人工智能复杂问题求解的结构和策略
人工智能复杂问题求解的结构和策略（原书第6版）是一本经典的人工智能教材，全面阐述了人工智能的基础理论，有效结合了求解智能问题的数据结构以及实现的算法，把人工智能的应用程序应用于实际环境中，并从社会和哲学、心理学以及神经生理学角度对人工智能进行了独特的讨论。新版中增加了对“基于随机方法的机器学习”的介绍，并提出了一些新的主题，如涌现计算、本体论、随机分割算法等。
人工智能复杂问题求解的结构和策略（原书第6版）适合作为高等院校计算机专业人工智能教材，也可供人工智能领域的研究者及相关工程技术人员参考。
出版者的话
译者序
前言
第一部分人工智能的历史渊源及研究范围
第1章人工智能的历史及应用
第二部分作为表示和搜索的人工智能
第2章谓词演算式
第3章状态空间搜索的结构和策略
第4章启发式搜索
第5章随机方法
第6章为状态空间搜索建立控制算法
第三部分捕获智能：AI中的挑战
第7章知识表示
第8章求解问题的强方法
第9章不确定条件下的推理
第四部分机器学习
第10章基于符号的机器学习
第11章机器学习：连接机制
第12章机器学习：遗传性和涌现性
第13章机器学习：概率理论
第五部分人工智能问题求解的高级课题
第14章自动推理
第15章自然语言理解
第六部分后记
第16章人工智能是经验式的学科
下载链接：https://mianbaoduo.com/o/bread/YZaamJ1v扫码下载：
人工智能复杂问题求解的结构和策略 推荐教材PDF
《人工智能复杂问题求解的结构和策略》链接:pan.baidu.com/s/1YKwaiTfW…提取码:5ji1《人工智能复杂问题求解的结构和策略（原书第6版）》是一本经典的人工智能教材，全面阐述了人工智能的基础理论，有效结合了求解智能问题的数据结构以及实现的算法。把人工智能的应用程序应用于实际环境中，并从社会和哲学、心理学以及神经生理学角度对人工智能进行了全面的讨论。本版新增内容新增一章，介绍用于机器学习的随机方法，包括一阶贝叶斯网络、各种隐马尔可夫模型、马尔可夫随机场推理和循环信念传播。介绍针对期望学习以及利用马尔可夫链蒙特卡罗抽样的结构化学习的参数选择，强化学习中马尔可夫决策过程的利用。介绍智能体技术和本体的使用。介绍自然语言处理的动态规划（Earley语法分析）以及Viterbi等其他概率语法分析技术。书中的许多算法采用Prolog，LISP和Java语言来构建。
目录出版者的话译者序前言第一部分人工智能的历史渊源及研究范围第1章人工智能的历史及应用1.1从伊甸园到第一台电子计算机：对智能、知识和人类技能的态度1.1.1人工智能基础的简要历史1.1.2理性主义和经验主义学派对人工智能的影响1.1.3形式逻辑的发展1.1.4图灵测试1.1.5智能的生物和社会模型：主体理论1.2人工智能应用领域概述1.2.1博弈1.2.2自动推理和定理证明1.2.3专家系统1.2.4自然语言理解和语义学1.2.5对人类表现建模1.2.6规划和机器人学1.2.7人工智能的语言和环境1.2.8机器学习1.2.9其他表示：神经网络和遗传算法1.2.10AI和哲学1.3人工智能小结1.4结语和参考文献1.5习题第二部分作为表示和搜索的人工智能第2章谓词演算2.0简介2.1命题演算（选读）2.1.1符号和语句2.1.2命题演算的语义2.2谓词演算2.2.1谓词的语法和语句2.2.2谓词演算的语义2.2.3语义含义的积木世界例子2.3使用推理规则产生谓词演算表达式2.3.1推理规则2.3.2合一算法2.3.3合一的例子2.4应用：一个基于逻辑的财务顾问2.5结语和参考文献2.6习题第3章状态空间搜索的结构和策略3.0简介3.1状态空间搜索的结构3.1.1图论（选读）3.1.2有限状态自动机（选读）3.1.3问题的状态空间表示3.2用于状态空间搜索的策略3.2.1数据驱动搜索和目标驱动搜索3.2.2图搜索的实现3.2.3深度优先搜索和宽度优先搜索3.2.4迭代加深的深度优先搜索3.3利用状态空间来表示命题演算和谓词演算的推理3.3.1逻辑系统的状态空间描述3.3.2与或图3.3.3进一步的例子和应用3.4结语和参考文献3.