分佈式人工智能：原理與應用
項鳳濤,羅俊仁,劉鴻福
相關主題
商品描述
本書闡述了分佈式人工智能原理；研究了分佈式人工智能學習與優化、強化學習與演化計算、群智能體強化學習等前沿方法；給出了分佈式信息融合、視覺感知、協同搜索、對抗博弈決策和人工智能博弈推演等典型應用，建立了較為全面的知識體系與脈絡，為後續研究奠定了良好的基礎。
目錄大綱
目錄
“智能科學技術著作叢書”序
前言
第1章 緒論 1
1.1 分佈式人工智能簡介 1
1.1.1 分佈式人工智能相關概念 1
1.1.2 分佈式人工智能發展回顧 1
1.1.3 分佈式人工智能主要特點 3
1.2 分佈式人工智能研究面臨的挑戰 4
1.2.1 維度災難 4
1.2.2 可信任性 5
1.2.3 方法融合 5
1.3 分佈式人工智能關鍵技術與方法 6
1.3.1 電腦博弈 6
1.3.2 分佈式問題求解 10
1.3.3 分佈式學習 11
1.4 分佈式人工智能典型應用領域 12
1.4.1 分佈式信息融合 12
1.4.2 分佈式視覺感知 12
1.4.3 分佈式協同搜索 13
1.4.4 分佈式智能博弈 13
1.5 本書安排 13
參考文獻 15
第2章 分佈式人工智能數理基礎 22
2.1 圖與網絡基礎 22
2.1.1 圖 22
2.1.2 網絡 22
2.1.3 典型模型 23
2.2 信息論與隱私計算 24
2.2.1 信息論 24
2.2.2 隱私計算 27
2.3 智能決策與優化 28
2.3.1 馬爾可夫決策過程 28
2.3.2 多智能體規劃決策 30
2.3.3 網絡化分佈式優化 31
2.4 多智能體博弈對抗 33
2.4.1 協作式團隊博弈 33
2.4.2 競爭式零和博弈 34
2.4.3 混合式一般和博弈 34
2.5 本章小結 34
參考文獻 35
第3章 分佈式人工智能基本原理 36
3.1 分佈式系統與人工智能 36
3.1.1 分佈式系統演進 36
3.1.2 多智能體系統 38
3.1.3 分佈式人工智能 39
3.2 分佈式人工智能形態 41
3.2.1 群體智能 41
3.2.2 多智能體強化學習 44
3.2.3 復雜網絡與集群協同 48
3.3 分佈式人工智能涌現機理 49
3.3.1 生物群智涌現 49
3.3.2 演化博弈動力學 49
3.3.3 群集動力學 49
3.4 本章小結 50
參考文獻 50
第4章 分佈式人工智能計算框架 55
4.1 分佈式機器學習框架 55
4.1.1 Hadoop框架 55
4.1.2 Spark框架 57
4.2 分佈式深度學習框架 57
4.2.1 Tensorflow框架 57
4.2.2 PyTorch框架 59
4.3 分佈式強化與進化學習框架 60
4.3.1 Ray框架 60
4.3.2 Mava框架 61
4.3.3 EvoTorch框架 62
4.4 雲網端前沿計算 63
4.4.1 Docker 63
4.4.2 KubeEdge邊緣計算框架 64
4.4.3 FATE聯邦學習框架 66
4.5 數據-人工智能-認知全棧中台 67
4.5.1 數據中台 67
4.5.2 人工智能中台 68
4.5.3 認知中台 68
4.6 本章小結 68
參考文獻 68
第5章 分佈式人工智能學習方法 71
5.1 分佈式學習與優化方法 71
5.1.1 邊緣計算 71
5.1.2 聯邦學習 73
5.1.3 優化理論 76
5.2 強化學習與演化計算方法 78
5.2.1 理論支撐 79
5.2.2 基礎方法 80
5.2.3 前沿方法 83
5.2.4 方法集成框架 85
5.3 分佈式群智能體強化學習 86
5.3.1 分佈式群智能體強化學習概述 86
5.3.2 規模可擴展多智能體強化學習方法 92
5.3.3 面向種群的自適應強化學習方法 98
5.4 本章小結 108
參考文獻 108
第6章 分佈式信息融合 117
6.1 分佈式傳感器網絡概述 117
6.1.1 分佈式傳感器網絡定義 118
6.1.2 分佈式傳感器網絡需求 120
6.1.3 分佈式傳感器網絡架構 121
6.2 分佈式傳感器網絡信息融合原理 122
6.2.1 分佈式融合結構 123
6.2.2 融合規則 126
6.3 分佈式傳感器網絡信息融合技術 129
