阶谓词表示法的应用举例３２
２.２ 产生式表示法３４
２.２.１ 产生式与产生式系统３４
２.２.２ 产生式系统的分类及其特点３８
２.２.３ 产生式表示法应用举例４１
２.３ 框架表示４２
２.３.１ 框架与框架网络４３
２.３.２ 框架的推理及其特点４８
２.４ 语义网络表示法５２
２.４.１ 语义网络５２
２.４.２ 语义网络的推理及其特点５６
２.５ 面向对象表示法５９
２.５.１ 面向对象的知识表示５９
２.５.２ 面向对象知识表示法的特点６２
习题二６４
第３章 经典逻辑推理
３.１ 推理的基本概念６６
３.１.１ 推理方式及其分类６６
３.１.２ 推理的控制策略６８
３.１.３ 模式匹配及其变量代换７１
３.２ 自然演绎推理７４
３.３ 归结演绎推理７５
３.３.１ 谓词公式化为子句集的方法７５
３.３.２ 海伯伦理论７７
３.３.３ 鲁宾逊归结原理７８
３.３.４ 归结反演８１
３.３.５ 基于归结反演的问题求解８２
３.３.６ 归结反演策略８４
３.４ 与／或形的演绎推理８７
３.４.１ 与／或形的正向演绎推理８８
３.４.２ 与／或形的逆向演绎推理９０
３.４.３ 代换的一致性与剪枝策略９２
习题三９２
第４章 搜索策略
４.１ 问题求解过程的形式表示９６
４.１.１ 状态空间表示法９６
４.１.２ 与／或树表示法９８
４.２ 状态空间的盲目搜索策略１００
４.２.１ 宽度优先搜索１００
４.２.２ 深度优先搜索１０１
４.２.３ 有界深度优先搜索１０２
４.２.４ 代价树的宽度优先搜索１０３
４.２.５ 代价树的深度优先搜索１０４
４.３ 状态空间的启发式搜索策略１０４
４.３.１ 估价函数与择优搜索１０５
４.３.２ 图的有序搜索与Ａ算法１０６
４.３.３ Ａ算法应用举例１１０
４.４ 与／或树的搜索策略１１２
４.４.１ 与／或树的宽度优先搜索１１２
４.４.２ 与／或树的有界深度优先搜索１１３
４.４.３ 与／或树的有序搜索１１４
４.４.４ 博弈树的启发式搜索１１７
４.５ 搜索性能的量度１２０
习题四１２０
第５章 知识的不确定性与不确定推理
５.１ 知识的不确定性１２５
５.１.１ 证据的不确定性１２５
５.１.２ 规则的不确定性１２６
５.１.３ 推理的不确定性１２７
５.２ 不确定推理的概率基础１２８
５.３ 确定性理论１２９
５.３.１ 可信度的概念１２９
５.３.２ ＣＦ模型１３０
５.３.３ 带加权因子的可信度推理１３４
５.４ 主观Ｂａｙｅｓ方法１３６
５.４.１ 知识不确定性的表示１３６
５.４.２ 证据不确定性的表示１３８
５.４.３ 组合证据不确定性的计算１３９
５.４.４ 不确定性的更新１３９
５.４.５ 结论不确定性的合成１４１
５.５ 证据理论１４３
５.５.１ ＤＳ理论的形式描述１４３
５.５.２ 证据理论的推理模型１４７
５.６ 可能性理论和模糊推理１５４
５.６.１ 模糊逻辑基础１５４
５.６.２ 模糊知识表示１５９
５.６.３ 模糊概念的匹配１６１
５.６.４ 模糊推理１６２
５.７ 非单调推理１６６
习题五１６７
第６章 智能算法
６.１ 爬山法１７０
６.１.１ 爬山法的基本思想１７０
６.１.２ 爬山法算法流程１７０
６.１.３ 爬山法应用举例１７１
６.１.４ 爬山法的特点１７１
６.１.５ 爬山法存在的问题１７１
６.２ 模拟退火算法１７２
６.２.１ 模拟退火算法的基本思想１７２
６.２.２ 模拟退火算法流程１７２
６.２.３ 模拟退火算法应用举例１７３
