摘要： 当前，人工智能（artificial intelligence，AI）已经成为计算机科学基础理论研究的热点和前沿研究领域，这部分源于不久以前由Google公司研制的智能围棋机器人AlphaGo的技惊四座的表现，而AlphaGo的优异表现源于以Hinton教授为首的三位从事人工智能领域中一个重要研究方向——深度学习（deep learning）的计算机科学家的开创性工作。这三位学者也因此摘得了2018年图灵奖（Turing Award）。事实上，自从阿兰·图灵（Alan Turing）提出图灵测试这个在人工智能诞生的过程中具有重要里程碑意义的方法至今，使计算机从一个仅仅只能用于科学计算的工具变成具有类似于人的思维能力的智能工具一直是计算机科学家追求的最高目标。由于人工智能所涉及的学科领域极为广泛，是真正意义上的跨学科领域，因此本书也仅仅只能展现这个计算机专业前沿领域的冰山一角。尽管如此，作者还是根据人工智能领域基础理论支撑的力度，并且结合当前这一研究领域的热点，精心选择了模糊计算、演化计算、机器学习（包括深度学习）、复杂网络以及数据挖掘（只涉及最核心的基础理论）作为讲授内容。这样做一方面是为了给读者打下坚实的人工智能理论学习基础，另一方面是考虑到应该尽可能地避免挂一漏万。
作为人工智能理论基础的智能信息处理方法是通过从自然界中各类生物的生存方式、行为以及人类智慧中所蕴含的丰富哲理获得一定的启发而设计出来的一类模拟算法的总称。随着科学和技术的不断发展，在科学研究和工程实践中遇到的问题越来越复杂，使用传统的算法来求解往往将会导致计算复杂度越来越高、计算时间越来越长等瓶颈问题。尤其是对于一些NPhard（nondeterministic polynomial hard）问题，传统的算法几乎不可能在可以被接受的时间以内求出精确的解。因此，为了在求解精度和求解时间之间取得平衡，计算机科学家发明了许多具有启发式特性的智能信息处理方法。这些智能算法包括模拟生物演化行为和过程的遗传算法、模拟生物群体自组织行为的群智能算法以及模拟人的大脑思维和学习过程的机器学习算法等各种智能算法。这些算法的最主要特征体现为它们都能够在可被接受的时间之内求得可被接受的解（不一定是精确解），尽管不一定能得到精确解，但是这些算法的最大优势在于它们能够大大地减少计算时间。
但是，我们也必须承认，当前的智能信息处理方法仍然处于不断的发展和完善的过程中。其主要原因在于这些算法与传统算法不同，它们中有一部分目前仍然没有找到严格的数学理论依据。尽管如此，这些算法还是建立在比较可靠的哲学基础之上。因此，人工智能无论是从其基础理论研究还是从其应用领域研究来说，发展速度都非常迅速。目前，人工智能技术已经在模糊推理、图像处理、模式识别、自然语言处理、经济管理、生物医学、自动控制等诸多应用领域获得了相当丰富的成果。与此同时，相关的国际会议和学术期刊也为人工智能领域的研究和发展营造了良好的研究环境和学术氛围。因此，理解并掌握智能信息处理方法不仅已成为计算机专业学子的必备专业技能，而且也应成为广大理工科学子的迫切要求。熟练地运用这些算法去解决现实中遇到的许多复杂计算问题也日益成为广大科学工作者以及工程技术人员的必备能力。
前言人工智能
基础教程正是由于以上种种需求，因此，需要有一本既适合于大学课堂教学又有利于读者自学的从基础理论到应用实践全方位系统介绍人工智能的图书。
这本书的主要特点是在介绍每一种智能信息处理方法之前几乎都追溯了算法设计的思想渊源。这主要是因为每一种智能算法设计背后所依据的思想都是十分深刻的，如果不深入细致地琢磨、理解、领悟这些思想，甚至根本不知道这些思想，我们就不可能理解这些算法背后的本质，甚至根本不理解什么是人工智能、它和人类智能的区别究竟在何处，以至于对人工智能陷入盲目崇拜的地步。通过对本书的阅读，读者不仅能够非常透彻地理解人工智能这个学科，而且甚至可能激发其对全新的智能算法的设计与研究热情，因为这本书中具有十分浓厚的启发性元素。除此以外，为了增强实践性，本书在每一章中，几乎都配有将人工智能算法应用到实践领域中解决实际问题的具体案例，非常适合读者自学。最后，为了便于教学，在全书的最后（附录部分），附上了书中部分章节可以开设的相应实验以及与之相应的参考源程序，供教师教学参考。
