出版者的话
译者序
前言
第一部分世界中的Agent：什么是Agent及如何创建它们
第1章人工智能与Agent
1.1什么是人工智能
1.2人工智能简史
1.3环境中的Agent
1.4知识表示
1.4.1定义解
1.4.2表示
1.4.3推理与行为
1.5复杂性维度
1.5.1模块性
1.5.2表示方案
1.5.3规划期
1.5.4不确定性
1.5.5偏好
1.5.6Agent数量
1.5.7学习
1.5.8计算限制
1.5.9多维交互
1.6原型应用
1.6.1自主传送机器人
1.6.2诊断助手
1.6.3智能指导系统
1.6.4交易Agent
1.7本书概述
1.8本章小结
1.9参考文献及进一步阅读
1.10习题
第2章Agent体系结构和分层控制
2.1Agent
2.2Agent系统
2.3分层控制
2.4嵌入式和仿真Agent
2.5通过推理来行动
2.5.1设计时间与离线计算
2.5.2在线计算
2.6本章小结
2.7参考文献及进一步阅读
2.8习题
第二部分表达和推理
第3章状态和搜索
3.1用搜索进行问题求解
3.2状态空间
3.3图搜索
3.4一个通用搜索算法
3.5无信息搜索策略
3.5.1深度优先搜索
3.5.2宽度优先搜索
3.5.3最低花费优先搜索
3.6启发式搜索
3.6.1A*搜索
3.6.2搜索策略总结
3.7更复杂的搜索方法
3.7.1环检查
3.7.2多路径剪枝
3.7.3迭代深化
3.7.4分支界限法
3.7.5搜索方向
3.7.6动态规划法
3.8本章小结
3.9参考文献及进一步阅读
3.10习题
第4章特征和约束
4.1特征和状态
4.2可能世界、变量和约束
4.2.1约束
4.2.2约束满足问题
4.3生成—测试算法
4.4使用搜索求解CSP
4.5一致性算法
4.6域分割
4.7变量消除
4.8局部搜索
4.8.1迭代最佳改进
4.8.2随机算法
4.8.3评估随机算法
4.8.4局部搜索中利用命题结构
4.9基于种群的方法
4.10最优化
4.10.1最优化的系统方法
4.10.2局部搜索最优化
4.11本章小结
4.12参考文献及进一步阅读
4.13习题
第5章命题和推理
5.1命题
5.1.1命题演算的语法
5.1.2命题演算的语义
5.2命题确定子句
5.2.1问题与解答
5.2.2验证
5.3知识表示问题
5.3.1背景知识与观察
5.3.2询问用户
5.3.3知识层的解释
5.3.4知识层的调试
5.4反证法验证
5.4.1Horn子句
5.4.2假说与冲突
5.4.3基于一致性的诊断
5.4.4通过假设和Horn子句推理
5.5完备知识假设
5.5.1非单调推理
5.5.2完备知识的验证程序
5.6溯因推理
5.7因果模型
5.8本章小结
5.9参考文献及进一步阅读
5.10习题
第6章不确定推理
6.1概率
6.1.1概率的语义
6.1.2概率公理
6.1.3条件概率
6.1.4期望值
6.1.5信息理论
6.2独立性
6.3信念网络
6.4概率推理
6.4.1信念网络中的变量消除
6.4.2通过随机模拟进行近似推理
6.5概率和时间
6.5.1马尔可夫链
6.5.2隐马尔可夫模型
6.5.3监听和平滑算法
6.5.4动态信念网络
6.5.5时间粒度
6.6本章小结
6.7参考文献及进一步阅读
6.8习题
第三部分学习与规划
第7章学习概述与有监督学习
7.1学习问题
7.2有监督学习
7.2.1评估预测
7.2.2无输入特征的点估计
7.2.3概率学习
7.3有监督学习的基本模型
7.3.1决策树学习
7.3.2线性回归与分类
7.3.3贝叶斯分类器
7.4组合模型
7.4.1神经网络
7.4.2集成学习
7.5避免过拟合
7.5.1最大后验概率和最小描述长度
7.5.2交叉验证
7.6基于案例的推理
7.7改进假设空间的学习
7.7.1变型空间学习
7.7.2可能近似正确学习
7.8贝叶斯学习
7.9本章小结
7.10参考文献及进一步阅读