６.２.４ 模拟退火算法的特点１７４
６.３ 禁忌搜索算法１７４
６.３.１ 禁忌搜索算法的基本思想１７４
６.３.２ 影响禁忌搜索算法性能的关键因素１７４
６.３.３ 禁忌搜索算法流程１７８
６.３.４ 禁忌搜索应用举例１７９
６.３.５ 禁忌搜索算法的特点１８２
６.４ 蚁群算法１８２
６.４.１ 蚁群觅食行为的启示１８２
６.４.２ 蚁群算法的基本思想１８２
６.４.３ 蚁群算法流程１８３
６.４.４ 蚁群算法的特点１８４
６.５ 粒子群算法１８５
６.５.１ 鸟群飞行方式的启示１８５
６.５.２ 粒子群算法的基本思想１８５
６.５.３ 粒子群算法流程１８７
６.５.４ 粒子群算法的应用举例１８７
６.５.５ 粒子群算法的特点１８９
６.６ 遗传算法１８９
６.６.１ 遗传算法的基本思想１８９
６.６.２ 遗传算法流程１９０
６.６.３ 遗传算法应用举例１９０
６.６.４ 遗传算法的特点１９１
６.７ 小结１９１
习题六１９２
第７章 分布式人工智能
７.１ 分布式人工智能概述２０７
７.１.１ 分布式人工智能的定义２０７
７.１.２ 分布式人工智能的分类２０７
７.２ Ａｇｅｎｔ技术２０８
７.２.１ Ａｇｅｎｔ简介２０８
７.２.２ 移动Ａｇｅｎｔ技术２０９
７.３ 多Ａｇｅｎｔ系统２１２
７.３.１ ＭＡＳ的概念及特性２１２
７.３.２ 与ＭＡＳ有关的问题２１２
７.３.３ ＭＡＳ通信２１４
７.４ 细胞膜计算技术２１６
７.４.１ 细胞膜计算的基本情况２１６
７.４.２ 细胞膜的化学组成和结构２１６
７.４.３ 细胞膜计算的基本概念２１９
７.４.４ 细胞膜计算应用举例２２０
７.５ 元胞自动机技术２２２
７.５.１ 自动机简介２２２
７.５.２ 元胞自动机的定义２２３
７.５.３ 元胞自动机的构成２２３
７.５.４ 元胞自动机的特征２２６
７.５.５ 经典元胞自动机模型２２７
７.６ 小结２３０
习题七２３１
第８章 机器学习
８.１ 机器学习的基本过程２３２
８.１.１ 机器学习的定义２３２
８.１.２ 西洋跳棋游戏２３３
８.１.３ 西洋跳棋程序学习目标的确定２３３
８.１.４ 西洋跳棋程序的具体学习过程２３３
８.１.５ 机器学习的基本过程２３４
８.２ 决策树学习２３５
８.２.１ 决策树学习方法简介２３５
８.２.２ 信息增益２３６
８.２.３ 基本的决策树学习算法———ＩＤ３算法２３７
８.２.４ ＩＤ３算法举例２３８
８.２.５ 决策树学习算法的特点２４０
８.３ 人工神经网络学习２４１
８.３.１ 生物神经元２４１
８.３.２ 人工神经元２４１
８.３.３ 布尔函数的神经元实现２４３
８.３.４ 神经网络学习机制２４６
８.３.５ 前馈型ＢＰ网络２５０
８.３.６ 反馈型Ｈｏｐｆｉｅｌｄ网络２５５
８.３.７ Ｋｏｈｏｎｅｎ自组织网络２５９
８.４ 马尔可夫模型２６１
８.４.１ 马尔可夫模型简介２６１
８.４.２ 基于马尔可夫性质的学习法简介２６２
８.４.３ 基于马尔可夫性质的学习法应用举例２６３
８.４.４ 基于马尔可夫性质的学习法的适用问题２６５
８.５ 贝叶斯学习法２６５
８.５.１ 贝叶斯学习法的基本思想２６５
８.５.２ 朴素贝叶斯分类器２６８
８.５.３ 基于参数估计的贝叶斯分类方法２７０
８.５.４ 贝叶斯方法的特点２７５
８.６ 基于实例的学习２７５
８.６.１ Ｋ近邻分类法２７５
８.６.２ 距离加权最近邻算法２７６
８.６.３ 局部加权回归２７６
８.６.４ 径向基函数２７８
８.６.５ 基于实例的学习方法的特点２７８
