2014新版人工智能教学大纲

第一篇：2014新版人工智能教学大纲

404131422《人工智能》

英文课名： Artificial Intelligence 学 时：32 学 分：2 先修课程：数据结构，编译原理，离散数学 适用专业：计算机科学与技术专业，软件工程专业

一、总论

（一）课程性质：

本课程是计算机科学与技术专业本科，软件工程专业本科的专业选修课

（二）开课目的与任务：

目的：使学生掌握人工智能的基本概念、基本原理、知识表示、推理机制和求解技术，以及相关研究领域的技术方法。启发学生对人工智能的兴趣，培养知识创新和技术创新能力，为今后在相关领域的研究打下坚实的基础。

任务：

1．了解人工智能的概念和人工智能的发展，了解国际人工智能的主要流派和路线，了解国内人工智能研究的基本情况，熟悉人工智能的研究领域。

2．掌握状态空间法、问题归约法和谓词逻辑法，熟悉语义网络法，了解知识表示的其他方法，如框架法、剧本法、过程法等。

3．掌握盲目搜索和启发式搜索的基本原理和算法，特别是宽度优先搜索、深度优先搜索、等代价搜索、启发式搜索、有序搜索、A*算法等．了解博弈树搜索、遗传算法和模拟退火算法的基本方法。

4．掌握消解原理、规则演绎系统和产生式系统的技术。

（三）课程教学重点、难点、手段等有关说明：

课程的重点：

1、状态空间法、问题归约法和谓词逻辑法知识表示方法。

2、盲目搜索和启发式搜索的基本原理和算法。

3、规则演绎系统和产生式系统。

课程的难点：

1、语义网络法，面向对象的知识表示方法。

2、代价搜索、启发式搜索、有序搜索、A*算法。

3、专家系统和机器学习。

教学手段及教学方法: 采用课堂讲授，课后自学，课堂讨论等教学手段和方法。

1、课堂讲授

在课堂上对人工智能的基本概念、原理和方法进行必要的讲授，并详细讲授每章的重点、难点内容；讲授中注意理论联系实际，通过必要的案例展示、讨论，启迪学生的思维，加深学生对有关概念、理论等内容的理解，并采用多媒体辅助教学，加大课堂授课的知识含量。

2、课后自学

为了培养学生整理归纳，综合分析和处理问题的能力，每章都安排一部分内容，课上教师只给出自学提纲，不作详细讲解，课后学生自学。

3、课堂讨论

课堂讨论的目的是活跃学习气氛，开拓思路。需认真组织，安排重点发言，充分调动每一名同学的学习积极性，做好总结。

4、习题课

习题课以典型例题分析为主，并适当安排开阔思路及综合性的练习及讨论。

5、课外作业

课外作业的内容选择基于对基本理论的理解和巩固，培养综合计算和分析、判断能力以及使用人工智能方法用于给定的问题，并能够选择适当的实现方法的能力。

二、课程内容及其学时分配、教学要求

（一）课程内容及学时分配：

章次 1 2 3 4 5 总计

（二）教学要求：

课程的教学要求大体上分为三个层次：了解、理解和认识。

1、了解是能正确判别有关概念和方法；

2、理解是能正确表达有关概念和方法的含义；

3、认识是在理解的基础上加以灵活应用。

三、实验

无

四、课程设计

无

五、教材及主要参考书 教材: 人工智能 丁世飞著 清华大学出版社 2010.12 主要参考书:

1、《人工智能：一种现代的方法（第3版）》Stuart J.Russell, Peter Norvig 著 清华大学出版社 2014.5

2、《人工智能（第2版）》贲可荣，张彦铎著 清华大学出版社 2013.3

课程内容 绪论 知识表示 搜索策略 确定性推理 机器学习

学时分配 4学时 8学时 8学时 6学时 6学时 32学时

3、《人工智能基础教程（第二版）》 朱福喜著 清华大学出版社 2011.5

4、《人工智能及其应用（第4版）》蔡自兴，徐光祐 著 清华大学出版社 2014.6

5、《人工智能原理及其应用(第3版)》 王万森 著 电子工业出版社 2012.9

六、考核办法

因为是考查课，所以采用平时+考试的方式进行考核。平时占50分，包括考勤、随堂小考、提问及课后思考设计题目等的完成状况；最后笔试试卷占50分，范围涵盖所有讲授及自学的内容。

第二篇：《人工智能》教学大纲

人工智能原理及其应用

一、说明

（一）课程性质

随着信息社会和知识经济时代的来临，信息和知识已成为人们的一个热门话题。然而，在这个话题的背后还蕴含着另外一个更深层的问题——智能。一般来说，信息是由数据来表达的客观事物，知识是信息经过智能性加工后的产物，智能是用来对信息和知识进行加工的加工器。在信息社会，人类面对的信息将非常庞大，仅靠人脑表现出来的自然智能是远远不够的，必须开发那种由机器实现的人工智能。

