智能系统原理、算法与应用

作者: 蔡自兴著 , 王勇著

出版社: 机械工业出版社

出版时间: 2014-09

版次: 1

ISBN: 9787111472001

定价: 59.00

装帧: 平装

开本: 16开

纸张: 胶版纸

页数: 372页

丛书: 智能系统与技术丛书

分类: 教材教辅考试>教材>研究生教材>法律

26人买过

本书介绍智能系统的基本原理、主要算法及其应用。全书共三篇、18章：第一篇为智能系统基础，包括第1~3章，第1章介绍人工智能和智能系统的概况，涉及人工智能和智能系统的定义、发展过程、主要学派的认知观和智能系统的分类等，第2章和第3章分别讨论知识表示与推理及非经典推理；第二篇为智能系统原理与算法，包括第4~11章，探讨各种智能系统的基础理论与算法，涉及专家系统、模糊逻辑系统、神经网络系统、机器学习系统、仿生进化系统、群智能系统、多真体系统和人工免疫系统；第三篇为智能系统应用与展望，包括第12~18章，其中第12~17章探讨智能系统的各种应用，包括智能机器人系统、智能控制系统、智能规划系统、智能决策系统、自然语言理解系统和智能交通系统；第18章展望智能系统的发展前景。本书可作为高等院校计算机、自动控制、管理、电子信息等专业研究生和高年级本科生学习“智能系统”等课程的教材或教学参考书,也可供从事智能系统和人工智能研究与应用的科技人员及管理人员学习参考。　　蔡自兴教授1962年毕业于西安交通大学电机工程系。1962年至今在中南大学从事教学和科研工作，现为信息科学与工程学院教授、博士生导师。1983～1985年为美国普渡大学和内华达大学访问学者，1988—1990#：任中国科学院自动化研究所和北京大学信息科学中心客座研究员，1992～1993年任美国伦塞勒工业大学客座教授。2004年4—7月为俄罗斯科学院圣彼得堡信息学与自动化研究所客座研究员。2007年5～8月任丹麦技术大学客座教授。是联合国专家(UNIDO)、国际导航与运动控制科学院院士、纽约科学院院士，全国高等学校首届国家级教学名师奖、宝钢教育基金优秀教师特等奖和徐特立教育奖获得者。曾任第八届湖南省政协副主席，全国政协第九、十届委员会委员。曾兼任中国人工智能学会副理事长及智能机器人专业委员会主任、中国自动化学会理事及智能自动化专业委员会委员、中国计算机学会模式识别与人工智能专业委员会委员等职。主要从事人工智能、智能系统、智能控制、智能机器人等研究，是中国智能控制、人工智能、机器人学诸学科的学术带头人之一。已在国内外出版专著、教材40多部，发表学术论文近千篇。还出版散文选集、科普选集、政协提案选辑和科普中篇小说各1部。主持并完成包括国家自然科学基金重点项目在内的科教研究30多项，获国际奖励3项、国家级奖励2项、省部级以上奖励10多项。前言
第一篇　智能系统基础
第1章　概述2
　1.1　人工智能与智能系统的定义2
　1.2　人工智能和智能系统的起源与发展4
　1.3　人工智能的各种认知观10
　　　1.3.1　人工智能各学派的认知观10
　　　1.3.2　人工智能的争论11
　1.4　智能系统的分类12
　1.5　人工智能的研究目标和内容17
　　　1.5.1　人工智能的研究目标17
　　　1.5.2　人工智能研究的基本内容17
　1.6　人工智能与智能系统的计算方法19
　1.7　本书内容编排20
　习题121
第2章　知识表示与推理22
　2.1　智能系统知识的分类与表示问题22
　　　2.1.1　智能系统知识的分类22
　　　2.1.2　知识表示的要求23
　2.2　状态空间图搜索23
　　　2.2.1　问题状态描述24
　　　2.2.2　无信息搜索25
　　　2.2.3　启发式搜索26
　2.3　谓词演算与消解原理30
　　　2.3.1　谓词演算30
　　　2.3.2　置换与合一33
　　　2.3.3　消解原理35
　2.4　产生式系统38
　　　2.4.1　产生式系统的组成与表示38
　　　2.4.2　产生式系统的推理40
　2.5　语义网络法42
　　　2.5.1　二元语义网络的表示43
　　　2.5.2　多元语义网络的表示44
　　　2.5.3　基于语义网络的知识推理45
