一、课程性质与任务
1．课程性质：计算机科学与技术专业选修课。
2．课程任务：本课程介绍如何用计算机来模拟人类智能，使学生了解当前人工智能技术发展概况，应用领域。掌握计算机实现诸如问题求解、规划推理、模式识别、知识工程、自然语言处理、机器学习等理论知识。具体任务可分为：
（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） 较详细地论述知识表示的各种主要方法。重点掌握状态空间法、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、了解不确定性推理、非单调推理的概念。
（5）了解人工智能的主要应用领域，如专家系统、机器学习、规划系统、自然语言理解和智能控制等。
二、课程教学基本要求
掌握人工智能的基本理论及应用性技术和方法，学会从知识表示、问题推理等方面来分析问题、研究问题和解决问题。主要教学环节包括课堂讲授、案例分析、小组讨论、社会调查、科研训练等。其中以课堂讲授为主，研制电子教案和多媒体幻灯片以及CAI课件，在教学方法和手段上采用现代教育技术。
本课程共计学时：32。
成绩考核形式：期终成绩（闭卷考查）（70%）＋平时成绩（平时测验、作业、课堂提问、
课堂讨论等）（30％）。成绩评定采用百分制，60分为及格。
三、课程教学内容
第一章 绪 论
1.教学基本要求
理解和掌握人工智能的定义和研究范围；明确人工智能的学科性质；掌握人工智能的研究方法。
2.要求学生掌握的基本概念、理论、原理
通过本章学习使学生能准确理解人工智能概念、研究学派、应用领域，掌握人工智能的研究方法。
3.教学重点和难点
教学重点是人工智能的定义和研究范围，人工智能的具体研究方法。教学难点是人工智能研究中不同学派的认知观。
4.教学内容
（1）人工智能的定义和发展
主要知识点：人工智能的定义；人工智能的研究范围；人工智能的起源与发展
（2）人工智能的认知观
主要知识点：人工智能的认知观；人工智能的争论
（3）人工智能的研究目标、内容、应用领域
主要知识点：人工智能的目标内容；人工智能的应用领域
第二章 知识表示方法
1.教学基本要求
理解知识在人工智能中重要意义，知识、信息、数据的定义以及它们之间的关系，知识的特性，知识的分类。掌握知识的表示方法，不同知识表示方法的特点以及技术要点。表示方法适合表示的问题类型。
2.要求学生掌握的基本概念、理论、原理
掌握状态空间表示方法、问题归约表示方法、一阶谓词逻辑表示法、语义网络表示法。能够根据不同类型的问题选择合适的表示法求解。
3.教学重点和难点
状态空间表示方法中，分析问题的状态定义，确定单个状态的信息内容。问题归约表示方法中与或图的表示，归约表示的设计模式。谓词演算逻辑语言与方法，谓词公式的置换与合一。
4.教学内容
（1）状态空间表示
主要知识点：问题状态描述；状态图示法
（2）问题归约表示
主要知识点：问题归约描述；与或图表示
（3）谓词逻辑表示
主要知识点：谓词演算；谓词公式；转换与合一
（4）语义网络、框架表示
主要知识点：二元、多元语义网络的表示；框架的构成
第三章 确定性推理
1.教学基本要求
让学生理解图搜索的策略种类以及它们的优缺点，搜索算法的流程框架。理解推理的概念，冲突消解的意义，常用的冲突消解策略，命题和命题公式的定义，谓词逻辑的相关定义。谓词公式的永真性和可满足性。置换合一的定义，自然演绎推理的定义。
2.要求学生掌握的基本概念、理论、原理
掌握谓词公式的等价式，谓词公式的蕴含式，推理规则。利用自然演绎进行推理的方法。利用归结原理进行定理的证明。利用归结原理进行问题求解。
3.教学重点和难点