《人工智能导论》是计算机科学与技术专业本科生的一门限选课程。

（二）教学目的

使学生掌握人工智能的基本原理、方法及研究应用领域。了解人工智能中常用的知识表示技术，启发式搜索策略，了解原理以及非确定性推理技术。通过对典型专家系统的分析、解剖、进一步深入掌握人工智能的主要技术，去解决人工智能的一些实际问题。增强学生的逻辑思维与实验能力，为人今后处理各门学科的智能奠定基础。

（三）教学内容

人工智能的基本原理和方法，人工智能的三个重要研究领域（机器学习、神经网络学习和自然语言理解），人工智能的两个重要应用领域（专家系统和智能决策支持系统）。

（四）教学时数

36学时

（五）教学方式

课堂讲授和上机实验相结合。

二、本文

第1章 人工智能概述

教学要点

讨论人工智能的定义、形成过程、研究内容、研究方法、技术特点、应用领域、学派之争及发展趋势。教学时数

3学时 教学内容

1.1 人工智能及其研究目标（0.5学时）

了解人工智能的定义及其研究目标。

1.2 人工智能的产生与发展（0.5学时）

了解人工智能产生与发展的四个阶段。

1.3 人工智能研究的基本内容及其特点（0.5学时）

了解人工智能研究的基本内容及特点。

1.4 人工智能的研究和应用领域（0.5学时）

了解人工智能研究和应用领域。

1.5 人工智能研究的不同学派及其争论（0.5学时）

了解三大学派及其理论的争论和研究方法的争论。1.6 人工智能的近期发展分析

（0.5学时）

了解更新的理论框架研究，更好的技术集成研究，更成熟的应用方法研究。（0.5学时）考核要求

了解人工智能研究的基本内容和应用领域。

第2章

知识表示

教学要点

知识表示的基本概念和各种确定性知识表示方法。教学时数

6学时 教学内容

2.1 知识与知识表示概念

（0.5学时）

了解知识表示的概念和表示形式； 理解知识的定义。

2.2 一阶谓词逻辑表示法

（0.5学时）

理解一阶谓词逻辑表示的逻辑基础； 掌握谓词逻辑表示方法及其应用。2.3 产生式表示法（0.5学时）

了解产生式系统的基本过程、控制策略及其类型和特点； 掌握产生式表示的基本方法、基本结构。2.4 语义网络表示法（1学时）

理解语义网络的基本概念；

会应用语义网络表示事实和进行推理。2.5 框架表示法（2学时）

了解框架系统的问题求解过程和框架表示法的特点； 掌握框架结构和实例框架； 理解框架理论。2.6 脚本表示法

掌握脚本的结构及其推理。（0.5学时）2.7 过程表示法（0.5学时）

了解过程表示的特性；

掌握过程表示的问题求解过程； 理解表示知识的方法。

2.8 面向对象表示法

（0.5学时）

了解面向对象的特征；

理解面向对象的基本概念； 掌握知识的面向对象表示。考核要求

掌握逻辑词谓表示法及其应用，会用框架去描述一些具体问题，能用脚本来描述特定范围内的一些事件的发生顺序。

第3章 确定性推理

教学要点

推理的基本概念及归结、演绎等确定性推理方法。教学时数

5学时 教学内容

3.1 推理的基本概念（0.5学时）

了解正向推理、逆向推理、混合推理及其推理的冲突消解策略； 掌握推理的方法、推理的控制策略； 理解推理的概念。

3.2 推理的逻辑基础（1学时）

掌握谓词公式的各种特性和置换与合一的过程。3.3 自然演绎推理（0.5学时）

了解自然演绎推理的概念及其三段论推理规则。3.4 归结演绎推理（2学时）

掌握子句集及其化简，鲁宾逊归结原理；

会应用谓词逻辑归结证明问题，会用归结演绎推理的归结策略证明问题，会用归结反演求取问题的答案。

3.5 基于规则的演绎推理（1学时）

会应用规则正向演绎推理和规则逆向演绎推理。3.6 规则演绎推理的剪枝策略（0.5学时）

了解剪枝策略的基本思想。考核要求

理解确定性推理的思维过程，会应用谓词逻辑归结去求证问题，会应用规则正向演绎推理和规则逆向演绎推理。

第4章 不确定与非单调推理

教学要点

不确定性推理的有关概念及各种不确定性的表示和推理方法。教学时数

4学时 教学内容

4.1 不确定性推理的基本概念（0.5学时）

了解不确定推理的基本问题； 理解不确定推理的含义。

4.2 不确定性推理的概率论基础（0.5学时）

了解全概率公式与Bayes公式；

理解样本空间与随机事件，事件的概率。

4.3 确定性理论（0.5学时）

理解可信度的概念，C-F模型； 掌握带加权因子的可信度推理。

4.4 主观Bayes方法（0.5学时）

了解组合不确定性计算；

掌握知识不确定性表示，证据不确定性表示，结论不确定性的合成。4.5 证据理论（1学时）

掌握D-S理论的形式描述，证据理论的推理模型，推理实例。4.6 可能性理论和模糊推理（0.5学时）掌握模糊知识表示，模糊概念的匹配，模糊推理。4.7 非单调推理（0.5学时）

了解非单调推理的概念及起具有代表性的理论。考核要求

理解不确定性推理的含义、非单调推理的概念、确定性理论，掌握主观Bayes方法，能用D-S理论从不同角度刻划命题的不确定性，能在模糊集的基础上，实现对模糊命题和模糊知识的表示。