　2.6　框架表示与推理47
　　　2.6.1　框架的构成47
　　　2.6.2　框架的推理50
　2.7　知识表示与搜索的综合问题51
　　　2.7.1　问题的复合知识表示51
　　　2.7.2　启发式算法的可纳性与单调性51
　2.8　本章小结52
　习题253
*第3章　非经典推理55
　3.1　经典推理和非经典推理55
　3.2　不确定性推理56
　　　3.2.1　不确定性的表示与量度56
　　　3.2.2　不确定性的算法57
　3.3　概率推理58
　　　3.3.1　概率的基本性质和计算公式59
　　　3.3.2　概率推理方法60
　3.4　贝叶斯推理62
　　　3.4.1　知识不确定性的表示62
　　　3.4.2　证据不确定性的表示63
　3.5　可信度方法65
　　　3.5.1　基于可信度的不确定性表示66
　　　3.5.2　可信度方法的推理算法67
　3.6　搜索与计算复杂度70
　3.7　本章小结71
　习题372
第二篇　智能系统原理与算法
第4章　专家系统74
　4.1　专家系统概述74
　　　4.1.1　专家系统的特点74
　　　4.1.2　专家系统的结构和建造步骤75
　4.2　基于规则的专家系统77
　　　4.2.1　基于规则的专家系统的工作模型和结构77
　　　4.2.2　基于规则的专家系统的特点78
　4.3　基于框架的专家系统80
　　　4.3.1　基于框架的专家系统的定义与结构80
　　　4.3.2　基于框架的专家系统的设计方法81
　4.4　基于模型的专家系统82
　　　4.4.1　基于模型的专家系统的提出82
　　　4.4.2　基于神经网络的专家系统82
　　　*4.4.3　基于概率的专家系统84
　4.5　基于Web的专家系统87
　　　4.5.1　基于Web的专家系统的结构87
　　　4.5.2　基于Web的专家系统的实例分析89
　4.6　新型专家系统92
　4.7　专家系统设计93
　　　4.7.1　专家知识的描述93
　　　4.7.2　知识的使用和决策解释96
　4.8　专家系统开发工具98
　　　4.8.1　骨架型开发工具98
　　　4.8.2　语言型开发工具99
　　　4.8.3　构造辅助工具100
　　　4.8.4　支撑环境100
　4.9　本章小结101
　习题4102
第5章　模糊逻辑系统103
　5.1　模糊数学基础103
　　　5.1.1　模糊集合及其运算103
　　　5.1.2　模糊关系与模糊变换106
　5.2　模糊逻辑语言与推理109
　　　5.2.1　模糊逻辑语言109
　　　5.2.2　模糊逻辑推理111
　5.3　模糊系统的原理与结构115
　　　5.3.1　模糊系统的原理115
　　　5.3.2　模糊系统的结构116
　5.4　模糊系统的设计方法118
　　　5.4.1　模糊系统设计的查表法118
　　　5.4.2　模糊系统设计的递推最小二乘法119
　　　5.4.3　模糊系统设计的聚类法121
　*5.5　模糊系统的可达性与鲁棒性122
　　　5.5.1　模糊控制系统的可达性122
　　　5.5.2　模糊控制系统的鲁棒性123
　5.6　MATLAB模糊控制工具箱124
　5.7　本章小结127
　习题5127
第6章　神经网络系统129
　6.1　人工神经网络概述129
　　　6.1.1　神经元及其特性130
　　　6.1.2　人工神经网络的基本类型和学习算法131
　　　6.1.3　人工神经网络的典型模型134
　6.2　基于神经网络的知识表示与推理138
　　　6.2.1　基于神经网络的知识表示138
　　　6.2.2　基于神经网络的知识推理140
　6.3　神经网络在约束优化中的应用问题142
　6.4　MATLAB神经网络工具箱及其仿真144
　　　6.4.1　MATLAB神经网络工具箱图形用户界面144
　　　6.4.2　基于Simulink的神经网络模块工具145
　6.5　本章小结147
　习题6147
第7章　机器学习系统149
　7.1　机器学习的定义和发展149
　　　7.1.1　机器学习的定义149
　　　7.1.2　机器学习的发展150
　7.2　机器学习的主要策略与基本结构151