5习题第4章启发式搜索4.0简介4.1爬山法和动态规划法4.1.1爬山4.1.2动态规划4.2最佳优先搜索算法4.2.1实现最佳优先搜索4.2.2实现启发评估函数4.2.3启发式搜索和专家系统4.3可采纳性、单调性和信息度4.3.1可采纳性度量4.3.2单调性4.3.3信息度更高的启发是更好的启发4.4在博弈中使用启发4.4.1在可穷举搜索图上的极小极大过程4.4.2固定层深的极小极大过程4.4.3α-β过程4.5复杂度问题4.6结语和参考文献4.7习题第5章随机方法5.0简介5.1计数基础（选读）5.1.1加法和乘法规则5.1.2排列与组合5.2概率论基础5.2.1样本空间、概率和独立性5.2.2概率推理：一个道路/交通例子5.2.3随机变量5.2.4条件概率5.3贝叶斯定理5.4随机方法学的应用5.4.1“tomato”是如何发音的5.4.2道路/交通例子的扩展5.5结语和参考文献5.6习题第6章为状态空间搜索建立控制算法6.0简介6.1基于递归的搜索（选读）6.1.1递归6.1.2一个递归搜索的例子：模式驱动推理6.2产生式系统6.2.1定义和历史6.2.2产生式系统的例子6.2.3产生式系统中的搜索控制6.2.4AI产生式系统的优点6.3用于问题求解的黑板结构6.4结语和参考文献6.5习题第三部分捕获智能：AI中的挑战第7章知识表示7.0知识表示问题7.1AI表示模式的简要历史7.1.1语义关联理论7.1.2语义网的早期研究7.1.3网络关系的标准化7.1.4脚本7.1.5框架7.2概念图：网络语言7.2.1概念图简介7.2.2类型、个体和名字7.2.3类型层次7.2.4泛化和特化7.2.5命题结点7.2.6概念图和逻辑7.3其他表示方法和本体7.3.1Brooks的包容结构7.3.2Copycat结构7.3.3多种表示、本体和知识服务7.4基于主体的和分布式的问题求解方法7.4.1基于主体的定义7.4.2基于主体的应用7.5结语和参考文献7.6习题第8章求解问题的强方法8.0简介8.1专家系统技术概览8.1.1基于规则的专家系统设计8.1.2问题选择和知识工程的步骤8.1.3概念模型及其在知识获取中的作用8.2基于规则的专家系统8.2.1产生式系统和目标驱动问题求解8.2.2目标驱动推理中的解释和透明性8.2.3利用产生式系统进行数据驱动推理8.2.4专家系统的启发和控制8.3基于模型系统、基于案例系统和混合系统8.3.1基于模型推理简介8.3.2基于模型推理：来自NASA的例子8.3.3基于案例推理介绍8.3.4混合设计：强方法系统的优势和不足8.4规划8.4.1规划简介：机器人学8.4.2使用规划宏：STRIPS8.4.3teleoreactive规划8.4.4规划：来自NASA的例子8.5结语和参考文献8.6习题第9章不确定条件下的推理9.0简介9.1基于逻辑的反绎推理9.1.1非单调推理逻辑9.1.2真值维护系统9.1.3基于最小模型的逻辑9.1.4集合覆盖和基于逻辑的反绎9.2反绎：逻辑之外的办法9.2.1Stanford确信度代数9.2.2模糊集推理9.2.3DempsterShafer证据理论9.3处理不确定性的随机方法9.3.1有向图模型：贝叶斯信念网络9.3.2有向图模型：d-可分9.3.3有向图模型：一个推理算法9.3.4有向图模型：动态贝叶斯网络9.3.5马尔可夫模型：离散马尔可夫过程9.3.6马尔可夫模型：变形9.3.7BBN概率建模的一阶替代方案9.4结语和参考文献9.5习题第四部分机器学习第10章基于符号的机器学习10.0简介10.1基于符号学习的框架10.2变形空间搜索10.2.1泛化操作符和概念空间10.2.2候选解排除算法10.2.3LEX：启发式归纳搜索10.2.4评估候选解排除算法10.3ID3决策树归纳算法10.3.1自顶向下决策树归纳10.3.2测试选择的信息论方法10.3.3评价ID310.3.4决策树数据问题：打包、推进10.4归纳偏置和学习能力10.4.1归纳偏置10.4.2可学习性理论10.5知识和学习10.5.1MetaDENDRAL10.5.2基于解释的学习10.5.3EBL和知识层学习10.