人工智能：一种现代的方法（第3版）

　　《世界著名计算机教材精选·人工智能：一种现代的方法（第3版）》是最权威、最经典的人工智能教材，已被全世界100多个国家的1200多所大学用作教材。
　　《世界著名计算机教材精选·人工智能：一种现代的方法（第3版）》的*版全面而系统地介绍了人工智能的理论和实践，阐述了人工智能领域的核心内容，并深入介绍了各个主要的研究方向。全书分为七大部分：第1部分“人工智能”，第II部分“问题求解”，第III部分“知识、推理与规划”，第IV部分“不确定知识与推理”，第V部分“学习”，第VI部分“通信、感知与行动”，第VII部分“结论”。《世界著名计算机教材精选·人工智能：一种现代的方法（第3版）》既详细介绍了人工智能的基本概念、思想和算法，还描述了其各个研究方向最前沿的进展，同时收集整理了详实的历史文献与事件。另外，本书的配套网址为教师和学生提供了大量教学和学习资料。
　　本书适合于不同层次和领域的研究人员及学生，是高等院校本科生和研究生人工智能课的*教材，也是相关领域的科研与工程技术人员的重要参考书。

　　Stuart Russell，1962年生于英格兰的Portsmouth。他于1982年以一等成绩在牛津大学获得物理学学士学位，并于1986年在斯坦福大学获得计算机科学的博士学位。之后他进入加州大学伯克利分校，任计算机科学教授，智能系统中心主任，拥有Smith-Zadeh工程学讲座教授头衔。1990年他获得国家科学基金的“总统青年研究者奖”（Presidential Young Investigator Award），1995年他是“计算机与思维奖”（Computer and Thought Award）的获得者之一。1996年他是加州大学的Miller教授（Miller Professor），并于2000年被任命为首席讲座教授（Chancellor’s Professorship）。1998年他在斯坦福大学做过Forsythe纪念演讲（Forsythe Memorial Lecture）。他是美国人工智能学会的会士和前执行委员会委员。他已经发表100多篇论文，主题广泛涉及人工智能领域。他的其他著作包括《在类比与归纳中使用知识》（The Use of Knowledge in Analogy abd Induction）．以及（与Eric Wefald合著的）《做正确的事情：有限理性的研究》（Do the Right Thing: Studies in Limited Rationality）。
　　Peter Norvig，现为Google研究院主管（Director of Research），2002-2005年为负责核心Web搜索算法的主管。他是美国人工智能学会的会士和ACM的会士。他曾经是NASAAmes研究中心计算科学部的主任，负责NASA在人工智能和机器人学领域的研究与开发，他作为Junglee的首席科学家帮助开发了一种最早的互联网信息抽取服务。他在布朗（ Brown）大学得应用数学学士学位，在加州大学伯克利分校获得计算机科学的博士学位。他获得了伯克利“卓越校友和工程创新奖”，从NASA获得了“非凡成就勋章”。他曾任南加州大学的教授，并是伯克利的研究员。他的其他著作包括《人工智能程序设计范型：通用Lisp语言的案例研究》（Paradigms of AI Programming: Case Studies in Common Lisp）和《Verbmobil：一个面对面对话的翻译系统》（Verbmobil:A Translation System for Face-to-FaceDialog），以及《UNIX的智能帮助系统》（lntelligent Help Systemsfor UNIX）。

第1部分 人工智能
第1章 绪论
1.1 什么是人工智能
1.2 人工智能的基础
1.3 人工智能的历史
1.4 最新发展水平
1.5 本章小结
参考文献与历史注释
习题
第2章 智能Agent
2.1 Agent和环境
2.2 好的行为：理性的概念
2.3 环境的性质
2.4 Agent的结构
2.5 本章小结
参考文献与历史注释
习题

第Ⅱ部分 问题求解
第3章 通过搜索进行问题求解
3.1 问题求解Agent
3.2 问题实例
3.3 通过搜索求解
3.4 无信息搜索策略
3.5 有信息（启发式）的搜索策略
3.6 启发式函数
3.7 本章小结
参考文献与历史注释
习题
第4章 超越经典搜索
4.1 局部搜索算法和最优化问题
4.2 连续空间中的局部搜索
4.3 使用不确定动作的搜索
4.4 使用部分可观察信息的搜索
4.5 联机搜索Agent和未知环境
4.6 本章小结
参考文献与历史注释
习题
第5章 对抗搜索
5.1 博弈
5.2 博弈中的优化决策
5.3 a-p剪枝
5.4 不完美的实时决策
5.5 随机博弈
5.6 部分可观察的博弈
5.7 博弈程序发展现状
5.8 其他途径
5.9 本章小结
参考文献与历史注释
习题
第6章 约束满足问题
6.1 定义约束满足问题
6.2 约束传播：CSP中的推理
6.3 CSP的回溯搜索
6.4 CSP局部搜索
6.5 问题的结构
6.6 本章小结
参考文献与历史注释
习题

第Ⅲ部分 知识、推理与规划
第7章 逻辑Agent
7.1 基于知识的Agent
7.2 Wumpus世界
7.3 逻辑
7.4 命题逻辑：一种简单逻辑
7.5 命题逻辑定理证明
7.6 有效的命题逻辑模型检验
7.7 基于命题逻辑的Agent
7.8 本章小结
……

