人工智能 计算Agent基础pdf

人工智能 计算Agent基础 作者：[加] 普尔（David L.Poole），[加] 麦克活思（Alan K.Mackworth）

人工智能 计算Agent基础 出版社： 机械工业出版社

人工智能 计算Agent基础 内容简介

《计算机科学丛书·人工智能：计算agent基础》有机地将理论与实践结合起来，既详细地介绍了各种人工智能理论，又提供了实现的思路和程序，这将有利于本科生或研究生在学习人工智能时把对人工智能的理性认识转化为对具体程序的感性认识，从而弥补大部分人工智能教材偏重于理论的缺陷。《计算机科学丛书·人工智能：计算agent基础》可供计算机科学或计算机工程、哲学、认知科学和心理学等相关学科的高年级本科生或研究生学习。

人工智能 计算Agent基础 目录

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

1.1 什么是人工智能

1.2 人工智能简史

1.3 环境中的

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

1.5.6 Agent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

1.1 0习题

第2章 Agent体系结构和分层控制

2.1 Agent

2.2 Agent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

3.6.1 A*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

3.1 0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

5.4.1 Horn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

……

第四部分 个体与关系的推理

第五部分 宏观图景

人工智能 计算Agent基础 精彩文摘

1.5.3规划期

下一个维度是用来说明Agent规划的向前时间的程度。例如，一只狗被叫过来，它会为了未来能得到奖励而奔跑，而不仅仅是为了得到即时的奖励而行动。狗不会为了未来任意无限期长的目标而行动（例如几个月后），而人类可以（例如为了得到明年的假期而努力工作），这个说法看来是对的。

当Agent决定做什么时，能够观察到未来的远近，我们称之为规划期。也就是说，规划期是Agent认为它的动作结果所能影响的向前程度。从完备性上来说，包括Agent不能及时进行推理的非规划情况。我们把Agent做规划时所考虑的时间点称为阶段。

在规划期维度中，Agent可以分为以下几种：非规划Agent，是指在决定做什么时，不考虑未来的影响，或者不涉及时间的Agent。有限期规划者，是指遵循固定有限时间步的Agent。例如，医生治疗病人，但之前一般会花一些时间做一些检查，所以整个过程可以分为两个阶段来规划：检查阶段、治疗阶段。在退化状况下，Agent可能只进行一个时间步，我们称它是贪婪的或目光短浅的。

不确定期规划者，是指能够向前探索几步但是不预先确定多少步的Agent。例如，一个Agent必须到达一个位置，但是预先木确定到达那个位置需要多少步。