第5章 搜索策略

教学要点

搜索的基本概念和状态空间、与或树的各种搜索算法。教学时数

6学时 教学内容

5.1 搜索的基本概念（1学时）

了解搜索的含义；

掌握状态空间法，问题归约。

5.2 状态空间的盲目搜索（2学时）

了解一般图搜索过程；

掌握广度优先搜索，深度优先搜索，代价树搜索。5.3 状态空间的启发式搜索（0.5学时）

了解A算法；

理解启发性信息和估价函数。

5.4 与/或树的盲目搜索（0.5学时）

了解与/或树的一般搜索；

掌握与/或树的的广度优先搜索，与/或树的深度优先搜索。5.5 与/或树的启发式搜索（0.5学时）

了解与/或树的启发式搜索过程； 理解解树的代价与希望。

5.6 博弈树的启发式搜索（0.5学时）

了解极大极小过程，α-β剪枝。考核要求

了解搜索概念，博弈树的启发式搜索；掌握状态空间的盲目搜索和与/或树的盲目搜索。

第6章 机器学习

教学要点

机器学习的基本概念和各种符号学习方法。教学时数

4学时 教学内容

6.1 机器学习的基本概念（0.5学时）

了解机器学习的发展过程，学习系统，机器学习的分类； 理解学习和机器学习的概念。

6.2 机械式学习（0.5学时）

了解机械学习的过程及其设计要考虑的三个问题。6.3 指导式学习（0.5学时）

了解指导式学习的学习过程。

6.4 归纳学习（0.5学时）

了解归纳学习的类型。

6.5 基于类比的学习（0.5学时）

了解属性类比学习、转换类比学习； 理解类比学习的概念。

6.6 基于解释的学习（0.5学时）

了解解释学习的空间描述及学习模型； 理解解释学习的概念；

掌握解释学习的基本原理及基本过程。考核要求

了解机器学习的概念，机械式学习，指导式学习，归纳学习；掌握基于解释学习的基本原理及其基本过程。

第7章 神经网络及连接学习

教学要点

人工神经网络的概念和各种连接学习方法。教学时数

2学时 教学内容

7.1 人工神经网络概述（0.5学时）

了解人工神经元及人工神经网络人工神经网络的发展过程，人工神经网络的局限性； 理解生物神经元及脑神经系统的结构及特征。

7.2 人工神经网络的互连结构及其学习机理（0.5学时）

了解人工神经网络学习和记忆的心理学基础； 理解人工神经网络的互连结构； 掌握人工神经网络的学习算法。

7.3 感知器模型及其学习（0.5学时）

了解有关感知器XOR问题求解的讨论； 理解感知器模型，感知器学习。

7.4 误差反向传播网络及其学习（0.25学时）

理解B-P网络结构；

掌握B-P网络学习的传播公式，B-P网络的学习算法。7.5 Hopfield网络及其学习

（0.25学时）

了解Hopfield模型的稳定性

理解Hopfield网络的结构； 掌握Hopfield网络的学习算法。考核要求

了解人工神经网络及其结构和学习机理；理解感知器、B-P网络、Hopfield网络及其B-P网络；掌握Hopfield网络的算法。

第8章 自然语言理解

教学要点

自然语言理解的基本概念和分析方法。教学时数

2学时 教学内容

8.1 语言及其理解的基本概念（0.25学时）

了解自然语言与自然语言理解，自然语言理解的研究任务，自然语言理解的发展，自然语言理解的层次。

8.2 语法规则的表示方法（0.25学时）

掌握句子结构的表示，上下文无关文法，变换文法。8.3 语法分析（0.5学时）

掌握自顶向下与自底向上分析； 理解扩充转移网络分析。

8.4 语义的分析（0.5学时）

理解语义文法； 掌握格文法。

8.5 自然语言的生成（0.25学时）

了解自然语言生成的概念及生成步骤。

8.6 自然语言理解系统的层次模型（0.25学时）

了解语言理解的层次模型。考核要求

了解自然语言理解的概念，会用语法分析和语义的分析，了解自然语言理解系统的层次模型。

第9章 专家系统

教学要点