　　　7.2.1　机器学习的主要策略151
　　　7.2.2　机器学习系统的基本结构152
　7.3　归纳学习153
　　　7.3.1　归纳学习的模式和规则154
　　　7.3.2　归纳学习方法155
　7.4　类比学习157
　　　7.4.1　类比推理和类比学习形式157
　　　7.4.2　类比学习过程与研究类型158
　7.5　解释学习159
　　　7.5.1　解释学习过程和算法159
　　　7.5.2　解释学习举例160
　7.6　神经网络学习161
　　　7.6.1　基于反向传播网络的学习161
　　　7.6.2　基于Hopfield网络的学习165
　7.7　知识发现167
　　　7.7.1　知识发现的发展和定义167
　　　7.7.2　知识发现的处理过程168
　　　7.7.3　知识发现的方法170
　7.8　增强学习172
　　　7.8.1　增强学习概述172
　　　7.8.2　Q-学习174
　7.9　本章小结175
　习题7176
第8章　仿生进化系统177
　8.1　进化算法177
　　　8.1.1　进化算法的主要原理178
　　　8.1.2　进化算法的整体框架179
　8.2　遗传算法180
　　　8.2.1　个体编码和解码180
　　　8.2.2　遗传算子181
　　　8.2.3　遗传算法的执行过程184
　　　8.2.4　遗传算法的执行实例185
　　　8.2.5　实数编码遗传算法187
　8.3　进化策略188
　　　8.3.1　变异算子188
　　　8.3.2　交叉算子与替换算子190
　　　8.3.3　进化策略的执行过程191
　8.4　进化规划191
　　　8.4.1　变异算子与替换算子192
　　　8.4.2　进化规划的执行过程192
　　　8.4.3　高斯变异与柯西变异193
　8.5　遗传算法、进化策略与进化规划的异同点194
　8.6　本章小结195
　习题8195
第9章　群智能系统197
　9.1　粒子群优化算法197
　　　9.1.1　粒子群优化算法的基本原理197
　　　9.1.2　粒子群优化算法的执行过程199
　　　9.1.3　粒子速度和位置的修复199
　　　9.1.4　粒子群优化算法的两个变种200
　　　9.1.5　粒子群优化算法的改进201
　9.2　蚁群算法205
　　　9.2.1　蚁群算法的起源与发展205
　　　9.2.2　蚁群算法的原理与执行206
　9.3　本章小结211
　习题9212
第10章　多真体系统213
　10.1　分布式人工智能213
　10.2　Agent及其要素214
　　　10.2.1　Agent的定义和译法215
　　　10.2.2　真体的要素和特性216
　10.3　真体的结构218
　　　10.3.1　真体的抽象结构和结构特点218
　　　10.3.2　真体结构的分类219
　*10.4　真体通信221
　　　10.4.1　通信的过程221
　　　10.4.2　真体通信的类型和方式225
　　　10.4.3　真体的通信语言227
　10.5　移动真体和多真体系统228
　　　10.5.1　移动真体的定义和系统构成229
　　　10.5.2　多真体系统的特征和关键技术230
　　　10.5.3　多真体系统的模型和结构231
　　　10.5.4　多真体的协作、协商和协调232
　　　*10.5.5　多真体的学习与规划235
　　　10.5.6　多真体系统的研究和应用领域236
　10.6　本章小结237
　习题10238
第11章　人工免疫系统239
　11.1　自然免疫系统的概念、组成与功能239
　11.2　免疫算法及其设计方法241
　　　11.2.1　免疫算法的定义241
　　　11.2.2　免疫算法的步骤和框图242
　　　11.2.3　免疫算法的设计方法和参数选择244
　*11.3　人工免疫系统的结构246
　11.4　人工免疫系统应用示例247
　　　11.4.1　免疫控制系统的一般结构247
　　　11.4.2　免疫控制的计算体系和系统框图247
　　　11.4.3　免疫控制系统示例248
　11.5　本章小结250
　习题11250
第三篇　智能系统应用与展望