第Ⅳ部分 不确定知识与推理
第V部分 学习
第Ⅵ部分 通讯、感知与行动
第Ⅶ部分 结论
参考文献

　　人工智能（Artificial Intelligence，AI）是一个大领域，而本书也是一本“大”书。我们试图全方位探索这个领域，它涵盖逻辑、概率和连续数学，感知、推理、学习和行动以及从微电子设备到机器人行星探测器的所有内容。本书之所以“大”还因为它有一定深度。
　　本书的副标题是“一种现代的方法”。使用这个相当空洞的短语希望表达的含义是，我们试图将现在已知的内容综合到一个共同的框架中，而不是试图在各自的历史背景下解释人工智能的各个子领域。对于那些自己的研究领域因此没有得到足够重视的人，我们深表歉意。本版新变化
　　本版的修订反映了自本书上一版2003年出版以来人工智能领域发生的变化。人工智能技术有了重要应用，如广泛部署的实用言语识别、机器翻译、自主车辆和家用机器人。算法有了显著突破，如西洋跳棋的解法。理论上也取得了很多进展，尤其是在概率推理、机器学习和计算机视觉等领域。我们认为最重要的是人们对这个领域认识的不断进化，我们以此为据来组织本书。本书的主要变化如下：
　　更多地强调了部分可观察和不确定的环境，特别是搜索和规划的非随机的环境。在这些环境中引入了信念状态（一个可能世界集）和状态评估（保持信念状态）的概念；本书后面加入了概率。
　　除了讨论环境的类型和Agent的分类，我们现在更深入地研究了Agent能够使用的表示类型。我们区分了原子表示（其中将世界的每个状态视作黑盒）、因子表示（其中状态是属性／值对的集合）和结构表示（其中世界由对象及对象间关系组成）。
　　在规划部分更深入地研究了部分可观察环境中的连续规划，还包括了一种层次规划的新方法。
　　在一阶概率模型中加入了新内容，包括了针对对象存在环境中的不确定性的开放.世界模型。
　　完全重写了机器学习导论章节，更宽泛地研究了更流行的学习算法，并使之具有更坚实的理论基础。
　　扩展了Web搜索和信息抽取以及从超大数据集学习的技术。
　　本版20%的引用是2003年以后发表的工作。
　　估计有20%的材料是相当新的。其余的80%反映了以往的工作，但也被大规模重写，以便提供一个关于本领域的更统一的视图。

　　这个例子说明理性不等于完美。理性是使期望的性能最大化，而完美是使实际的性能最大化。完美对Agent而言是不太合理的要求。关键是如果我们期望Agent最终能采取事实上最好的行动，设计满足这样要求的Agent是不可能的——除非我们能改进水晶球或者时间机器的性能。
　　因此，对理性的定义并不要求全知，因为理性的选择只依赖于到当时为止的感知序列。我们还要确保没有因漫不经心而让Agent进行愚蠢的活动。例如，如果Agent穿行繁忙的马路前没有观察道路两边的情况，那么它的感知序列就不可能告诉它有大卡车在高速接近。我们对理性的定义会说现在可以穿过马路吗？绝对不会！首先，根据信息不全的感知序列穿行马路是不理性的：不观察的情况下穿行发生事故的风险太大了。其次，理性Agent应该在走上街道之前选择“观察”行动，因为观察有助于最大化期望性能。为了修改未来的感知信息而采取行动——有时称为信息收集——是理性的重要部分，将在第16章中深入讨论。真空吸尘器清洁Agent在初始未知的环境中必须探查，这为我们提供了信息收集的第二个实例。
　　我们的定义不仅要求理性Agent收集信息，而且要求Agent从它所感知的信息中尽可能多的学习。Agent最初的设定可能反映的是环境的先验知识，但随着Agent经验的丰富这些知识会被改变或者增加。在一些极端的情况中环境被完全当成先验知识。在这样的情况下，Agent不再需要感知和学习；它只要正确地行动就可以。当然，这样的Agent是脆弱的。考虑一下蜣螂。蜣螂做窝并产卵后，会从附近的粪堆取回一个粪球堵住窝的入口。如果粪球在路途中脱离了它的掌握，蜣螂还会继续赶路，并做动作用不存在的粪球塞住入口，而不会注意到粪球已经不见了。蜣螂进化时在它的行为里内建了假设，当该假设被破坏时，就会产生不成功的行为。黑足泥蜂要聪明一些。雌蜂先挖一个洞，出去叮一只毛虫并拖回洞，再次进洞查看，再把毛虫拖到洞里，然后产卵。毛虫在黑足泥蜂孵卵期间作为食物来源。到目前为止一切似乎顺利，但是假如有昆虫学家在雌蜂检查地洞的时候把毛虫挪开几英寸，雌蜂就会回到计划中“拖毛虫到地洞”的步骤，继续进行不做任何修改的计划，甚至在发生过很多次毛虫被移动的干扰后仍然如此。雌蜂无法知道它天生的计划是失败的，因而也不会改变计划。
　　Agent依赖于设计人员的先验知识而不是它自身的感知信息，这种情况我们会说该Agent缺乏自主性。理性Agent应该是自主的——它应该学习，以弥补不完整的或者不正确的先验知识。例如，学会预见灰尘出现的地点和时间的吸尘器清洁Agent，显然就能比不会预见的Agent要做得好。实践中，很少要求Agent从一开始就完全自主：当Agent没有或者只有很少的经验时，它的行为往往是随机的，除非设计人员提供一些帮助。因此就像进化为动物提供了足够的内建的反射，以使它们能生存足够长的时间进行学习一样，给人工智能的Agent提供一些初始知识以及学习能力是合理的。当得到关于环境的充足经验后，理性Agent的行为才能独立于它的先验知识有效地行动。从而，与学习相结合使得我们可以设计在很多不同环境下都能成功的理性Agent。
　　……