宽度优先算法和深度优先算法的算法流程，启发式搜索的估价函数设计，A*算法，消解原理中子句集的求取，消解反演求解过程。
4.教学内容
（1）盲目搜索
主要知识点：宽度优先搜索；深度优先搜索；等代价搜索
（2）启发式搜索
主要知识点：启发式搜索策略和估价函数；有序搜索；A*算法
（3）消解原理
主要知识点：子句集的求取；消解推理规则；含有变量的消解式；消解反演求解过程
（4）规则演绎系统
主要知识点：规则正向演绎系统；规则逆向演绎系统
第四章 非经典推理
1.教学基本要求
理解非经典推理的概念，掌握非经典推理的常用方法。
2.要求学生掌握的基本概念、理论、原理
掌握不确定推理的表示与度理方法，主观贝叶斯方法的算法原理。
3.教学重点和难点
主观贝叶斯方法的推理过程、概率计算公式、算法简化原理。
4.教学内容
（1）不确定推理
主要知识点：不确定性的表示与量度；不确定性的算法。
（2）主观贝叶斯方法
主要知识点：知识不确定性的表示；证据不确定性的表示；主观贝叶斯的推理过程。
（3）可信度方法
主要知识点：基于可信度的不确定性表示；可信度方法的推理模型。
第五章 计算智能
1.教学基本要求
理解计算智能的定义和人工智能的联系，了解计算智能的发展和种类，了解计算智能涉及研究领域与研究方法。
2.要求学生掌握的基本概念、理论、原理
掌握神经网络的结构，神经元模型，有师学习、无师学习、强化学习的区别。
3.教学重点和难点
神经网络的工作原理，遗传算法的编码、解码、适应度函数设计以及整体算法流程。
4.教学内容
（1）神经计算
主要知识点：人工神经网络的结构;人工神经网络示例及其算法;基于人工神经网络的知识表示与推理。
（2）遗传算法
主要知识点：遗传算法的基本机理;遗传算法的求解步骤。
（3）粒群优化与蚁群算法
主要知识点：群智能和粒群优化概述;粒群优化算法;蚁群算法理论;蚁群算法的研究与应用。
第六章 机器学习
1.教学基本要求
传授学习的定义和学习过程, 讲解机器学习的基本模型,机械学习的定义和学习过程。利用类比方法进行新概念的学习和求解问题的方法。
2.要求学生掌握的基本概念、理论、原理
理解学习和机器学习的定义。掌握BP神经网络模型结构与实现原理。
3.教学重点和难点
决策树学习；ID3算法；反向传播网络学习算法。
4.教学内容
（1）归纳学习
主要知识点：归纳学习的模式和规则。
（2）决策树学习
主要知识点：决策树构造算法;决策树学习算法ID3。
（3）神经网络学习
主要知识点：基于反向传播网络的学习;基于Hopfield网络的学习。
第七章 自动规划
1.教学基本要求
理解自动规划的概念、定义、分类和作用。任务规划和路径规划的方法要点。
2.要求学生掌握的基本概念、理论、原理
掌握任务规划的动作表示、任务状态空间、求解方法；理解基于模拟退火算法的机器人局部路径规划。
3.教学重点和难点
教学重点为使用F规则求解任务规划序列，STRIPS规划系统的组成与规划流程。
4.教学内容
（1）自动规划概述
主要知识点：规划的概念和作用;规划的分类和问题分解途径;执行规划系统任务的一般方法。
（2）任务规划
主要知识点：积木世界的机器人规划;STRIP规划系统;具有学习能力的规划系统。
（3）路径规划
主要知识点：模拟退火算法的机器人局部路径规划;基于免疫进化和示例学习和机器人路径规划;基于蚁群算法的机器人路径规划。
四、学时分配
| 章序 | 内容 | 课时 | 备注 |
| 一 | 绪论 | 2 | |
| 二 | 知识表示方法 | 6 | |
| 三 | 确定性推理 | 8 | |
| 四 | 非经典推理 | 2 | |
| 五 | 计算智能 | 6 | |
| 六 | 机器学习 | 6 | |
| 七 | 自动规划 | 2 | |
| 总计 | 32 |