7.11习题
第8章确定性规划
8.1状态、动作以及目标的表示
8.1.1显式状态空间表示法
8.1.2基于特征的动作表示
8.1.3STRIPS表示法
8.1.4初始状态和目标
8.2前向规划
8.3回归规划
8.4CSP规划
8.5偏序规划
8.6本章小结
8.7参考文献及进一步阅读
8.8习题
第9章不确定性规划
9.1偏好和效用
9.2一次性的决策
9.3序贯决策
9.3.1决策网络
9.3.2策略
9.3.3决策网络的变量消除
9.4信息与控制的价值
9.5决策过程
9.5.1策略值
9.5.2最优策略值
9.5.3值迭代
9.5.4策略迭代
9.5.5动态决策网络
9.5.6部分可观察决策过程
9.6本章小结
9.7参考文献及进一步阅读
9.8习题
第10章多Agent系统
10.1多Agent框架
10.2博弈的表示
10.2.1博弈的标准形式
10.2.2博弈的扩展形式
10.2.3多Agent决策网络
10.3完全信息的计算策略
10.4部分可观察的多Agent推理
10.4.1纳什均衡计算
10.4.2学习协调
10.5群体决策
10.6机制设计
10.7本章小结
10.8参考文献及进一步阅读
10.9习题
第11章有监督之外的其他学习模型
11.1聚类
11.1.1期望最大化
11.1.2k—均值
11.1.3用于软聚类的期望最大化
11.2信念网络学习
11.2.1概率学习
11.2.2未观察到的变量
11.2.3缺失数据
11.2.4结构学习
11.2.5信念网络学习的一般情形
11.3增强学习
11.3.1演化算法
11.3.2时闻差
11.3.3Q—学习
11.3.4探索与利用
11.3.5增强学习算法的评估
11.3.6在策略学习
11.3.7为路径分配信用和责任
11.3.8基于模型的方法
11.3.9基于特征的增强学习
11.4本章小结
11.5参考文献及进一步阅读
11.6习题
第四部分个体与关系的推理
第12章个体与关系
12.1在特征之外利用结构
12.2符号与语义
12.3Datalog：一个关联规则语言
12.3.1基Datalog的语义
12.3.2解释变量
12.3.3带变量的查询
12.4证明与替换
12.4.1带变量的自底向上过程
12.4.2带变量的确定性归结
12.5函数符号
12.6在自然语言处理中的应用
12.6.1在上下文无关文法中使用限定子句
12.6.2增强文法
12.6.3为非终结符号建立结构
12.6.4封装的文本输出
12.6.5强制约束
12.6.6建立自然语言与数据库的接口
12.6.7局限
12.7相等
12.7.1允许相等断言
12.7.2唯一名字假设
12.8完备知识假设
12.9本章小结
12.10参考文献及进一步阅读
12.11习题
第13章本体和基于知识的系统
13.1知识共享
13.2灵活的表示
13.2.1选择个体和关系
13.2.2图形化表示
13.2.3原始关系与导出关系
13.3本体与知识共享
13.3.1描述逻辑
13.3.2顶层本体
13.4查询用户和其他知识来源
13.4.1函数化关系
13.4.2更普遍的问题
13.5实现基于知识的系统
13.5.1基语言和元语言
13.5.2普通的元解释器
13.5.3扩展基语言
13.5.4深度有限搜索
13.5.5元解释器构建证明树
13.5.6可询问用户的元解释器
13.5.7推迟目标
13.6本章小结
13.7参考文献及进一步阅读
13.8习题
第14章关系规划、学习和概率推理
14.1规划个体与关系
14.1.1情景演算
14.1.2事件演算
14.2个体与关系的学习
14.3概率关系模型
14.4本章小结
14.5参考文献及进一步阅读
14.6习题
第五部分宏观图景
第15章回顾与展望
15.1复杂性维度回顾
15.2社会与道德后果
15.3参考文献及进一步阅读
附录A数学基础与记号
参考文献
索引
· · · · · · (收起)