第12章　智能机器人系统252
　12.1　机器人学的起源与发展252
　12.2　机器人的定义和特点254
　12.3　机器人系统的构成与分类255
　12.4　智能机器人的研究领域257
　12.5　智能机器人应用示例259
　　　12.5.1　汽车自主驾驶系统的组成259
　　　12.5.2　汽车自主驾驶系统的结构260
　　　12.5.3　汽车自主驾驶系统的软件结构与控制算法262
　　　12.5.4　汽车自主驾驶系统的实验结果262
　12.6　本章小结263
　习题12263
第13章　智能控制系统264
　13.1　智能控制的产生与发展264
　　　13.1.1　自动控制的机遇与挑战264
　　　13.1.2　智能控制的发展和作用266
　13.2　智能控制的定义、特点、一般结构与分类268
　　　13.2.1　智能控制的定义与特点268
　　　13.2.2　智能控制器的一般结构与分类269
　13.3　智能控制的学科结构理论体系272
　　　13.3.1　二元交集结构理论272
　　　13.3.2　三元交集结构理论273
　　　13.3.3　四元交集结构理论273
　13.4　智能控制系统应用示例276
　13.5　本章小结279
　习题13279
第14章　智能规划系统280
　14.1　智能规划概述280
　　　14.1.1　规划的概念和作用280
　　　14.1.2　规划的分类282
　14.2　任务规划283
　　　14.2.1　系统结构和规划机理283
　　　14.2.2　ROPES机器人规划系统285
　14.3　路径规划的主要方法和发展趋势287
　14.4　基于蚁群算法的移动机器人路径规划289
　　　14.4.1　蚁群优化算法简介289
　　　14.4.2　基于蚁群算法的路径规划290
　14.5　轨迹规划简介293
　14.6　本章小结294
　习题14295
第15章　智能决策系统296
　15.1　智能决策系统的定义与组成296
　　　15.1.1　智能决策系统的定义296
　　　15.1.2　智能决策系统的组成297
　15.2　智能决策系统的概念模型与典型特性298
　　　15.2.1　SHOREC2概念模型299
　　　15.2.2　指挥决策过程的典型特性301
　15.3　智能指挥决策的过程模型302
　　　15.3.1　智能数据融合303
　　　15.3.2　智能态势估计304
　　　15.3.3　资源的智能规划与分配305
　15.4　多属性决策305
　　　15.4.1　多属性决策的基本概念305
　　　15.4.2　多属性决策方法306
　15.5　本章小结309
　习题15309
第16章　自然语言理解系统310
　16.1　自然语言理解概述310
　　　16.1.1　语言与语言理解310
　　　16.1.2　自然语言理解的研究历史和发展现状312
　　　16.1.3　自然语言处理的定义和研究意义315
　16.2　自然语言理解的研究领域和研究方法317
　　　16.2.1　自然语言处理的研究领域317
　　　16.2.2　自然语言理解的研究方法318
　　　16.2.3　自然语言理解过程的层次319
　16.3　自然语言理解系统的主要模型320
　16.4　自然语言理解系统应用示例322
　　　16.4.1　自然语言自动理解系统322
　　　16.4.2　自然语言问答系统323
　16.5　本章小结325
　习题16325
第17章　智能交通系统326
　17.1　智能交通系统概述326
　17.2　智能交通系统的发展327
　17.3　智能交通系统的体系结构329
　17.4　智能交通系统的信息平台331
　17.5　智能交通系统应用示例334
　17.6　本章小结338
　习题17338
第18章　智能系统展望339
　18.1　智能系统的学科定位问题339
　18.2　智能系统对人类的影响340
　　　18.2.1　对经济的影响340
　　　18.2.2　对社会的影响340
　　　18.2.3　对文化的影响342
　18.3　智能系统的未来343
　　　18.3.1　更新的理论框架343
　　　18.3.2　更好的技术集成345