专家系统是人工智能的一个重要应用领域,它目前正在从集中、封闭模式向分布、开放模式发展。教学时数

3学时 教学内容

9.1 专家系统的基本概念（0.5学时）

了解专家系统的概念、分类及特点。

9.2 专家系统的基本结构（0.5学时）

了解用户界面；

理解知识库、数据库、推理机、解释机构、知识获取机构。9.3 知识获取（0.5学时）

了解知识获取方法的分类； 理解知识获取的任务；

掌握非自动知识获取，自动知识获取。

9.4 专家系统的开发与评价（0.5学时）

了解专家系统的开发条件，生命期概念，专家系统开发过程的各个阶段。9.5 专家系统开发工具与环境（0.5学时）

了解程专家系统的开发工具与开发环境。9.6 专家系统的进一步发展

（0.5学时）

了解新一代专家系统。考核要求

了解专家系统的概念、基本结构及其开发工具与环境；掌握非自动知识获取和自动知识获取。

第10章 智能决策支持系统

教学要点

智能决策支持系统是人工智能的另一重要应用领域,它是目前迅速兴起的网络商务中的一项重要技术,有着广阔的应用前景 教学时数

2学时 教学内容

10.1 智能决策支持系统的基本概念（0.5学时）

了解智能决策支持系统；

理解决策与决策过程，决策支持系统。

10.2 决策支持新技术（1学时）

理解数据仓库、数据开发及其它们的结合。

10.3 智能决策支持系统的基本结构

（0.5学时）

掌握智能决策支持系统的基本结构。考核要求

了解智能决策支持系统及其新技术，知道智能决策支持系统的结构及新结构体系；理解决策与决策过程，决策支持系统；智能决策支持系统的基本结构。

三、参考书目

1、王万森，《人工智能原理及其应用》，电子工业出版社，2000年9月第一版。

2、林尧瑞、马少平，《人工智能导论》，清华大学出版社，1989年5月第一版。

3、陈世福、陈兆乾等编，《人工智能与知识工程》，南大出版社，1997年12月第一版。

4、何华灿，《人工智能导论》，西北工业大学出版社，1988。

5、陈汝铃，《人工智能》，科学出版社，1989。

第三篇：《人工智能》详细教学大纲[定稿]

……………………………… ………………………………………………………………装……订……线……………………………………………………………………………………………………………

《人工智能》教学大纲

课程名称：人工智能 英语名称：Artificial Intelligence 课程代码：130234 课程性质：专业必修 学分学时数： 5/80 适用专业：计算机应用技术

修（制）订人： 修（制）订日期：2009年2月 审核人： 审核日期： 审定人： 审定日期：

一、课程的性质和目的

（一）课程性质

人工智能是计算机科学理论基础研究的重要组成部分，人工智能课程是计算机科学技术专业的专业拓展选修课。通过本课程的学习使学生了解人工智能的提出、几种智能观、重要研究领域，掌握人工智能求解方法的特点。掌握人工智能的基本概念、基本方法，会用知识表示方法、推理方法和机器学习等方法求解简单问题等。

（二）课程目的

1、基本理论要求：

课程介绍人工智能的主要思想和基本技术、方法以及有关问题的入门知识。要求学生了解人工智能的主要思想和方法。

2、基本技能要求：

学生在较坚实打好的人工智能数学基础（数理逻辑、概率论、模糊理论、数值分析）上，能够利用这些数学手段对确定性和不确定性的知识完成推理；在理解Herbrand域概念和Horn子句的基础上，应用Robinson归结原理进行定理证明；应掌握问题求解（GPS）的状态空间法，能应用几种主要的盲目搜索和启发式搜索算法（宽度优先、深度优先、有代价的搜索、A算法、A*算法、博弈数的极大—极小法、α―β剪枝技术）完成问题求解；并能熟悉几种重要的不确定推理方法，如确定因子法、主观Bayes方法、D—S证据理论等，利用数值分析中常用方法进行正确计算。