８.７ 小结２７９
习题八２８０
第９章 专家系统
９.１ 专家系统的概念２８１
９.１.１ 什么是专家系统２８１
９.１.２ 专家系统的特点２８１
９.１.３ 专家系统的类型２８２
９.１.４ 专家系统与知识系统２８３
９.１.５ 专家系统与知识工程２８３
９.１.６ 专家系统与人工智能２８４
９.２ 专家系统的结构２８４
９.２.１ 概念结构２８４
９.２.２ 实际结构２８５
９.２.３ 分布式结构２８６
９.２.４ 黑板模型２８６
９.３ 专家系统的应用与发展概况２８８
９.３.１ 专家系统的意义２８８
９.３.２ 专家系统的应用２８８
９.３.３ 专家系统的发展概况２８９
９.４ 专家系统设计与实现２９３
９.４.１ 一般步骤与方法２９３
９.４.２ 快速原型与增量式开发２９３
９.４.３ 知识获取２９３
９.４.４ 知识表示与知识描述语言设计２９４
９.４.５ 知识库与知识库管理系统设计２９５
９.４.６ 推理机与解释功能设计２９６
９.４.７ 系统结构设计２９７
９.４.８ 人机界面设计２９８
９.５ 专家系统开发工具与环境２９８
９.５.１ 专家系统开发工具２９９
９.５.２ 专家系统开发环境３００
９.６ 新一代专家系统研究３０１
９.６.１ 深层知识专家系统３０１
９.６.２ 模糊专家系统３０１
９.６.３ 神经网络专家系统３０２
９.６.４ 大型协同分布式专家系统３０２
９.６.５ 网上（多媒体）专家系统３０３
９.６.６ 事务处理专家系统３０３
９.７ 小结３０３
习题九３０４
第１０章 人工智能程序设计语言
１０.１ ＬＩＳＰ语言３０５
１０.１.１ Ｓｃｈｅｍｅ语言的基本概念３０６
１０.１.２ Ｓｃｈｅｍｅ语言的数据类型３０６
１０.１.３ Ｓｃｈｅｍｅ语言的过程定义３１３
１０.１.４ Ｓｃｈｅｍｅ语言的常用控制结构３１４
１０.２ Ｐｒｏｌｏｇ语言３１８
１０.２.１ Ｐｒｏｌｏｇ语言及其基本结构３１８
１０.２.２ Ｐｒｏｌｏｇ程序的简单例子３１９
１０.３ Ｐｒｏｌｏｇ语言的常用版本３２１
１０.４ 小结３２２
习题十３２２
第１１章 人工智能应用举例
１１.１ 专家系统实例３２３
１１.１.１ ＰＲＯＳＰＥＣＴＯＲ的功能与结构３２３
１１.１.２ 知识表示３２４
１１.１.３ 控制策略３２６
１１.１.４ 解释系统３２７
１１.２ 智能算法运行与“云端”的设想３２８
１１.２.１ 并行计算到云计算的演变３２８
１１.２.２ 云计算智能与ＭｏｎｔｅＣａｒｌｏ方法３２９
１１.２.３ 模拟谐振子算法３２９
１１.２.４ 云计算系统与智能算法３３４
１１.３ 元胞自动机在城市交通流中的应用３３４
１１.３.１ 快速公交系统简介３３４
１１.３.２ 兰州快速公交模型建立３３５
１１.３.３ 数值模拟与仿真分析３３６
参考文献３３９
第１章 人工智能概述
１.１ 人工智能的定义和研究目标１
１.１.１ 人工智能的定义１
１.１.２ 人工智能的研究目标１
１.２ 人工智能研究的基本内容及其特点２
１.２.１ 人工智能研究的基本内容２
１.２.２ 人工智能研究的特点３
１.３ 人工智能的基本技术５
１.３.１ 推理技术５
１.３.２ 搜索技术５
１.３.３ 知识表示与知识库技术５
１.３.４ 归纳技术５
１.３.５ 联想技术６
１.４ 人工智能的发展史６
１.４.１ 孕育期（１９５６年以前） ６
１.４.２ 形成期（１９５６—１９７０年） ７
１.４.３ 知识应用期（２０世纪７０年代到８０年代末） ９