5.4类比推理10.6无监督学习10.6.1发现和无监督学习10.6.2概念聚类10.6.3COBWEB和分类知识的结构10.7强化学习10.7.1强化学习的组成部分10.7.2一个例子：九宫游戏10.7.3强化学习的推理算法和应用10.8结语和参考文献10.9习题第11章机器学习：连接机制11.0简介11.1连接网络的基础11.2感知机学习11.2.1感知机训练算法11.2.2例子：用感知机网络进行分类11.2.3通用delta规则11.3反传学习11.3.1反传算法的起源11.3.2反传算法实例1：NETtalk11.3.3反传算法实例2：异或11.4竞争学习11.4.1对于分类的“胜者全拿”学习11.4.2学习原型的Kohonen网络11.4.3outstar网络和逆传11.4.4支持向量机11.5Hebbian一致性学习11.5.1概述11.5.2无监督Hebbian学习的例子11.5.3有监督Hebbian学习11.5.4联想记忆和线性联想器11.6吸引子网络或“记忆”11.6.1概述11.6.2双向联想记忆11.6.3BAM处理的例子11.6.4自相关记忆和Hopfield网络11.7结语和参考文献11.8习题第12章机器学习：遗传性和涌现性12.0社会性和涌现性的学习模型12.1遗传算法12.1.1两个例子：CNF可满足性问题和巡回推销员问题12.1.2遗传算法的评估12.2分类器系统和遗传程序设计12.2.1分类器系统12.2.2用遗传算子进行程序设计12.3人工生命和基于社会的学习12.3.1生命游戏12.3.2进化规划12.3.3涌现的实例研究12.4结语和参考文献12.5习题第13章机器学习：概率理论13.0学习中的随机模型和动态模型13.1隐马尔可夫模型(HMM)13.1.1隐马尔可夫模型的介绍和定义13.1.2隐马尔可夫模型的重要变形13.1.3使用HMM和Viterbi解码音素串13.2动态贝叶斯网络和学习13.2.1动态贝叶斯网络13.2.2学习贝叶斯网络13.2.3期望最大化：一个例子13.3强化学习的随机扩展13.3.1马尔可夫决策过程13.3.2部分可观测的马尔可夫决策过程13.3.3马尔可夫决策过程实现的例子13.4结语和参考文献13.5习题第五部分人工智能问题求解的高级课题第14章自动推理14.0定理证明中的弱方法14.1通用问题求解器和差别表14.2归结定理证明14.2.1概述14.2.2为归结反驳生成子句形式14.2.3二元归结证明过程14.2.4归结策略和简化技术14.2.5从归结反驳中抽取解答14.3Prolog和自动推理14.3.1概述14.3.2逻辑程序设计和Prolog14.4自动推理进一步的问题14.4.1弱方法求解的统一表示法14.4.2可选推理规则14.4.3归结反驳支持下的问答机制14.4.4搜索策略及其使用14.5结语和参考文献14.6习题第15章自然语言理解15.0自然语言理解问题15.1解构语言：分析15.2语法15.2.1使用上下文无关文法说明和解析15.2.2Earley解析器：动态规划二次访问15.3转移网络解析器及语义学15.3.1转移网络解析器15.3.2乔姆斯基层次和上下文相关文法15.3.3ATN解析器的语义15.3.4结合句法和语义知识的ATN15.4语言理解的随机工具15.4.1概述：语言分析中的统计技术15.4.2马尔可夫模型方法15.4.3决策树方法15.4.4解析的概率方法15.4.5概率上下文无关解析器15.5自然语言应用15.5.1故事理解和问题解答15.5.2数据库前端15.5.3Web信息抽取和摘要系统15.5.4用学习算法来泛化抽取的信息15.6结语和参考文献15.7习题第六部分后记第16章人工智能是经验式的学科16.0简介16.1人工智能：修订的定义16.1.1人工智能和物理符号系统假设16.1.2连接或者“神经”计算16.1.3主体、涌现和智能16.1.4概率模型和随机技术16.2智能系统科学16.2.1心理学约束16.2.2认识论问题16.3人工智能：当前的挑战和未来的方向16.4结语和参考文献复制代码最后，这里为大家准备了几百本的互联网电子书，有需要的过来取吧。点击获取