3、职业素质要求：结合实战，初步理解和掌握人工智能的相关技术。

二、教学内容、重（难）点、教学要求及学时分配 第一章：人工智能概述（2学时）

1、讲授内容：（1）人工智能的概念

（2）人工智能的研究途径和方法（3）人工智能的分之领域（4）人工智能的基本技术（5）人工智能的发展概况

2、教学要求：

了解：研究途径和方法、人工智能的分之领域、基本技术和发展概况。理解：人工智能的基本概念、基本技术

掌握：人工智能的发展概况，人工智能研究的课题种类

3、教学重点：人工智能概念

4、难点：人工智能的研究途径和方法

第二章：基于谓词逻辑的机器推理（2学时）

1、讲授内容：（1）一阶谓词逻辑（2）归结演绎推理

（3）应用归结原理求取问题答案（4）归结策略

（5）Horn子句归结与逻辑程序（6）非归结演绎推理

2、教学要求：

了解：一阶谓词逻辑的基本概念

理解：应用归结远力求取问题答案的方法和Horm自居归结于逻辑程序的方法以及非归结演绎原理的方法和途径

掌握：归结演绎推理

3、教学重点：归结演绎推理

4、难点：Horn子句归结与逻辑程序

第三章：图搜索技术（5学时）

1、讲授内容：（1）状态图搜索（2）状态图问题求解（3）与或图搜索（4）与或图问题求解（5）博弈树搜索

2、教学要求：

了解：常用的图搜索技术 理解：与或图搜索问题的原理 掌握：与或图的启发式搜索算法AO

3、教学重点：与或图的启发式搜索算法AO

4、难点：与或图搜索

第四章：产生式系统（2学时）

1、讲授内容：（1）产生式规则（2）产生式系统

（3）产生式系统与图搜索（4）产生式系统的应用

2、教学要求： 了解：产生式

理解：谓词逻辑归结原理 掌握：Herbrand定理

3、教学重点：谓词逻辑归结原理

4、难点：Herbrand定理

第五章：知识表示（2学时）

1、讲授内容：（1）知识及其表示（2）框架（3）语义网络

（4）面向对象知识表示

2、教学要求： 了解：知识表示的概述 理解：几种知识表示方式 掌握：产生式表示 语义网络表示

3、教学重点：产生式表示 语义网络表示

4、难点：框架表示

第六章：不确定性推理方法（6学时）

1、讲授内容：

（1）不确定性及其类型（2）不确定性知识的表示（3）不确定性推理的一般模式（4）确定性理论（5）证据理论（6）模糊推理

2、教学要求：

了解：不确定性推理方法的概述 理解：论证理论 模糊推理 掌握：论证理论

3、教学重点：论证理论 模糊推理

4、难点：证据理论(D-Stheory)第七章：专家系统（4学时）

1、讲授内容：（1）专家系统的概念（2）专家系统的结构（3）专家系统的应用与发展（4）专家系统设计与实现（5）专家系统开发与环境（6）新一代专家系统研究

2、教学要求：

了解：专家系统的概述、专家系统的组成结构与发展 理解：专家系统的设计与实现 掌握：专家系统的开发与使用

3、教学重点：专家系统的设计与实现

4、难点：新一代专家系统概述

第八章：机器学习（10学时）

1、讲授内容：（1）符号学习（2）神经网络学习

2、教学要求： 了解：机器学习的概述 理解：符号学习

掌握：常用的机器学习的方式

3、教学重点：神经网络学习

4、难点：遗传算法

三、各教学环节的基本要求

（一）课堂讲授

1、教学方法

（1）注重理论指导的作用，积极探究达到最佳视觉效果的典型做法。同时贯彻理论和实践相结合的原则，给学生出一定量的思考，并要求学生完成一定量的作业，以提高学生的理论水平，培养学生的动手能力和创新精神。

（2）把握课程的重难点，及时总结深化所学内容，并针对重难点布置适当的综合练习。以便达到良好的教学效果。

2、教学手段

（1）采用理论讲解、操作示范等多种方式，充分利用多媒体等现代化教学手段，整体优化教学过程和教学内容，调动学生学习积极性，进行启发式的教学。

（2）注重学生动手能力的培养，积极鼓励和引导学生对所学的知识、技能加以拓宽、深化。

3、教学辅助资料

CAI课件

（二）作业、答疑和质疑

1、作业

2、答疑和质疑

（三）考核方式

1、考核方式：考试

2、成绩评定：期末考试70%，平时成绩30%

四、与其他课程的联系与分工

本课是计算机及相关专业学生的专业选修课，选修本课须有比较全面的计算机知识。先行课程：《离散数学》、《高等数学》、《概率论》、《线性代数》、《C语言程序设计》、《数据结构》

