人工智慧文獻綜述
抽象的
過去二十年的人工智慧研究大大提高了製造和服務系統的性能。目前，迫切需要一篇文章對人工智慧領域的全球文獻、理論架構和實務經驗進行全面整理。本文以綜合、簡潔和優雅的方式報告了人工智慧的最新進展，展示了該領域的經驗。特別是，本文對人工智慧（AI）及其應用領域的最新發展進行了廣泛的回顧。這項工作針對的是人工智慧領域的新進者。它也提醒經驗豐富的研究人員注意他們所知道的一些問題。
關鍵字：人工智慧、神經網路、業務效率、遺傳演算法、模糊邏輯。
一、簡介
在21^(“st”)21^{\text {st }}世紀人工智慧（AI）已成為幾乎所有領域的重要研究領域：工程、科學、教育、醫學、商業、會計、金融、行銷、經濟學、股票市場和法律等（Halal（2003），Masnikosa (1998) 、Metaxiotis 等人(2003)、Raynor (2000)、Stefanuk 和Zhozhikashvili (2002)、Tay 和Ho (1992) 以及Wongpinunwatana 等人(2000)。人工智慧領域已經取得了巨大的發展，以至於追蹤研究的激增成為一項艱鉅的任務（Ambite 和 Knoblock (2001)、Balazinski 等人 (2002)、Cristani (1999) 和 Goyache (2003)）。除了人工智慧在上述領域的應用之外，研究也被分為許多領域，每個領域都作為單獨的知識領域湧現（Eiter 等人 (2003)、Finkelstein 等人 (2003)、Grunwald 和 Halpern (2003) 、Guestrin 等人(2003)、Lin (2003)、Stone 等人(2003) 和Wilkins 等人(2003)。
在 21^(“st”)21^{\text {st }} 世紀人工智慧（AI）已成為幾乎所有領域的重要研究領域：工程、科學、教育、醫學、商業、會計、金融、行銷、經濟學、股票市場和法律等（Halal（2003），Masnikosa （1998） 、Metaxiotis 等人（2003）、Raynor （2000）、Stefanuk 和 Zhozhikashvili （2002）、Tay 和 Ho （1992） 以及Wongpinunwatana 等人（2000）。人工智慧領域已經取得了巨大的發展，以至於追蹤研究的激增成為一項艱鉅的任務（Ambite 和 Knoblock （2001）、Balazinski 等人 （2002）、Cristani （1999） 和 Goyache （2003））。除了人工智慧在上述領域的應用之外，研究也被分為許多領域，每個領域都作為單獨的知識領域湧現（Eiter 等人 （2003）、Finkelstein 等人 （2003）、Grunwald 和 Halpern （2003） 、Guestrin 等人（2003）、Lin （2003）、Stone 等人（2003） 和 Wilkins 等人（2003）。
1.1. AI領域的挑戰
鑑於全球資訊科技的興起和發展，人工智慧面臨著商業和非商業組織發展的特點，這項工作源於人工智慧所面臨的挑戰（Barzilay et al. (2002), Baxter et al. (2001), Darwiche 和Marquis (2002)、Gao 和Culberson (2002)、Tennenholtz (2002) 和Wiewwiora (2003)。
鑑於全球資訊科技的興起和發展，人工智慧面臨著商業和非商業組織發展的特點，這項工作源於人工智慧所面臨的挑戰（Barzilay et al. （2002）， Baxter et al. （2001）， Darwiche and Marquis （2002）， Gao and Culberson （2002）， Tennenholtz （2002） 和 Wiewwiora （2003）。
人工智慧研究的必要性由兩個因素推動：(i) 讓人工智慧領域的新進者了解人工智慧文獻的基本結構（Brooks (2001)、Gamberger 和 Lavrac (2002)、Kim (1995)、Kim 和Kim (1995)、Patel-Schneider 與Sebastiani (2003) 以及Zanuttini (2003)）。因此，這裡討論的文獻回答了常見的問題：“我為什麼必須研究人工智慧？” (ii) 對人工智慧的興趣高漲，促使人們對人工智慧設施的興趣增加和巨額投資。
人工智慧研究的必要性由兩個因素推動：（i） 讓人工智慧領域的新進者了解人工智慧文獻的基本結構（Brooks （2001）、Gamberger 和 Lavrac （2002）、Kim （1995）、Kim 和Kim （1995）、Patel-Schneider 與Sebastiani （2003） 以及Zanuttini （2003））。因此，這裡討論的文獻回答了常見的問題：“我為什麼必須研究人工智慧？” （ii） 對人工智慧的興趣高漲，促使人們對人工智慧設施的興趣增加和巨額投資。
來自各個學科感興趣的研究人員希望了解其領域內其他人的工作，並分享多年來收集的知識（Rosati (1999)、Kaminka et al. (2002)、Bod (2002)、Acid 和 De Campos ( 2003 ）、Walsh 和Wellman（2003）、Kambhampati（2000）和Barber（2000））。透過分享人工智慧知識，可以開發新技術和新方法，以便更好地了解該領域。為此，本文也是為人工智慧研究人員撰寫的，以便他們能夠繼續努力，透過新產生的想法來發展這一重點領域。因此，他們將能夠推動人工智慧知識的前沿。