　　　18.3.3　更成熟的应用方法345
　18.4　本章小结346
　习题18347
参考文献348
内容简介:
本书介绍智能系统的基本原理、主要算法及其应用。全书共三篇、18章：第一篇为智能系统基础，包括第1~3章，第1章介绍人工智能和智能系统的概况，涉及人工智能和智能系统的定义、发展过程、主要学派的认知观和智能系统的分类等，第2章和第3章分别讨论知识表示与推理及非经典推理；第二篇为智能系统原理与算法，包括第4~11章，探讨各种智能系统的基础理论与算法，涉及专家系统、模糊逻辑系统、神经网络系统、机器学习系统、仿生进化系统、群智能系统、多真体系统和人工免疫系统；第三篇为智能系统应用与展望，包括第12~18章，其中第12~17章探讨智能系统的各种应用，包括智能机器人系统、智能控制系统、智能规划系统、智能决策系统、自然语言理解系统和智能交通系统；第18章展望智能系统的发展前景。本书可作为高等院校计算机、自动控制、管理、电子信息等专业研究生和高年级本科生学习“智能系统”等课程的教材或教学参考书,也可供从事智能系统和人工智能研究与应用的科技人员及管理人员学习参考。
作者简介:
　　蔡自兴教授1962年毕业于西安交通大学电机工程系。1962年至今在中南大学从事教学和科研工作，现为信息科学与工程学院教授、博士生导师。1983～1985年为美国普渡大学和内华达大学访问学者，1988—1990#：任中国科学院自动化研究所和北京大学信息科学中心客座研究员，1992～1993年任美国伦塞勒工业大学客座教授。2004年4—7月为俄罗斯科学院圣彼得堡信息学与自动化研究所客座研究员。2007年5～8月任丹麦技术大学客座教授。是联合国专家(UNIDO)、国际导航与运动控制科学院院士、纽约科学院院士，全国高等学校首届国家级教学名师奖、宝钢教育基金优秀教师特等奖和徐特立教育奖获得者。曾任第八届湖南省政协副主席，全国政协第九、十届委员会委员。曾兼任中国人工智能学会副理事长及智能机器人专业委员会主任、中国自动化学会理事及智能自动化专业委员会委员、中国计算机学会模式识别与人工智能专业委员会委员等职。主要从事人工智能、智能系统、智能控制、智能机器人等研究，是中国智能控制、人工智能、机器人学诸学科的学术带头人之一。已在国内外出版专著、教材40多部，发表学术论文近千篇。还出版散文选集、科普选集、政协提案选辑和科普中篇小说各1部。主持并完成包括国家自然科学基金重点项目在内的科教研究30多项，获国际奖励3项、国家级奖励2项、省部级以上奖励10多项。
目录:
前言
第一篇　智能系统基础
第1章　概述2
　1.1　人工智能与智能系统的定义2
　1.2　人工智能和智能系统的起源与发展4
　1.3　人工智能的各种认知观10
　　　1.3.1　人工智能各学派的认知观10
　　　1.3.2　人工智能的争论11
　1.4　智能系统的分类12
　1.5　人工智能的研究目标和内容17
　　　1.5.1　人工智能的研究目标17
　　　1.5.2　人工智能研究的基本内容17
　1.6　人工智能与智能系统的计算方法19
　1.7　本书内容编排20
　习题121
第2章　知识表示与推理22
　2.1　智能系统知识的分类与表示问题22
　　　2.1.1　智能系统知识的分类22
　　　2.1.2　知识表示的要求23
　2.2　状态空间图搜索23
　　　2.2.1　问题状态描述24
　　　2.2.2　无信息搜索25
　　　2.2.3　启发式搜索26
　2.3　谓词演算与消解原理30
　　　2.3.1　谓词演算30
　　　2.3.2　置换与合一33
　　　2.3.3　消解原理35
　2.4　产生式系统38
　　　2.4.1　产生式系统的组成与表示38
　　　2.4.2　产生式系统的推理40
　2.5　语义网络法42
　　　2.5.1　二元语义网络的表示43
　　　2.5.2　多元语义网络的表示44
　　　2.5.3　基于语义网络的知识推理45
　2.6　框架表示与推理47
　　　2.6.1　框架的构成47
　　　2.6.2　框架的推理50
　2.7　知识表示与搜索的综合问题51
　　　2.7.1　问题的复合知识表示51