１.４.４ 综合集成期（２０世纪８０年代末至今） １１
１.５ 人工智能的研究与应用领域１１
１.６ 人工智能研究的不同学派及其争论１６
１.６.１ 人工智能的三大学派１６
１.６.２ 人工智能理论的争论１８
１.６.３ 人工智能研究方法的争论１８
１.７ 人工智能进展１９
１.７.１ 人工智能发展面临的困难１９
１.７.２ 人工智能与云计算１９
１.７.３ 人工智能与物联网２１
１.７.４ 人工智能发展的新趋势２２
习题一２２
第２章 知识表示
２.１ 一阶谓词逻辑表示法２４
２.１.１ 一阶谓词逻辑表示法２４
２.１.２ 一阶谓词逻辑表示法的特点３０
１
２.１.３ 一阶谓词表示法的应用举例３２
２.２ 产生式表示法３４
２.２.１ 产生式与产生式系统３４
２.２.２ 产生式系统的分类及其特点３８
２.２.３ 产生式表示法应用举例４１
２.３ 框架表示４２
２.３.１ 框架与框架网络４３
２.３.２ 框架的推理及其特点４８
２.４ 语义网络表示法５２
２.４.１ 语义网络５２
２.４.２ 语义网络的推理及其特点５６
２.５ 面向对象表示法５９
２.５.１ 面向对象的知识表示５９
２.５.２ 面向对象知识表示法的特点６２
习题二６４
第３章 经典逻辑推理
３.１ 推理的基本概念６６
３.１.１ 推理方式及其分类６６
３.１.２ 推理的控制策略６８
３.１.３ 模式匹配及其变量代换７１
３.２ 自然演绎推理７４
３.３ 归结演绎推理７５
３.３.１ 谓词公式化为子句集的方法７５
３.３.２ 海伯伦理论７７
３.３.３ 鲁宾逊归结原理７８
３.３.４ 归结反演８１
３.３.５ 基于归结反演的问题求解８２
３.３.６ 归结反演策略８４
３.４ 与／或形的演绎推理８７
３.４.１ 与／或形的正向演绎推理８８
３.４.２ 与／或形的逆向演绎推理９０
３.４.３ 代换的一致性与剪枝策略９２
习题三９２
第４章 搜索策略
４.１ 问题求解过程的形式表示９６
４.１.１ 状态空间表示法９６
４.１.２ 与／或树表示法９８
４.２ 状态空间的盲目搜索策略１００
４.２.１ 宽度优先搜索１００
４.２.２ 深度优先搜索１０１
４.２.３ 有界深度优先搜索１０２
４.２.４ 代价树的宽度优先搜索１０３
４.２.５ 代价树的深度优先搜索１０４
４.３ 状态空间的启发式搜索策略１０４
４.３.１ 估价函数与择优搜索１０５
４.３.２ 图的有序搜索与Ａ算法１０６
４.３.３ Ａ算法应用举例１１０
４.４ 与／或树的搜索策略１１２
４.４.１ 与／或树的宽度优先搜索１１２
４.４.２ 与／或树的有界深度优先搜索１１３
４.４.３ 与／或树的有序搜索１１４
４.４.４ 博弈树的启发式搜索１１７
４.５ 搜索性能的量度１２０
习题四１２０
第５章 知识的不确定性与不确定推理
５.１ 知识的不确定性１２５
５.１.１ 证据的不确定性１２５
５.１.２ 规则的不确定性１２６
５.１.３ 推理的不确定性１２７
５.２ 不确定推理的概率基础１２８
５.３ 确定性理论１２９
５.３.１ 可信度的概念１２９
５.３.２ ＣＦ模型１３０
５.３.３ 带加权因子的可信度推理１３４
５.４ 主观Ｂａｙｅｓ方法１３６
５.４.１ 知识不确定性的表示１３６
５.４.２ 证据不确定性的表示１３８
５.４.３ 组合证据不确定性的计算１３９
５.４.４ 不确定性的更新１３９
５.４.５ 结论不确定性的合成１４１
５.５ 证据理论１４３
５.５.１ ＤＳ理论的形式描述１４３
５.５.２ 证据理论的推理模型１４７