五、建议教材及教学参考书

（一）建议教材

《人工智能及其应用》，蔡自兴，徐光祐。清华大学出版社，2000年5月。

（二）教学参考书

《人工智能（上、下册）》，陆汝钤，北京：科学出版社，1996年。

第四篇：人工智能论文——关于人工智能新突破

人工智能导论

学院：工程学院

班级：软件工程0901

学号：A07090311

姓名：张丹

人工智能技术新突破

摘要：人工智能是当前科学技发展的一门前沿学科，同时也是一门新思想，新观念，新理论，新技术不断出现的新兴学科以及正在发展的学科。它是在计算机科学，控制论，信息论，神经心理学，哲学，语言学等多种学科研究的基础发展起来的，因此又可把它看作是一门综合性的边缘学科。它的出现及所取得的成就引起了人们的高度重视,并取得了很高的评价。有的人把它与空间技术，原子能技术一起并誉为20世纪的三大科学技术成就。

归纳逻辑是人工智能的逻辑基础。伴随人工智能研究的逐步深入，科学哲学、人工智能和归纳逻辑研究相互影响，出现了新的研究方向。以归纳逻辑为基础，多学科相互合作，可以建立新的机器学习系统或归纳学习系统。

关键词：人工智能发展；综合性边缘学科；归纳逻辑；机器学习；专家系统一、智能计算机的发展

1．1人工智能概述

人工智能的进一步发展是基于归纳逻辑的基础之上的。近年来，人工智能与五代机的研究，所涉及的专家系统、机器学习、知识处理方面都必然运用归纳逻辑。一些研究者试图把归纳逻辑系统带入人工智能研究领域，从而找到一定的正确的方法来发展人工智能研究理论系统。

人工智能（Artificial Intelligence，简称AI）是计算机学科的一个分支，20 世纪70 年代以来，被称为世界三大尖端技术（空间技术、能源技术、人工智能）之一，也被认为是21 世纪三大尖端技术（基因工程、纳米科学、人工智能）之一。近三十年来，人工智能获得了迅速的发展，在很多学科领域都获得了广泛应用，并取得了丰硕的成果，在理论和实践上都已自成一个系统。

美国斯坦福大学人工智能研究中心的尼尔逊教授对人工智能下了这样一个定义：“人工智能是关于知识的学科———怎样表示知识以及怎样获得知识并使用知识的科学。”美国麻省理工学院的温斯顿教授认为：“人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。”[2]普特南指出：“20 世纪早期逻辑领域出现的两位巨人哥德尔（Kurt Godel）和杰克斯·赫伯德（Jacgues Herbrand）对于人工智能研究作出了重要的贡献。”[3]1936 年，由图林提出的图林机器本来是个逻辑学的概念，并非为计算机的研制而提出，但图林机器理论与冯·诺意曼的程序内存思想为计算机科学与技术奠定了重要的理论基础。我国著名逻辑学者陈波教授认为，计算机科学和人工智能研究将是21 世纪早期逻辑学发展的主要动力源泉，并将由此决定21 世纪逻辑学的另一幅面貌[4]。人工智能所具有的独特的学科性质为逻辑学的研究和发展提出了更高的标准和挑战，逻辑学研究的对象、方法和意义都必将取得新的发展与突破。人工智能是用计算机来对人类思维过程和智能进行模拟（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理，制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。人工智能几乎涉及自然科学和社会科学的所有学科，其研究范围非常广阔，包括问题求解、定理证明、专家系统、机器学习、智能控制、智能检索等。在人工智能的发展过程中，虽然对归纳的模拟以及智能化早就开始，但真正受到重视而且取

得重大进展还是在专家系统与知识工程出现之后。机器学习的核心是归纳学习问题，人工智能在处理不确定性推理的手段时，无论是数值型或非数值型的，特别是其中的非单调推理，都是与归纳学习密切相关的。值得强调的是，非单调推理对不确定性推理的处理方法与归纳逻辑不同，它对归纳逻辑有很大的启发。

在人工智能研究中，归纳的研究和不确定性推理密切相关，神经网络的研究运用这方面的知识并开创了新的学习模型。在专家系统中，机器学习、不确定性推理都包含了归纳推理这一要素。正是有了归纳推理，机器才能完成发现定律之类的高级智能活动与行为。20 世纪50 年代出现了对机器学习的研究，并且得到了普遍的应用和发展。在人工智能的发展进程中，对归纳的模拟研究已占据前所未有的重要地位，归纳学习已经成为机器学习的核心内容。