來自各個學科感興趣的研究人員希望了解其領域內其他人的工作，並分享多年來收集的知識（Rosati （1999）、Kaminka et al. （2002）、Bod （2002）、Acid 和 De Campos （ 2003 ）、Walsh 和Wellman（2003）、Kambhampati（2000）和Barber（2000））。透過分享人工智慧知識，可以開發新技術和新方法，以便更好地了解該領域。為此，本文也是為人工智慧研究人員撰寫的，以便他們能夠繼續努力，透過新產生的想法來發展這一重點領域。因此，他們將能夠推動人工智慧知識的前沿。
在接下來的部分中，本文對人工智慧的一些重要領域進行了簡要說明。這是為了向讀者介紹人工智慧所涵蓋的廣泛主題。在另一節中，對人工智慧主要類別的文獻進行了全面回顧。該評論提出了一些重要問題，對於有興趣進行人工智慧研究的人來說具有嚴重的研究意義。這些問題如果得到妥善解決，將解決過去十年至今尚未解決的一些技術和非技術問題。
1.2. AI領域概述
從廣義上講，人工智慧領域分為十六類（Becker 等人（2000）、Singer 等人（2000）、Chen 和 Van Beek（2001）、Hong
（2001）和 Stone 等人（2001））。它們是：推理、程式設計、人工生命、信念修正、資料探勘、分散式人工智慧、專家系統、遺傳演算法、系統、知識表示、機器學習、自然語言理解、神經網路、定理證明、約束滿足和計算理論（Peng 和Zhang (2007)、Zhou 等人(2007) 和Wang 等人(2007)）。由於本文的許多讀者可能需要對人工智慧領域有一個概覽，因此作者使用流程圖來說明本文的整體結構，以及人工智慧各個領域之間的關係，如圖1所示。進行了簡要討論（Chan 和Darwiche (2002)、Pool 和Zhuang (2003)、Bhattacharyya 和Keerthi (2001)、Chawla 等人(2002)、Al-Ani 和Deriche (2002)以及 Xu 和 Li (2000)）。這些描述僅說明了選定數量的區域。
從廣義上講，人工智慧領域分為十六類（Becker 等人（2000）、Singer 等人（2000）、Chen 和 Van Beek（2001）、Hong （2001）和 Stone 等人（2001））。它們是：推理、程式設計、人工生命、信念修正、資料探勘、分散式人工智慧、專家系統、遺傳演算法、系統、知識表示、機器學習、自然語言理解、神經網路、定理證明、約束滿足和計算理論（Peng 和Zhang （2007）、周 等人（2007） 和Wang 等人（2007））。由於本文的許多讀者可能需要對人工智慧領域有一個概覽，因此作者使用流程圖來說明本文的整體結構，以及人工智慧各個領域之間的關係，如圖1所示。進行了簡要討論（Chan 和Darwiche （2002）、Pool 和Zhuang （2003）、Bhattacharyya 和Keerthi （2001）、Chawla 等人（2002）、Al-Ani 和Deriche （2002）以及 Xu 和 Li （2000））。這些描述僅說明了選定數量的區域。
1.2.1.推理
這裡考慮的第一個主要領域是推理。推理研究從以下幾個維度發展而來：基於案例、非單調、模型、定性、自動化、空間、時間和常識。
作為說明性範例，簡要討論了基於案例的推理（CBR）。在 CBR 中，案例庫中儲存的一組案例是知識的主要來源。案例代表了解決問題領域的具體經驗，而不是一般規則。基於案例的推理循環描述了用案例解決問題時的主要活動。這個循環提出了四個步驟：緩解、重複使用、修改和保留。首先，要解決的新問題必須被正式描述為案例（新案例）。然後，從案例庫中檢索與當前問題相似的案例。此檢索到的案例中包含的解決方案已重新用於解決新問題，並獲得新的解決方案並將其呈現給用戶，用戶可以驗證並可能修改該解決方案。然後保留修改後的案例（或基於案例的問題解決過程中獲得的經驗）以供將來解決問題。關於「維度」或它們如何相互關聯的詳細資訊可以從參考文獻中列出的相關來源獲得（Debruyne 和Bessiere (2001)、Halpern (2000)、Halpern (2001)、Renz 和Nebel (2001)、Singh 等人（2002）和斯特拉西亞（2001））。
作為說明性範例，簡要討論了基於案例的推理（CBR）。在 CBR 中，案例庫中儲存的一組案例是知識的主要來源。案例代表了解決問題領域的具體經驗，而不是一般規則。基於案例的推理循環描述了用案例解決問題時的主要活動。這個循環提出了四個步驟：緩解、重複使用、修改和保留。首先，要解決的新問題必須被正式描述為案例（新案例）。然後，從案例庫中檢索與當前問題相似的案例。此檢索到的案例中包含的解決方案已重新用於解決新問題，並獲得新的解決方案並將其呈現給用戶，用戶可以驗證並可能修改該解決方案。然後保留修改後的案例（或基於案例的問題解決過程中獲得的經驗）以供將來解決問題。關於「維度」或它們如何相互關聯的詳細資訊可以從參考文獻中列出的相關來源獲得（Debruyne 和Bessiere （2001）、Halpern （2000）、Halpern （2001）、Renz 和Nebel （2001）、Singh 等人（2002）和斯特拉西亞（2001））。
1.2.2.遺傳演算法 1.2.2.遺傳演演算法
這裡討論的人工智慧的第二個主要領域是遺傳演算法（GA）。這是一種基於自然選擇和自然遺傳學機制的搜尋演算法。這是