５.６ 可能性理论和模糊推理１５４
５.６.１ 模糊逻辑基础１５４
５.６.２ 模糊知识表示１５９
５.６.３ 模糊概念的匹配１６１
５.６.４ 模糊推理１６２
５.７ 非单调推理１６６
习题五１６７
第６章 智能算法
６.１ 爬山法１７０
６.１.１ 爬山法的基本思想１７０
６.１.２ 爬山法算法流程１７０
６.１.３ 爬山法应用举例１７１
６.１.４ 爬山法的特点１７１
６.１.５ 爬山法存在的问题１７１
６.２ 模拟退火算法１７２
６.２.１ 模拟退火算法的基本思想１７２
６.２.２ 模拟退火算法流程１７２
６.２.３ 模拟退火算法应用举例１７３
６.２.４ 模拟退火算法的特点１７４
６.３ 禁忌搜索算法１７４
６.３.１ 禁忌搜索算法的基本思想１７４
６.３.２ 影响禁忌搜索算法性能的关键因素１７４
６.３.３ 禁忌搜索算法流程１７８
６.３.４ 禁忌搜索应用举例１７９
６.３.５ 禁忌搜索算法的特点１８２
６.４ 蚁群算法１８２
６.４.１ 蚁群觅食行为的启示１８２
６.４.２ 蚁群算法的基本思想１８２
６.４.３ 蚁群算法流程１８３
６.４.４ 蚁群算法的特点１８４
６.５ 粒子群算法１８５
６.５.１ 鸟群飞行方式的启示１８５
６.５.２ 粒子群算法的基本思想１８５
６.５.３ 粒子群算法流程１８７
６.５.４ 粒子群算法的应用举例１８７
６.５.５ 粒子群算法的特点１８９
６.６ 遗传算法１８９
６.６.１ 遗传算法的基本思想１８９
６.６.２ 遗传算法流程１９０
６.６.３ 遗传算法应用举例１９０
６.６.４ 遗传算法的特点１９１
６.７ 小结１９１
习题六１９２
第７章 分布式人工智能
７.１ 分布式人工智能概述２０７
７.１.１ 分布式人工智能的定义２０７
７.１.２ 分布式人工智能的分类２０７
７.２ Ａｇｅｎｔ技术２０８
７.２.１ Ａｇｅｎｔ简介２０８
７.２.２ 移动Ａｇｅｎｔ技术２０９
７.３ 多Ａｇｅｎｔ系统２１２
７.３.１ ＭＡＳ的概念及特性２１２
７.３.２ 与ＭＡＳ有关的问题２１２
７.３.３ ＭＡＳ通信２１４
７.４ 细胞膜计算技术２１６
７.４.１ 细胞膜计算的基本情况２１６
７.４.２ 细胞膜的化学组成和结构２１６
７.４.３ 细胞膜计算的基本概念２１９
７.４.４ 细胞膜计算应用举例２２０
７.５ 元胞自动机技术２２２
７.５.１ 自动机简介２２２
７.５.２ 元胞自动机的定义２２３
７.５.３ 元胞自动机的构成２２３
７.５.４ 元胞自动机的特征２２６
７.５.５ 经典元胞自动机模型２２７
７.６ 小结２３０
习题七２３１
第８章 机器学习
８.１ 机器学习的基本过程２３２
８.１.１ 机器学习的定义２３２
８.１.２ 西洋跳棋游戏２３３
８.１.３ 西洋跳棋程序学习目标的确定２３３
８.１.４ 西洋跳棋程序的具体学习过程２３３
８.１.５ 机器学习的基本过程２３４
８.２ 决策树学习２３５
８.２.１ 决策树学习方法简介２３５
８.２.２ 信息增益２３６
８.２.３ 基本的决策树学习算法———ＩＤ３算法２３７
８.２.４ ＩＤ３算法举例２３８
８.２.５ 决策树学习算法的特点２４０
８.３ 人工神经网络学习２４１
８.３.１ 生物神经元２４１
８.３.２ 人工神经元２４１
８.３.３ 布尔函数的神经元实现２４３
８.３.４ 神经网络学习机制２４６
８.３.５ 前馈型ＢＰ网络２５０
８.３.６ 反馈型Ｈｏｐｆｉｅｌｄ网络２５５
８.３.７ Ｋｏｈｏｎｅｎ自组织网络２５９
８.４ 马尔可夫模型２６１