1．2人工智能研究的新发展

上述这些理论与发展也为基于归纳基础之上的人工智能应用研究提供了许多可行性条件。人们逐步认识到，专家系统是人工智能从学科发展研究逐渐趋向实际应用，从一般的思维方式方法发展到专门知识运用的重大突破。专家系统在各方面的应用也促进了人工智能基本理论和基本技术的进一步发展。专家系统是一种在一定领域中具有专家水平解决难题能力的智能程序系统，它能灵活运用专家积累的经验和专门知识，求解通常需由人类专家所完成的任务(如医疗诊断)。专家系统的特点是将人类专家的知识用符号来表示，其中最受欢迎的方式是将知识表示为一套规则，如“若x 咳血，则X 很可能得了肺病”[5]。可是，到20 世纪70 年代末，当专家系统已发展成实用的AI 技术时却面临一个重大困难，即人类专家大都很难清楚明确地表达出知识库所需要的形式规则，因为他们很可能意识不到自己是如何做的。因此，访谈效果往往不够理想。这就是费根鲍姆所谓的关于专业知识获取的“瓶颈问题”[6]。专家系统在知识获取方面的能力比较弱，存在不少有待解决的问题，例如知识的完备性问题、多专家合作与综合问题、知识的自动获取问题、分布式知识的处理问题等。计算机获取知识的途径还主要依靠人类操作，以机器可利用的形式将知识输入到机器中。通过这种方法获取知识存在一定弊端，人们不得不探究第二条道路来解决计算机获取知识的问题，这就是机器学习。近些年来，随着机器学习研究的发展，人们逐渐认识到，可以使用机器学习的相关知识与专门技术直接从具体事例中归纳出规则，而不必为如何从专家口中获得规则而感到困惑，这正是人工智能逻辑学派在机器学习研究发展中的具体目标。机器学习是人工智能发展中一个十分活跃的领域。所谓机器学习，是指系统为了适应环境而产生的某种长远变化，这种变化使得系统能够更有效地在下一次完成同一或同类工作[7]。

机器学习的研究目的，是希望计算机具有能像人类一样从现实世界中获得知识的能力。同时，建立学习的计算理论，构造各种学习系统并将之应用到各个领域中去。其实质是，通过计算机的归纳与类比等方法，利用其内部现有的知识来加以分析、判断、修改和完善的过程。人工智能诞生以来，研究者们一直试图理解学习的过程和创造能够学习的计算机程序。一些专家认为，机器学习作为计算机科学中人工智能的一个分支，主要有两个任务：一是模拟人类是如何学习和工作的，二是完成一些人类无法完成的工作。根据人类学习的特点，机器学习的研究应向下列方向发展：

（1）建立模拟人类学习过程的学习模型，深入研究学习过程的神经生理机制和心理学本质。这不仅要用到人工智能的一般方法，而且也需要认知心理学、归纳逻辑和其他学科的知识。

（2）进行基础研究，了解人类学习速度慢、效率低的原因，发展各种学习理论，探讨

所有可能的学习方法与算法。

（3）探讨人类学习和机器学习的异同及相互联系，研究知识的表示方法及自然语言的接口[8]。所以说，在不同程度上运用归纳逻辑，有助于促使人工智能的成功应用。

二、人工智能的前沿——基于归纳逻辑的人工智能研究概述

归纳逻辑是逻辑科学的一个重要领域。归纳逻辑研究或然性推理，即当其前提为真时，结论很可能为真但不必然为真。人们对真理的追求与归纳逻辑的产生和发展有着密切的联系。从历史上着，归纳、归纳方法、归纳逻辑是既相互联系而又相互区别的。从德谟克里特、亚里士多德到培根与穆勒、莱布尼兹与布尔，他们研究演绎逻辑，同时也研究归纳逻辑。严格说来，他们所研究的与其说是归纳逻辑，还不如说是归纳方法。这集中表现在培根提出的三表法（即本质存在表、差异表、比较表）与穆勒提出的确定现象间因果联系的归纳五法（实验五法：契合法、差异法、契合差异并用法、剩余法、共变法）。在这一阶段，哲学家与逻辑学家、科学家（如牛顿等人）探讨过有关归纳的很多理论问题，强调了归纳方法在实验科学中的发现作用，明确提出了两种基本的归纳方法，即枚举法与排除法。同时，他们几乎都将归纳与因果性联系起来，认为在本体论上归纳必须建立在具有自然齐一性的因果性之上[9]。

在现实生活环境中，归纳逻辑有着广泛的应用领域。自然科学研究和社会科学研究都离不开归纳，我们日常的行为活动也离不开归纳。休谟提出的“归纳问题”对归纳推理的合理性和归纳逻辑的可能性提出了质疑，然而它的这种可能性正在计算机科学和人工智能的研究推动下逐渐地变成现实。20 世纪20 年代，凯恩斯将概率理论与归纳逻辑相结合，建立了第一个概率逻辑系统，这标志着现代归纳逻辑的产生。现代归纳逻辑可分成三大派别，即经验主义学派、逻辑贝叶斯主义学派与主观贝叶斯学派(频率学派、逻辑学派)和私人主义学派。