全书内容总共分为9章。第1章是绪论，主要对人工智能的发展历程以及背景知识，人工智能算法的分类与理论、研究与发展、特征与应用等进行简要介绍；第2章主要介绍模糊理论；第3章主要介绍机器学习算法，包括深度学习算法的简要介绍；第4章和第5章主要介绍人工智能技术中必备的两种基本方法——分类和聚类；第6章主要介绍遗传算法；第7章和第8章分别介绍基于自组织系统的群智能算法——蚁群优化算法和粒子群优化算法；第9章主要介绍目前应用最为广泛的两种复杂网络方法，即小世界网络模型和无标度网络模型。本书既可作为计算机科学、智能科学、数据科学等专业高年级本科生或研究生教材使用，也可作为对AI领域发展或AI技术有兴趣的广大读者了解或自学人工智能的辅助读物。如果作为教材，建议本书的理论授课学时数为60~70学时，上机实验学时数为10学时。如果学时数不够，可以根据各个学校相关专业发展的实际需要做相应的调整。
本书在编著的过程中得到了文华学院信息科学与技术学部的大力支持和帮助，尤其是翁广安老师（博士），他在百忙之中就本书附录部分的上机实验以及参考源程序与编者进行了长期深入的交流，并提出了许多宝贵的意见和建议，在此一并表示衷心的感谢。同时对在编著成书的这段时间给予编者默默支持和帮助的家人和朋友表示感谢。
由于编者才疏学浅，人工智能又是一个新兴的高科技领域，因此在理解和认识上难免出现有失偏颇之处，恳请广大读者批评指正，将不胜感激。
简介：
第1篇导论
第1章绪论/2
1.1人工智能的产生和发展/3
1.2最优化问题分类/6
1.3计算复杂性理论/9
1.4智能信息处理方法/11
第2篇模糊理论
第2章模糊信息处理/17
2.1模糊逻辑概述/18
2.2模糊集合与模糊逻辑/20
2.3模糊逻辑推理/25
2.4模糊计算/29
2.5模糊计算的应用现状与发展前景/33
第3篇机器学习
第3章人工神经网络与机器学习/37
3.1预备知识/38
3.2人工神经网络模型/44
3.3人工神经网络的经典结构/48
3.4人工神经网络学习算法/50
3.5基于反向传播学习的前馈型神经网络/54
3.6基于深度学习算法的深度神经网络/64
3.7机器学习的应用与发展/72
第4篇数据挖掘基础
第4章分类算法/77
4.1分类的基本概念/78
4.2基于距离的分类算法/79
4.3基于决策树的分类算法/82
4.4贝叶斯分类算法/98
4.5规则归纳/107
第5章聚类算法/117
5.1聚类算法概述/117
5.2划分聚类算法/125
5.3层次聚类算法/133
5.4密度聚类算法/139
5.5其余聚类算法/143
第5篇演化计算
第6章遗传算法/148
6.1遗传演化理论概述/148
6.2遗传算法的基本理论/153
6.3遗传算法的实现方式/158
6.4遗传算法的改进研究/167
6.5遗传算法的应用与发展/172
第7章蚁群优化算法/174
7.1自组织系统概述/175
7.2蚁群优化算法概述/177
7.3蚁群优化算法的实现方式/180
7.4蚁群优化算法的改进研究/187
7.5蚁群优化算法的控制参数设置/199
7.6蚁群优化算法的应用现状/201
第8章粒子群优化算法/203
8.1粒子群优化算法概述/205
8.2粒子群优化算法的实现方式/208
8.3粒子群优化算法的改进研究/213
8.4粒子群优化算法的应用现状/219
第6篇复杂系统基础
第9章复杂网络方法/222
9.1复杂网络理论概述/222
9.2小世界网络模型/233
9.3无标度网络模型/235
9.4复杂网络方法的应用现状与发展前景/239
附录部分章节实验参考源程序/241
附录A机器学习算法参考源程序/242
附录B遗传算法参考源程序/246
附录C蚁群优化算法参考源程序/249
附录D粒子群优化算法参考源程序/252
参考文献/254
课 件
