生物群智計算與機器學習

本書的內容是國內外生物群智計算與機器學習方向的最新系統性研究成果。本書緊跟國際計算智能領域最新的研究動態，系統、深入地介紹了生物群智計算與機器學習的起源、模型、理論及其應用領域。本書的出版能夠為人工智能領域的智能算法研究和應用提供新的思路和方法，也可供智能科學、自動化、計算科學、電子信息等相關領域的研究生、教師和科研人員以及工程技術人員參考使用。

目錄

第1章緒論

1.1人工智能簡介

1.1.1人工智能定義

1.1.2人工智能發展階段

1.1.3人工智能研究內容

1.2人工智能發展歷史及趨勢

1.2.1人工智能發展歷史

1.2.2人工智能研究趨勢

1.3生物群智計算

1.3.1生物群智計算與人工智能

1.3.2生物群智計算與復雜適應系統

1.3.3生物群智計算算法

1.4機器學習

1.4.1機器學習與人工智能

1.4.2機器學習與復雜系統

1.4.3機器學習算法

參考文獻

第2章生物群智計算與框架模型

引言

2.1生物群智計算算法綜述

2.1.1遺傳算法

2.1.2粒子群優化

2.1.3蟻群優化

2.1.4人工蜂群算法

2.1.5細菌覓食算法

2.1.6群搜索算法

2.1.7DNA計算

2.1.8自組織遷移算法

2.1.9膜計算

2.1.10元胞自動機

2.1.11神經網絡

2.1.12人工免疫系統

2.2生物群智計算統一框架模型

2.2.1生物群智計算模式的統一框架理念

2.2.2個體群體群落： 生物群智計算模式的總體形式化描述

2.2.3環境

2.3生物群智計算算法研究趨勢

2.3.1並行生物群智計算

2.3.2融合推理與學習的生物群智計算

2.3.3生物動力學群智計算

2.3.4微生物群體感應控制機制及算法研究

2.4生物群智計算應用研究趨勢

2.4.1納米分子生物

2.4.2虛擬生物

2.4.3人工大腦

2.4.4進化硬件

2.4.5進化模擬

2.4.6群集機器人

2.4.7雲計算

2.4.8大數據

參考文獻

第3章生物個體行為模式與自適應優化方法

引言

3.1自然進化中的個體行為模式

3.1.1生物個體的覓食行為分類

3.1.2適應性主體

3.1.3效率與最優覓食理論

3.2基於生物個體行為的計算模式設計

3.2.1基於生物個體行為的統一優化框架

3.2.2基於生物個體行為的基本操作

3.3生物個體建模與模擬分析

3.3.1生物系統個體的形式化定義

3.3.2典型生物個體行為的建模與模擬分析

3.3.3個體環境間作用關系描述與規則模型

3.4細菌自適應覓食優化算法

3.4.1算法的基本思想與流程

3.4.2算法的形式化描述

3.4.3ABFO算法實現步驟

3.4.4算法效能分析

3.5植物根系自適應生長優化算法

3.5.1算法的基本思想

3.5.2算法的形式化描述

3.5.3算法流程

3.5.4算法效能分析

參考文獻

第4章生物種群信息交流模式與生命周期群搜索策略

引言

4.1自然界中單一物種群體內部的信息交流與協作模式

4.1.1生物種群

4.1.2信息交流

4.1.3分工協作與分佈式控制

4.2基於生物群體行為的計算模式設計

4.2.1基於生物群體行為的統一優化框架

4.2.2基於生物群體行為的基本操作

4.3生物種群建模與模擬分析

4.3.1生物系統種群的形式化定義

4.3.2種群內個體通信模型

4.3.3任務分工

4.3.4種群演化模型

4.4基於生命周期和社會學習的細菌覓食算法及其性能分析

4.4.1算法的基本思想與流程

4.4.2算法的形式化描述

4.4.3算法性能分析

4.5生命周期群搜索優化算法及其性能分析

4.5.1算法的基本思想與流程

4.5.2算法的形式化描述

4.5.3實驗設置

4.5.4算法性能分析： 無約束函數

4.5.5算法性能分析： 有約束函數

參考文獻

第5章生物群落演化模式與優化算法

引言

5.1生物群落進化中的種群演化模式

5.1.1生物群落的層次性信息網絡拓撲結構

5.1.2生物群落內種群共生模式的多型性

5.1.3生物群落內種群的增長、遷徙和消亡模式

5.2基於生物群落演化的計算模式設計

5.2.1基於生物群落演化的統一優化框架

5.2.2基於生物群落演化的基本操作

5.3生物群落建模與模擬分析

5.3.1生物系統群落的形式化定義

5.3.2群落拓撲結構的形式化定義

5.3.3基於不同種群關系生物群落演化建模與模擬

5.4基於生物群落演化的優化模型與算法實例設計

5.4.1協同進化算法的發展現狀

5.4.2多群體協同進化統一模型

5.4.3多種群共生協同進化粒子群優化算法

5.4.4算法性能分析

5.4.5基於MSPSO的RFID網絡讀寫器調度

5.5多種群多目標人工蜂群算法

5.5.1算法基本思想與流程

5.5.2算法的形式化描述

5.5.3算法性能分析

5.6基於p最優性準則的多種群多目標優化算法

5.6.1算法基本思想與流程

5.6.2算法的形式化描述

5.6.3算法性能分析

參考文獻

第6章機器學習

6.1引言

6.1.1機器學習的發展史

6.1.2機器學習算法及其適用場景

6.1.3機器學習的分類

6.2深度學習

6.2.1深度學習的現狀與發展趨勢

6.2.2基本思想和框架結構

6.2.3人工神經網絡

6.2.4深度學習的常用模型和方法

6.2.5深度學習實例分析： AlphaGo算法

6.3強化學習

6.3.1強化學習的基本原理和模型

6.3.2深度強化學習

6.3.3強化學習的實例分析： AlphaGo Zero算法

6.4生成式對抗網絡

6.4.1生成式對抗網絡的基本原理

6.4.2生成式對抗網絡的經典模型

6.4.3生成式對抗網絡的應用

6.4.4有待研究的問題

6.5遷移學習

6.5.1遷移學習的基本原理

6.5.2遷移學習的基本步驟

6.5.3遷移學習的問題場景

6.5.4有待研究的問題

參考文獻

第7章評註與展望

引言

7.1生物群智計算理論基礎研究展望

7.1.1有關生物群智計算的有效性研究

7.1.2有關生物群智計算的收斂性研究

7.1.3有關生物群智計算方法的評價標準

7.2生物群智計算算法設計研究展望

7.2.1小生境層面的有關算法設計

7.2.2動態環境層面的有關算法設計

7.3機器學習研究與展望

7.3.1連續統假設悖論

7.3.2機器學習研究展望

7.4人工智能三大悖論

參考文獻

附錄標準測試函數

A.1單目標無約束

A.2單目標有約束

A.3多目標無約束

A.4多目標有約束