在我国，现代归纳逻辑兴起于20 世纪80 年代初。80 年代中期到90 年代中期，对现代归纳逻辑的研究是逻辑学界的热点之一。学者们把归纳逻辑的相关知识与人工智能相结合的研究取得了一定进展。但归纳逻辑发展到现阶段还很不成熟，还需要进一步研究和发展。有的学者指出，为了在机器的智能模拟中克服对归纳模拟的困难，应该将归纳逻辑等有关的基础理论研究与机器学习、不确定推理和神经网络学习模型与归纳学习中已有的成果结合起来，这样才能在已有的归纳学习成果上，在机器归纳和机器发现上取得新的突破和进展[10]。当对人工智能的研究由数据处理转入知识处理时，对归纳逻辑系统进行深入的研究就是必要的了，这是一个极有价值且极富挑战性和前沿性的研究课题。

三、结语

人工智能研究将是21 世纪早期逻辑学发展的主要动力源泉。人工智能研究必须建立在归纳逻辑基础之上，从而达到多领域交叉合作来共同促进人工智能研究的广泛而深远的发展。我们现在所涉及的基于归纳逻辑的人工智能以及机器学习和归纳学习的系统研究还处于初级阶段。正如王雨田教授所说，在未来的计算机归纳学习或发现的研究中，将归纳逻辑的某些理论、方法或系统与机器学习、不确定性推理、神经网络中对归纳逻辑的研究适当“嫁接”起来，以改进并逐步革新现有的归纳学习系统，促使机器学习中归纳学习的基础理论形成，并进一步从事归纳发现与归纳学习的基础理论与系统的研究和开发，这是人工智能科学研究中的一项重大任务。

第五篇：人工智能 2012年研究生课程教学大纲

武汉工程大学2012年《人工智能基础》考研考试

一、命题原则：

1、考察学生对基础知识（包括基本概念、基本内容、基本结论、基本计算）的掌握程度以及运用已掌握的知识分析和解决问题的能力。

2、考试对象为报考我校模式识别与智能系统专业各方向的研究生入学考试考生。

3、难易适度，难中易比例：容易：30%，中等：40%，偏难20%，难：10%。

4、考试知识点覆盖率达80%以上。

二、题型、分值及考试时间：

1、题型包括：填空题、对错题、名词解释、计算题、简答题

2、考试时间：180分钟

3、满分：150分

三、考试内容与要求

第一章绪论

1.1人工智能的定义和发展

1.2人类智能和人工智能

1.3人工智能各学派的认知观

1.4人工智能的研究与应用领域

第二章知识表示方法

2.1状态空间法

2.2问题规约法

2.3谓词逻辑法

2.4语义网络法

2.5框架表示

2.6剧本表示

2.7

第三章

3.1

3.2

3.4

3.5

3.6

3.7过程的表示 搜索推理技术 图搜索策略 盲目搜索 消解原理 规则演绎系统 产生式系统 系统组织技术 3.3启发式搜索

3.8不确定推理

3.9非单调推理

第四章神经计算 模糊计算

4.1 概述

4.2 神经计算

4.3 模糊计算

第五章专家系统

6.1专家系统概述

6.2基于规则的专家系统

6.3基于框架的专家系统

6.4基于模型的专家系统

6.5新型专家系统

6.6专家系统的设计

6.7专家系统开发工具

第六章机器学习

7.1机器学习的定义和发展历史

7.2机器学习的主要策略和基本结构

7.3机械学习

7.4归纳学习

7.5类比学习

7.6解释学习

7.7神经学习

7.8知识发现

第七章自动规划

8.1规划系统的定义与任务

8.2积木世界的机器人规划

8.3STRIPS规划系统

8.4

8.5 具有学习能力的规划系统 分层规划

8.6 基于专家系统的规划

第八章智能控制

12.1 智能控制的发展与定义

12.2 智能控制的结构理论与特点

12.3 智能控制系统

12.4 智能控制的应用领域

第九章人工智能的展望

13.1 人工智能的争论

13.2 人工智能对人类的影响

13.3 对人工智能的展望

四、主要参考书

推荐参考教材：

（1）人工智能及其应用（第三版）.蔡自兴，徐光祐主编.清华大学出版社.2003年

（2）人工智能原理及其应用(第2版).王万森 编著.电子工业出版社.2007.1

（3）人工智能（第一版）.张彦铎主编.清华大学出版社.2007年

（4）Artificial Intelligence: A New Synthesis.Morgan Kanfmann.N.J.Nilsson主编.机械工业出社.1999