6.3.1 基於人工神經網絡的分佈式數據融合 129
6.3.2 基於群體智能優化算法的分佈式數據融合 134
6.4 本章小結 145
參考文獻 146
第7章 分佈式視覺感知 148
7.1 分佈式視覺感知概述 148
7.1.1 視頻處理與理解 150
7.1.2 視覺傳感器網絡、通信和控制 151
7.1.3 嵌入式智能攝像機和實時視頻分析 151
7.1.4 建議研究主題 152
7.2 分佈式視覺感知原理 153
7.2.1 分佈式視覺信息表徵 153
7.2.2 分佈式視覺跟蹤 157
7.3 分佈式視覺感知與理解 162
7.3.1 基於區域提議的方法 162
7.3.2 基於端到端的方法 167
7.4 本章小結 177
參考文獻 177
第8章 分佈式協同搜索 179
8.1 分佈式協同搜索概述 179
8.1.1 協同路徑規劃 179
8.1.2 協同任務分配 183
8.2 基於蟻群優化算法的多機器人協同搜索 185
8.2.1 問題建模 186
8.2.2 路徑尋優 187
8.2.3 實驗與分析 189
8.3 本章小結 192
參考文獻 192
第9章 分佈式對抗博弈決策 194
9.1 分佈式對抗博弈決策概述 194
9.1.1 博弈決策 194
9.1.2 分佈式對抗 194
9.2 分佈式對抗博弈決策基本原理 195
9.2.1 智能博弈決策模型 195
9.2.2 智能博弈決策流程 195
9.2.3 分佈式對抗博弈決策 196
9.3 分佈式對抗博弈決策技術 196
9.3.1 對抗條件下布洛托上校博弈資源分配 196
9.3.2 強對抗環境下多智能體強化學習協同對抗 207
9.4 本章小結 209
參考文獻 209
第10章 分佈式智能博弈推演 213
10.1 智能博弈推演概述 213
10.1.1 戰役戰術兵棋推演 213
10.1.2 戰略博弈推演 216
10.2 智能博弈推演基本原理 218
10.2.1 演進式全棧架構 218
10.2.2 元理論視角 219
10.2.3 雙層學習模型 220
10.3 智能博弈推演相關技術 220
10.3.1 智能博弈推演系統架構設計 220
10.3.2 關鍵支撐技術與方法 221
10.3.3 典型應用場景分析 222
10.4 本章小結 225
參考文獻 225
“智能科學技術著作叢書”序
前言
第1章 緒論 1
1.1 分佈式人工智能簡介 1
1.1.1 分佈式人工智能相關概念 1
1.1.2 分佈式人工智能發展回顧 1
1.1.3 分佈式人工智能主要特點 3
1.2 分佈式人工智能研究面臨的挑戰 4
1.2.1 維度災難 4
1.2.2 可信任性 5
1.2.3 方法融合 5
1.3 分佈式人工智能關鍵技術與方法 6
1.3.1 電腦博弈 6
1.3.2 分佈式問題求解 10
1.3.3 分佈式學習 11
1.4 分佈式人工智能典型應用領域 12
1.4.1 分佈式信息融合 12
1.4.2 分佈式視覺感知 12
1.4.3 分佈式協同搜索 13
1.4.4 分佈式智能博弈 13
1.5 本書安排 13
參考文獻 15
第2章 分佈式人工智能數理基礎 22
2.1 圖與網絡基礎 22
2.1.1 圖 22
2.1.2 網絡 22
2.1.3 典型模型 23
2.2 信息論與隱私計算 24
2.2.1 信息論 24
2.2.2 隱私計算 27
2.3 智能決策與優化 28
2.3.1 馬爾可夫決策過程 28
2.3.2 多智能體規劃決策 30
2.3.3 網絡化分佈式優化 31
2.4 多智能體博弈對抗 33
2.4.1 協作式團隊博弈 33
2.4.2 競爭式零和博弈 34
2.4.3 混合式一般和博弈 34
2.5 本章小結 34
參考文獻 35
第3章 分佈式人工智能基本原理 36
3.1 分佈式系統與人工智能 36
3.1.1 分佈式系統演進 36
3.1.2 多智能體系統 38
3.1.3 分佈式人工智能 39
3.2 分佈式人工智能形態 41
3.2.1 群體智能 41
3.2.2 多智能體強化學習 44
3.2.3 復雜網絡與集群協同 48
3.3 分佈式人工智能涌現機理 49
3.3.1 生物群智涌現 49
3.3.2 演化博弈動力學 49
3.3.3 群集動力學 49