８.４.１ 马尔可夫模型简介２６１
８.４.２ 基于马尔可夫性质的学习法简介２６２
８.４.３ 基于马尔可夫性质的学习法应用举例２６３
８.４.４ 基于马尔可夫性质的学习法的适用问题２６５
８.５ 贝叶斯学习法２６５
８.５.１ 贝叶斯学习法的基本思想２６５
８.５.２ 朴素贝叶斯分类器２６８
８.５.３ 基于参数估计的贝叶斯分类方法２７０
８.５.４ 贝叶斯方法的特点２７５
８.６ 基于实例的学习２７５
８.６.１ Ｋ近邻分类法２７５
８.６.２ 距离加权最近邻算法２７６
８.６.３ 局部加权回归２７６
８.６.４ 径向基函数２７８
８.６.５ 基于实例的学习方法的特点２７８
８.７ 小结２７９
习题八２８０
第９章 专家系统
９.１ 专家系统的概念２８１
９.１.１ 什么是专家系统２８１
９.１.２ 专家系统的特点２８１
９.１.３ 专家系统的类型２８２
９.１.４ 专家系统与知识系统２８３
９.１.５ 专家系统与知识工程２８３
９.１.６ 专家系统与人工智能２８４
９.２ 专家系统的结构２８４
９.２.１ 概念结构２８４
９.２.２ 实际结构２８５
９.２.３ 分布式结构２８６
９.２.４ 黑板模型２８６
９.３ 专家系统的应用与发展概况２８８
９.３.１ 专家系统的意义２８８
９.３.２ 专家系统的应用２８８
９.３.３ 专家系统的发展概况２８９
９.４ 专家系统设计与实现２９３
９.４.１ 一般步骤与方法２９３
９.４.２ 快速原型与增量式开发２９３
９.４.３ 知识获取２９３
９.４.４ 知识表示与知识描述语言设计２９４
９.４.５ 知识库与知识库管理系统设计２９５
９.４.６ 推理机与解释功能设计２９６
９.４.７ 系统结构设计２９７
９.４.８ 人机界面设计２９８
９.５ 专家系统开发工具与环境２９８
９.５.１ 专家系统开发工具２９９
９.５.２ 专家系统开发环境３００
９.６ 新一代专家系统研究３０１
９.６.１ 深层知识专家系统３０１
９.６.２ 模糊专家系统３０１
９.６.３ 神经网络专家系统３０２
９.６.４ 大型协同分布式专家系统３０２
９.６.５ 网上（多媒体）专家系统３０３
９.６.６ 事务处理专家系统３０３
９.７ 小结３０３
习题九３０４
第１０章 人工智能程序设计语言
１０.１ ＬＩＳＰ语言３０５
１０.１.１ Ｓｃｈｅｍｅ语言的基本概念３０６
１０.１.２ Ｓｃｈｅｍｅ语言的数据类型３０６
１０.１.３ Ｓｃｈｅｍｅ语言的过程定义３１３
１０.１.４ Ｓｃｈｅｍｅ语言的常用控制结构３１４
１０.２ Ｐｒｏｌｏｇ语言３１８
１０.２.１ Ｐｒｏｌｏｇ语言及其基本结构３１８
１０.２.２ Ｐｒｏｌｏｇ程序的简单例子３１９
１０.３ Ｐｒｏｌｏｇ语言的常用版本３２１
１０.４ 小结３２２
习题十３２２
第１１章 人工智能应用举例
１１.１ 专家系统实例３２３
１１.１.１ ＰＲＯＳＰＥＣＴＯＲ的功能与结构３２３
１１.１.２ 知识表示３２４
１１.１.３ 控制策略３２６
１１.１.４ 解释系统３２７
１１.２ 智能算法运行与“云端”的设想３２８
１１.２.１ 并行计算到云计算的演变３２８
１１.２.２ 云计算智能与ＭｏｎｔｅＣａｒｌｏ方法３２９
１１.２.３ 模拟谐振子算法３２９
１１.２.４ 云计算系统与智能算法３３４
１１.３ 元胞自动机在城市交通流中的应用３３４
１１.３.１ 快速公交系统简介３３４
１１.３.２ 兰州快速公交模型建立３３５
１１.３.３ 数值模拟与仿真分析３３６
参考文献３３９
