1、人工智能Artificial Intelligence一、課程基本情況課程類別：專業任選課課程學分：2學分課程總學時：32學時，其中講課：20學時，實驗（含上機）：12學時課程性質：選修開課學期：第7學期先修課程：概率與統計適用專業：計算機科學與技術，自動控制，信息工程，模式識別與人工智能教 材：人工智能教程，張仰森，黃改娟，高等教育出版社，2008年開課單位：計算機與軟件學院 軟件工程系二、課程性質、教學目標和任務 人工智能從很多學科吸收了成果和概念，包括統計學、人工智能、哲學、信息論、生物學、認知科學、計算復雜性和控制論等。本課程的教學目的就是展現人工智能中核心的算法和理論，使其在實際工程

2、中得到很好的應用。三、教學內容和要求第1章 引言（2學時）1.1問題的標準描述1.2 問題的標準描述1.3 機器學習的一些觀點和問題重點：觀點和問題難點：學習系統第2章 模糊數學（6學時）2.1 模糊集合論的基本概念了解經典集合論的基本概念理解模糊集合的定義掌握模糊集合的運算2.2 模糊集合的分解定理模糊集合的截集分解定理2.3 模糊集合的隸屬度邊界法模糊統計法參照法2.4 模糊集合的擴張原理經典集合的擴張原理模糊集合的擴張原理多元擴張原理2.5 模糊模式識別模糊模式識別的直接方法模糊距離與模糊度貼近度多因素模糊模式識別2.6 模糊關系與聚類分析經典關系模糊關系的基本概念模糊等價關系模糊傳遞閉

3、包和等價閉包求相似矩陣的等價類的直接方法直接聚類的最大樹法模糊聚類分析模糊ISODATA(Interactive Self-Organizing Data)法2.7 模糊綜合評判模糊變換簡單模糊綜合評判不完全評判問題多層次模糊綜合評判廣義合成運算的模糊綜合評判模型2.8 模糊邏輯與模糊推理模糊邏輯模糊語言模糊推理重點: 模糊集合的分解定理、模糊集合的隸屬度難點: 模糊關系與聚類分析第3章 人工神經網絡的數學基礎（6學時）3.1 概述人工神經網絡研究簡史人腦神經元與人工神經元模型 人工神經網絡模型神經網絡的學習規則3.2 前向神經網絡感知器有導師學習網絡(BP網絡)改進的BP算法3.3 Hopf

4、ield網絡離散型Hopfield網絡連續型Hopfield網絡旅行商問題(TSP)3.4 自組織神經網絡(SOM網絡)3.5 隨機神經網絡Boltzman（玻耳茲曼）機Boltzman分布模擬退火隨機神經網絡的概率分布多層前饋隨機網絡(BM網絡)3.6 模糊神經網絡模糊神經元模型模糊Hopfield網絡重點：人腦神經元與人工神經元模型、前向神經網絡難點：Hopfield網絡、模糊神經網絡第4章 遺傳算法 （6學時）4.1 概述遺傳算法的生物學基礎遺傳算法發展簡史遺傳算法的特點4.2 基本的遺傳算法4.3 遺傳算法的基本理論與方法模式定理誤導問題編碼群體設定適應度函數選擇交換變異性能評估收斂性

5、4.4 非線性問題尋優的遺傳算法一般非線性優化問題的遺傳算法約束最優化的遺傳算法4.5 背包問題問題描述背包問題的遺傳算法求解進一步的討論4.6 旅行商(TSP)問題編碼與適應度遺傳操作實例4.7 調度問題問題概述調度問題的遺傳算法求解4.8 混合遺傳算法遺傳算法優化神經網絡遺傳算法優化模糊推理規則重點：遺傳算法的基本理論與方法、難點：背包問題、調度問題四、課程考核（1）作業等：作業：5次，課程論文：1 篇；（2）考核方式：課程論文（3）總評成績計算方式：平時成績、實驗成績、課程論文綜合計算五、參考書目1.Trevor Hastie 等著，范明 等譯，統計學習基礎.數據挖掘、推理與預測電子工業出版社，20032.Jay L. Eevore,