本页书籍均来自网络，如有侵权，请联系我立即删除。我的邮箱：yaojianguolq@163.com
《人工智能复杂问题求解的结构和策略》 pdf
《人工智能复杂问题求解的结构和策略》链接:pan.baidu.com/s/1YKwaiTfW…提取码:5ji1《人工智能复杂问题求解的结构和策略（原书第6版）》是一本经典的人工智能教材，全面阐述了人工智能的基础理论，有效结合了求解智能问题的数据结构以及实现的算法。把人工智能的应用程序应用于实际环境中，并从社会和哲学、心理学以及神经生理学角度对人工智能进行了全面的讨论。
本版新增内容
新增一章，介绍用于机器学习的随机方法，包括一阶贝叶斯网络、各种隐马尔可夫模型、马尔可
夫随机场推理和循环信念传播。
介绍针对期望学习以及利用马尔可夫链蒙特卡罗抽样的结构化学习的参数选择，强化学习
中马尔可夫决策过程的利用。
介绍智能体技术和本体的使用。
介绍自然语言处理的动态规划（Earley语法分析）以及Viterbi等其他概率语法分析技术。
书中的许多算法采用Prolog，LISP和Java语言来构建。
目录出版者的话译者序前言第一部分人工智能的历史渊源及研究范围第1章人工智能的历史及应用1.1从伊甸园到第一台电子计算机：对智能、知识和人类技能的态度1.1.1人工智能基础的简要历史1.1.2理性主义和经验主义学派对人工智能的影响1.1.3形式逻辑的发展1.1.4图灵测试1.1.5智能的生物和社会模型：主体理论1.2人工智能应用领域概述1.2.1博弈1.2.2自动推理和定理证明1.2.3专家系统1.2.4自然语言理解和语义学1.2.5对人类表现建模1.2.6规划和机器人学1.2.7人工智能的语言和环境1.2.8机器学习1.2.9其他表示：神经网络和遗传算法1.2.10AI和哲学1.3人工智能小结1.4结语和参考文献1.5习题第二部分作为表示和搜索的人工智能第2章谓词演算2.0简介2.1命题演算（选读）2.1.1符号和语句2.1.2命题演算的语义2.2谓词演算2.2.1谓词的语法和语句2.2.2谓词演算的语义2.2.3语义含义的积木世界例子2.3使用推理规则产生谓词演算表达式2.3.1推理规则2.3.2合一算法2.3.3合一的例子2.4应用：一个基于逻辑的财务顾问2.5结语和参考文献2.6习题第3章状态空间搜索的结构和策略3.0简介3.1状态空间搜索的结构3.1.1图论（选读）3.1.2有限状态自动机（选读）3.1.3问题的状态空间表示3.2用于状态空间搜索的策略3.2.1数据驱动搜索和目标驱动搜索3.2.2图搜索的实现3.2.3深度优先搜索和宽度优先搜索3.2.4迭代加深的深度优先搜索3.3利用状态空间来表示命题演算和谓词演算的推理3.3.1逻辑系统的状态空间描述3.3.2与或图3.3.3进一步的例子和应用3.4结语和参考文献3.5习题第4章启发式搜索4.0简介4.1爬山法和动态规划法4.1.1爬山4.1.2动态规划4.2最佳优先搜索算法4.2.1实现最佳优先搜索4.2.2实现启发评估函数4.2.3启发式搜索和专家系统4.3可采纳性、单调性和信息度4.3.1可采纳性度量4.3.2单调性4.3.3信息度更高的启发是更好的启发4.4在博弈中使用启发4.4.1在可穷举搜索图上的极小极大过程4.4.2固定层深的极小极大过程4.4.3α-β过程4.5复杂度问题4.6结语和参考文献4.7习题第5章随机方法5.0简介5.1计数基础（选读）5.1.1加法和乘法规则5.1.2排列与组合5.2概率论基础5.2.1样本空间、概率和独立性5.2.2概率推理：一个道路/交通例子5.2.3随机变量5.2.4条件概率5.3贝叶斯定理5.4随机方法学的应用5.4.1“tomato”是如何发音的5.4.2道路/交通例子的扩展5.5结语和参考文献5.6习题第6章为状态空间搜索建立控制算法6.0简介6.1基于递归的搜索（选读）6.1.1递归6.1.2一个递归搜索的例子：模式驱动推理6.2产生式系统6.2.1定义和历史6.2.2产生式系统的例子6.2.3产生式系统中的搜索控制6.2.4AI产生式系统的优点6.3用于问题求解的黑板结构6.4结语和参