　　　2.7.2　启发式算法的可纳性与单调性51
　2.8　本章小结52
　习题253
*第3章　非经典推理55
　3.1　经典推理和非经典推理55
　3.2　不确定性推理56
　　　3.2.1　不确定性的表示与量度56
　　　3.2.2　不确定性的算法57
　3.3　概率推理58
　　　3.3.1　概率的基本性质和计算公式59
　　　3.3.2　概率推理方法60
　3.4　贝叶斯推理62
　　　3.4.1　知识不确定性的表示62
　　　3.4.2　证据不确定性的表示63
　3.5　可信度方法65
　　　3.5.1　基于可信度的不确定性表示66
　　　3.5.2　可信度方法的推理算法67
　3.6　搜索与计算复杂度70
　3.7　本章小结71
　习题372
第二篇　智能系统原理与算法
第4章　专家系统74
　4.1　专家系统概述74
　　　4.1.1　专家系统的特点74
　　　4.1.2　专家系统的结构和建造步骤75
　4.2　基于规则的专家系统77
　　　4.2.1　基于规则的专家系统的工作模型和结构77
　　　4.2.2　基于规则的专家系统的特点78
　4.3　基于框架的专家系统80
　　　4.3.1　基于框架的专家系统的定义与结构80
　　　4.3.2　基于框架的专家系统的设计方法81
　4.4　基于模型的专家系统82
　　　4.4.1　基于模型的专家系统的提出82
　　　4.4.2　基于神经网络的专家系统82
　　　*4.4.3　基于概率的专家系统84
　4.5　基于Web的专家系统87
　　　4.5.1　基于Web的专家系统的结构87
　　　4.5.2　基于Web的专家系统的实例分析89
　4.6　新型专家系统92
　4.7　专家系统设计93
　　　4.7.1　专家知识的描述93
　　　4.7.2　知识的使用和决策解释96
　4.8　专家系统开发工具98
　　　4.8.1　骨架型开发工具98
　　　4.8.2　语言型开发工具99
　　　4.8.3　构造辅助工具100
　　　4.8.4　支撑环境100
　4.9　本章小结101
　习题4102
第5章　模糊逻辑系统103
　5.1　模糊数学基础103
　　　5.1.1　模糊集合及其运算103
　　　5.1.2　模糊关系与模糊变换106
　5.2　模糊逻辑语言与推理109
　　　5.2.1　模糊逻辑语言109
　　　5.2.2　模糊逻辑推理111
　5.3　模糊系统的原理与结构115
　　　5.3.1　模糊系统的原理115
　　　5.3.2　模糊系统的结构116
　5.4　模糊系统的设计方法118
　　　5.4.1　模糊系统设计的查表法118
　　　5.4.2　模糊系统设计的递推最小二乘法119
　　　5.4.3　模糊系统设计的聚类法121
　*5.5　模糊系统的可达性与鲁棒性122
　　　5.5.1　模糊控制系统的可达性122
　　　5.5.2　模糊控制系统的鲁棒性123
　5.6　MATLAB模糊控制工具箱124
　5.7　本章小结127
　习题5127
第6章　神经网络系统129
　6.1　人工神经网络概述129
　　　6.1.1　神经元及其特性130
　　　6.1.2　人工神经网络的基本类型和学习算法131
　　　6.1.3　人工神经网络的典型模型134
　6.2　基于神经网络的知识表示与推理138
　　　6.2.1　基于神经网络的知识表示138
　　　6.2.2　基于神经网络的知识推理140
　6.3　神经网络在约束优化中的应用问题142
　6.4　MATLAB神经网络工具箱及其仿真144
　　　6.4.1　MATLAB神经网络工具箱图形用户界面144
　　　6.4.2　基于Simulink的神经网络模块工具145
　6.5　本章小结147
　习题6147
第7章　机器学习系统149
　7.1　机器学习的定义和发展149
　　　7.1.1　机器学习的定义149
　　　7.1.2　机器学习的发展150
　7.2　机器学习的主要策略与基本结构151
　　　7.2.1　机器学习的主要策略151
　　　7.2.2　机器学习系统的基本结构152
　7.3　归纳学习153
　　　7.3.1　归纳学习的模式和规则154
　　　7.3.2　归纳学习方法155