3.4 本章小結 50
參考文獻 50
第4章 分佈式人工智能計算框架 55
4.1 分佈式機器學習框架 55
4.1.1 Hadoop框架 55
4.1.2 Spark框架 57
4.2 分佈式深度學習框架 57
4.2.1 Tensorflow框架 57
4.2.2 PyTorch框架 59
4.3 分佈式強化與進化學習框架 60
4.3.1 Ray框架 60
4.3.2 Mava框架 61
4.3.3 EvoTorch框架 62
4.4 雲網端前沿計算 63
4.4.1 Docker 63
4.4.2 KubeEdge邊緣計算框架 64
4.4.3 FATE聯邦學習框架 66
4.5 數據-人工智能-認知全棧中台 67
4.5.1 數據中台 67
4.5.2 人工智能中台 68
4.5.3 認知中台 68
4.6 本章小結 68
參考文獻 68
第5章 分佈式人工智能學習方法 71
5.1 分佈式學習與優化方法 71
5.1.1 邊緣計算 71
5.1.2 聯邦學習 73
5.1.3 優化理論 76
5.2 強化學習與演化計算方法 78
5.2.1 理論支撐 79
5.2.2 基礎方法 80
5.2.3 前沿方法 83
5.2.4 方法集成框架 85
5.3 分佈式群智能體強化學習 86
5.3.1 分佈式群智能體強化學習概述 86
5.3.2 規模可擴展多智能體強化學習方法 92
5.3.3 面向種群的自適應強化學習方法 98
5.4 本章小結 108
參考文獻 108
第6章 分佈式信息融合 117
6.1 分佈式傳感器網絡概述 117
6.1.1 分佈式傳感器網絡定義 118
6.1.2 分佈式傳感器網絡需求 120
6.1.3 分佈式傳感器網絡架構 121
6.2 分佈式傳感器網絡信息融合原理 122
6.2.1 分佈式融合結構 123
6.2.2 融合規則 126
6.3 分佈式傳感器網絡信息融合技術 129
6.3.1 基於人工神經網絡的分佈式數據融合 129
6.3.2 基於群體智能優化算法的分佈式數據融合 134
6.4 本章小結 145
參考文獻 146
第7章 分佈式視覺感知 148
7.1 分佈式視覺感知概述 148
7.1.1 視頻處理與理解 150
7.1.2 視覺傳感器網絡、通信和控制 151
7.1.3 嵌入式智能攝像機和實時視頻分析 151
7.1.4 建議研究主題 152
7.2 分佈式視覺感知原理 153
7.2.1 分佈式視覺信息表徵 153
7.2.2 分佈式視覺跟蹤 157
7.3 分佈式視覺感知與理解 162
7.3.1 基於區域提議的方法 162
7.3.2 基於端到端的方法 167
7.4 本章小結 177
參考文獻 177
第8章 分佈式協同搜索 179
8.1 分佈式協同搜索概述 179
8.1.1 協同路徑規劃 179
8.1.2 協同任務分配 183
8.2 基於蟻群優化算法的多機器人協同搜索 185
8.2.1 問題建模 186
8.2.2 路徑尋優 187
8.2.3 實驗與分析 189
8.3 本章小結 192
參考文獻 192
第9章 分佈式對抗博弈決策 194
9.1 分佈式對抗博弈決策概述 194
9.1.1 博弈決策 194
9.1.2 分佈式對抗 194
9.2 分佈式對抗博弈決策基本原理 195
9.2.1 智能博弈決策模型 195
9.2.2 智能博弈決策流程 195
9.2.3 分佈式對抗博弈決策 196
9.3 分佈式對抗博弈決策技術 196
9.3.1 對抗條件下布洛托上校博弈資源分配 196
9.3.2 強對抗環境下多智能體強化學習協同對抗 207
9.4 本章小結 209
參考文獻 209
第10章 分佈式智能博弈推演 213
10.1 智能博弈推演概述 213
10.1.1 戰役戰術兵棋推演 213
10.1.2 戰略博弈推演 216
10.2 智能博弈推演基本原理 218
10.2.1 演進式全棧架構 218
10.2.2 元理論視角 219
10.2.3 雙層學習模型 220
10.3 智能博弈推演相關技術 220
10.3.1 智能博弈推演系統架構設計 220
10.3.2 關鍵支撐技術與方法 221
10.3.3 典型應用場景分析 222
10.4 本章小結 225
參考文獻 225