考文献6.5习题第三部分捕获智能：AI中的挑战第7章知识表示7.0知识表示问题7.1AI表示模式的简要历史7.1.1语义关联理论7.1.2语义网的早期研究7.1.3网络关系的标准化7.1.4脚本7.1.5框架7.2概念图：网络语言7.2.1概念图简介7.2.2类型、个体和名字7.2.3类型层次7.2.4泛化和特化7.2.5命题结点7.2.6概念图和逻辑7.3其他表示方法和本体7.3.1Brooks的包容结构7.3.2Copycat结构7.3.3多种表示、本体和知识服务7.4基于主体的和分布式的问题求解方法7.4.1基于主体的定义7.4.2基于主体的应用7.5结语和参考文献7.6习题第8章求解问题的强方法8.0简介8.1专家系统技术概览8.1.1基于规则的专家系统设计8.1.2问题选择和知识工程的步骤8.1.3概念模型及其在知识获取中的作用8.2基于规则的专家系统8.2.1产生式系统和目标驱动问题求解8.2.2目标驱动推理中的解释和透明性8.2.3利用产生式系统进行数据驱动推理8.2.4专家系统的启发和控制8.3基于模型系统、基于案例系统和混合系统8.3.1基于模型推理简介8.3.2基于模型推理：来自NASA的例子8.3.3基于案例推理介绍8.3.4混合设计：强方法系统的优势和不足8.4规划8.4.1规划简介：机器人学8.4.2使用规划宏：STRIPS8.4.3teleoreactive规划8.4.4规划：来自NASA的例子8.5结语和参考文献8.6习题第9章不确定条件下的推理9.0简介9.1基于逻辑的反绎推理9.1.1非单调推理逻辑9.1.2真值维护系统9.1.3基于最小模型的逻辑9.1.4集合覆盖和基于逻辑的反绎9.2反绎：逻辑之外的办法9.2.1Stanford确信度代数9.2.2模糊集推理9.2.3DempsterShafer证据理论9.3处理不确定性的随机方法9.3.1有向图模型：贝叶斯信念网络9.3.2有向图模型：d-可分9.3.3有向图模型：一个推理算法9.3.4有向图模型：动态贝叶斯网络9.3.5马尔可夫模型：离散马尔可夫过程9.3.6马尔可夫模型：变形9.3.7BBN概率建模的一阶替代方案9.4结语和参考文献9.5习题第四部分机器学习第10章基于符号的机器学习10.0简介10.1基于符号学习的框架10.2变形空间搜索10.2.1泛化操作符和概念空间10.2.2候选解排除算法10.2.3LEX：启发式归纳搜索10.2.4评估候选解排除算法10.3ID3决策树归纳算法10.3.1自顶向下决策树归纳10.3.2测试选择的信息论方法10.3.3评价ID310.3.4决策树数据问题：打包、推进10.4归纳偏置和学习能力10.4.1归纳偏置10.4.2可学习性理论10.5知识和学习10.5.1MetaDENDRAL10.5.2基于解释的学习10.5.3EBL和知识层学习10.5.4类比推理10.6无监督学习10.6.1发现和无监督学习10.6.2概念聚类10.6.3COBWEB和分类知识的结构10.7强化学习10.7.1强化学习的组成部分10.7.2一个例子：九宫游戏10.7.3强化学习的推理算法和应用10.8结语和参考文献10.9习题第11章机器学习：连接机制11.0简介11.1连接网络的基础11.2感知机学习11.2.1感知机训练算法11.2.2例子：用感知机网络进行分类11.2.3通用delta规则11.3反传学习11.3.1反传算法的起源11.3.2反传算法实例1：NETtalk11.3.3反传算法实例2：异或11.4竞争学习11.4.1对于分类的“胜者全拿”学习11.4.2学习原型的Kohonen网络11.4.3outstar网络和逆传11.4.4支持向量机11.5Hebbian一致性学习11.5.1概述11.5.2无监督Hebbian学习的例子11.5.3有监督Hebbian学习11.5.4联想记忆和线性联想器11.6吸引子网络或“记忆”11.6.1概述11.6.2双向联想记忆11.6.3BAM处理的例子11.6.4自相关记忆和Hopfield网络11.7结语和参考文献11.8习题第12章机器学习：遗传性和涌现性12.0社会性和涌现性的学习