　7.4　类比学习157
　　　7.4.1　类比推理和类比学习形式157
　　　7.4.2　类比学习过程与研究类型158
　7.5　解释学习159
　　　7.5.1　解释学习过程和算法159
　　　7.5.2　解释学习举例160
　7.6　神经网络学习161
　　　7.6.1　基于反向传播网络的学习161
　　　7.6.2　基于Hopfield网络的学习165
　7.7　知识发现167
　　　7.7.1　知识发现的发展和定义167
　　　7.7.2　知识发现的处理过程168
　　　7.7.3　知识发现的方法170
　7.8　增强学习172
　　　7.8.1　增强学习概述172
　　　7.8.2　Q-学习174
　7.9　本章小结175
　习题7176
第8章　仿生进化系统177
　8.1　进化算法177
　　　8.1.1　进化算法的主要原理178
　　　8.1.2　进化算法的整体框架179
　8.2　遗传算法180
　　　8.2.1　个体编码和解码180
　　　8.2.2　遗传算子181
　　　8.2.3　遗传算法的执行过程184
　　　8.2.4　遗传算法的执行实例185
　　　8.2.5　实数编码遗传算法187
　8.3　进化策略188
　　　8.3.1　变异算子188
　　　8.3.2　交叉算子与替换算子190
　　　8.3.3　进化策略的执行过程191
　8.4　进化规划191
　　　8.4.1　变异算子与替换算子192
　　　8.4.2　进化规划的执行过程192
　　　8.4.3　高斯变异与柯西变异193
　8.5　遗传算法、进化策略与进化规划的异同点194
　8.6　本章小结195
　习题8195
第9章　群智能系统197
　9.1　粒子群优化算法197
　　　9.1.1　粒子群优化算法的基本原理197
　　　9.1.2　粒子群优化算法的执行过程199
　　　9.1.3　粒子速度和位置的修复199
　　　9.1.4　粒子群优化算法的两个变种200
　　　9.1.5　粒子群优化算法的改进201
　9.2　蚁群算法205
　　　9.2.1　蚁群算法的起源与发展205
　　　9.2.2　蚁群算法的原理与执行206
　9.3　本章小结211
　习题9212
第10章　多真体系统213
　10.1　分布式人工智能213
　10.2　Agent及其要素214
　　　10.2.1　Agent的定义和译法215
　　　10.2.2　真体的要素和特性216
　10.3　真体的结构218
　　　10.3.1　真体的抽象结构和结构特点218
　　　10.3.2　真体结构的分类219
　*10.4　真体通信221
　　　10.4.1　通信的过程221
　　　10.4.2　真体通信的类型和方式225
　　　10.4.3　真体的通信语言227
　10.5　移动真体和多真体系统228
　　　10.5.1　移动真体的定义和系统构成229
　　　10.5.2　多真体系统的特征和关键技术230
　　　10.5.3　多真体系统的模型和结构231
　　　10.5.4　多真体的协作、协商和协调232
　　　*10.5.5　多真体的学习与规划235
　　　10.5.6　多真体系统的研究和应用领域236
　10.6　本章小结237
　习题10238
第11章　人工免疫系统239
　11.1　自然免疫系统的概念、组成与功能239
　11.2　免疫算法及其设计方法241
　　　11.2.1　免疫算法的定义241
　　　11.2.2　免疫算法的步骤和框图242
　　　11.2.3　免疫算法的设计方法和参数选择244
　*11.3　人工免疫系统的结构246
　11.4　人工免疫系统应用示例247
　　　11.4.1　免疫控制系统的一般结构247
　　　11.4.2　免疫控制的计算体系和系统框图247
　　　11.4.3　免疫控制系统示例248
　11.5　本章小结250
　习题11250
第三篇　智能系统应用与展望
第12章　智能机器人系统252
　12.1　机器人学的起源与发展252
　12.2　机器人的定义和特点254
　12.3　机器人系统的构成与分类255
　12.4　智能机器人的研究领域257