模型12.1遗传算法12.1.1两个例子：CNF可满足性问题和巡回推销员问题12.1.2遗传算法的评估12.2分类器系统和遗传程序设计12.2.1分类器系统12.2.2用遗传算子进行程序设计12.3人工生命和基于社会的学习12.3.1生命游戏12.3.2进化规划12.3.3涌现的实例研究12.4结语和参考文献12.5习题第13章机器学习：概率理论13.0学习中的随机模型和动态模型13.1隐马尔可夫模型(HMM)13.1.1隐马尔可夫模型的介绍和定义13.1.2隐马尔可夫模型的重要变形13.1.3使用HMM和Viterbi解码音素串13.2动态贝叶斯网络和学习13.2.1动态贝叶斯网络13.2.2学习贝叶斯网络13.2.3期望最大化：一个例子13.3强化学习的随机扩展13.3.1马尔可夫决策过程13.3.2部分可观测的马尔可夫决策过程13.3.3马尔可夫决策过程实现的例子13.4结语和参考文献13.5习题第五部分人工智能问题求解的高级课题第14章自动推理14.0定理证明中的弱方法14.1通用问题求解器和差别表14.2归结定理证明14.2.1概述14.2.2为归结反驳生成子句形式14.2.3二元归结证明过程14.2.4归结策略和简化技术14.2.5从归结反驳中抽取解答14.3Prolog和自动推理14.3.1概述14.3.2逻辑程序设计和Prolog14.4自动推理进一步的问题14.4.1弱方法求解的统一表示法14.4.2可选推理规则14.4.3归结反驳支持下的问答机制14.4.4搜索策略及其使用14.5结语和参考文献14.6习题第15章自然语言理解15.0自然语言理解问题15.1解构语言：分析15.2语法15.2.1使用上下文无关文法说明和解析15.2.2Earley解析器：动态规划二次访问15.3转移网络解析器及语义学15.3.1转移网络解析器15.3.2乔姆斯基层次和上下文相关文法15.3.3ATN解析器的语义15.3.4结合句法和语义知识的ATN15.4语言理解的随机工具15.4.1概述：语言分析中的统计技术15.4.2马尔可夫模型方法15.4.3决策树方法15.4.4解析的概率方法15.4.5概率上下文无关解析器15.5自然语言应用15.5.1故事理解和问题解答15.5.2数据库前端15.5.3Web信息抽取和摘要系统15.5.4用学习算法来泛化抽取的信息15.6结语和参考文献15.7习题第六部分后记第16章人工智能是经验式的学科16.0简介16.1人工智能：修订的定义16.1.1人工智能和物理符号系统假设16.1.2连接或者“神经”计算16.1.3主体、涌现和智能16.1.4概率模型和随机技术16.2智能系统科学16.2.1心理学约束16.2.2认识论问题16.3人工智能：当前的挑战和未来的方向16.4结语和参考文献复制代码最后，这里为大家准备了几百本的互联网电子书，有需要的过来取吧。点击获取
本页书籍均来自网络，如有侵权，请联系我立即删除。我的邮箱：yaojianguolq@163.com
人工智能 复杂问题求解的结构和策略 英文版 第六版 课后答案 (卢格尔/GeorgeFLuger)
本人西北大学，2017级计科专业的大学生。诚心求人工智能复杂问题求解的结构和策略英文版第6版课后答案，卢格尔/George.F.Luger版的，要有解题过程，尽量详尽完整。最好是Word版，方便打印。或者自己做的，用手机拍成高清图片也可以。要是答案书扫描成的电子文档就再好不过了。
的描述看到关键的东西就写个（参照xx书xx版第xx条），搞些个习题全是书上没有的知识点，给个参考答案老子对的题的后面注释一大堆不会的只看到一个光秃秃的B在那里。弄的我不停的找百度，这他妈的什么垃圾书，还好这网站上一搜，居然有电子版答案，这下作业有望了。下资料下到这个点，还好被我找到有卖的，也不贵，明天打真题和课后答案去也。终于找到全的了不容易。整理自己电脑，发现自己保留的大学期间专业课的课后答案竟然有600M。又想起了每次交作业前夜的疯狂。此课后习题答案对应的教材信息如下：书名：人工智能复杂问题求解的结构和策略英文版第6版作者：卢格尔/George.F.Luger出版社：机械工业出版社