　12.5　智能机器人应用示例259
　　　12.5.1　汽车自主驾驶系统的组成259
　　　12.5.2　汽车自主驾驶系统的结构260
　　　12.5.3　汽车自主驾驶系统的软件结构与控制算法262
　　　12.5.4　汽车自主驾驶系统的实验结果262
　12.6　本章小结263
　习题12263
第13章　智能控制系统264
　13.1　智能控制的产生与发展264
　　　13.1.1　自动控制的机遇与挑战264
　　　13.1.2　智能控制的发展和作用266
　13.2　智能控制的定义、特点、一般结构与分类268
　　　13.2.1　智能控制的定义与特点268
　　　13.2.2　智能控制器的一般结构与分类269
　13.3　智能控制的学科结构理论体系272
　　　13.3.1　二元交集结构理论272
　　　13.3.2　三元交集结构理论273
　　　13.3.3　四元交集结构理论273
　13.4　智能控制系统应用示例276
　13.5　本章小结279
　习题13279
第14章　智能规划系统280
　14.1　智能规划概述280
　　　14.1.1　规划的概念和作用280
　　　14.1.2　规划的分类282
　14.2　任务规划283
　　　14.2.1　系统结构和规划机理283
　　　14.2.2　ROPES机器人规划系统285
　14.3　路径规划的主要方法和发展趋势287
　14.4　基于蚁群算法的移动机器人路径规划289
　　　14.4.1　蚁群优化算法简介289
　　　14.4.2　基于蚁群算法的路径规划290
　14.5　轨迹规划简介293
　14.6　本章小结294
　习题14295
第15章　智能决策系统296
　15.1　智能决策系统的定义与组成296
　　　15.1.1　智能决策系统的定义296
　　　15.1.2　智能决策系统的组成297
　15.2　智能决策系统的概念模型与典型特性298
　　　15.2.1　SHOREC2概念模型299
　　　15.2.2　指挥决策过程的典型特性301
　15.3　智能指挥决策的过程模型302
　　　15.3.1　智能数据融合303
　　　15.3.2　智能态势估计304
　　　15.3.3　资源的智能规划与分配305
　15.4　多属性决策305
　　　15.4.1　多属性决策的基本概念305
　　　15.4.2　多属性决策方法306
　15.5　本章小结309
　习题15309
第16章　自然语言理解系统310
　16.1　自然语言理解概述310
　　　16.1.1　语言与语言理解310
　　　16.1.2　自然语言理解的研究历史和发展现状312
　　　16.1.3　自然语言处理的定义和研究意义315
　16.2　自然语言理解的研究领域和研究方法317
　　　16.2.1　自然语言处理的研究领域317
　　　16.2.2　自然语言理解的研究方法318
　　　16.2.3　自然语言理解过程的层次319
　16.3　自然语言理解系统的主要模型320
　16.4　自然语言理解系统应用示例322
　　　16.4.1　自然语言自动理解系统322
　　　16.4.2　自然语言问答系统323
　16.5　本章小结325
　习题16325
第17章　智能交通系统326
　17.1　智能交通系统概述326
　17.2　智能交通系统的发展327
　17.3　智能交通系统的体系结构329
　17.4　智能交通系统的信息平台331
　17.5　智能交通系统应用示例334
　17.6　本章小结338
　习题17338
第18章　智能系统展望339
　18.1　智能系统的学科定位问题339
　18.2　智能系统对人类的影响340
　　　18.2.1　对经济的影响340
　　　18.2.2　对社会的影响340
　　　18.2.3　对文化的影响342
　18.3　智能系统的未来343
　　　18.3.1　更新的理论框架343
　　　18.3.2　更好的技术集成345
　　　18.3.3　更成熟的应用方法345
　18.4　本章小结346
　习题18347
参考文献348

查看详情

智能系统原理、算法与应用

内容简介:

作者简介:

目录: