本书综合分析了人工智能的发展历程以及人工智能与生物群智计算、机器学习等之间的关系，给出了生物群智计算的统一框架模型，涵盖了从简单到复杂的基于个体自适应、群体分工协作、多群体协同进化等生物现象的几类新型生物群智计算模式，所有这些无疑体现了生物群智计算最基础、最核心的理论与方法。同时，有针对性地介绍了深度学习、强化学习、迁移学习和生成式对抗网络等机器学习方法，希望读者在掌握生物群智计算的同时，能够有机地融合这些以大数据为主要特征的机器学习方法，构建更为激动人心的新型算法。应该指出的是，无论生物群智计算还是机器学习算法，正处于蓬勃发展的时期，许多新的算法与模式不断涌现，希望本书的出版为从事人工智能优化方法和工程应用研究的广大科研工作者提供可借鉴的研究途径与方法。
第1章 绪论
1.1 人工智能简介
1.1.1 人工智能定义
1.1.2 人工智能发展阶段
1.1.3 人工智能研究内容
1.2 人工智能发展历史及趋势
1.2.1 人工智能发展历史
1.2.2 人工智能研究趋势
1.3 生物群智计算
1.3.1 生物群智计算与人工智能
1.3.2 生物群智计算与复杂适应系统
1.3.3 生物群智计算算法
1.4 机器学习
1.4.1 机器学习与人工智能
1.4.2 机器学习与复杂系统
1.4.3 机器学习算法
参考文献
第2章 生物群智计算与框架模型
引言
2.1 生物群智计算算法综述
2.1.1 遗传算法
2.1.2 粒子群优化
2.1.3 蚁群优化
2.1.4 人工蜂群算法
2.1.5 细菌觅食算法
2.1.6 群搜索算法
2.1.7 DNA计算
2.1.8 自组织迁移算法
2.1.9 膜计算
2.1.10 元胞自动机
2.1.11 神经网络
2.1.12 人工免疫系统
2.2 生物群智计算统一框架模型
2.2.1 生物群智计算模式的统一框架理念
2.2.2 个体群体群落：生物群智计算模式的总体形式化描述
2.2.3 环境
2.3 生物群智计算算法研究趋势
2.3.1 并行生物群智计算
2.3.2 融合推理与学习的生物群智计算
2.3.3 生物动力学群智计算
2.3.4 微生物群体感应控制机制及算法研究
2.4 生物群智计算应用研究趋势
2.4.1 纳米分子生物
2.4.2 虚拟生物
2.4.3 人工大脑
2.4.4 进化硬件
2.4.5 进化仿真
2.4.6 群集机器人
2.4.7 云计算
2.4.8 大数据
参考文献
第3章 生物个体行为模式与自适应优化方法
引言
3.1 自然进化中的个体行为模式
3.1.1 生物个体的觅食行为分类
3.1.2 适应性主体
3.1.3 效率与最优觅食理论
3.2 基于生物个体行为的计算模式设计
3.2.1 基于生物个体行为的统一优化框架
3.2.2 基于生物个体行为的基本操作
3.3 生物个体建模与仿真分析
3.3.1 生物系统个体的形式化定义
3.3.2 典型生物个体行为的建模与仿真分析
3.3.3 个体环境间作用关系描述与规则模型
3.4 细菌自适应觅食优化算法
3.4.1 算法的基本思想与流程
3.4.2 算法的形式化描述
3.4.3 ABFO算法实现步骤
3.4.4 算法效能分析
3.5 植物根系自适应生长优化算法
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
参考文献
第4章 生物种群信息交流模式与生命周期群搜索策略
引言
4.1 自然界中单一物种群体内部的信息交流与协作模式
4.1.1 生物种群
4.1.2 信息交流
4.1.3 分工协作与分布式控制
4.2 基于生物群体行为的计算模式设计
4.2.1 基于生物群体行为的统一优化框架
4.2.2 基于生物群体行为的基本操作
4.3 生物种群建模与仿真分析
4.3.1 生物系统种群的形式化定义
4.3.2 种群内个体通信模型
4.3.3 任务分工
4.3.4 种群演化模型
4.4 基于生命周期和社会学习的细菌觅食算法及其性能分析
4.4.1 算法的基本思想与流程
4.4.2 算法的形式化描述
4.4.3 算法性能分析
4.5 生命周期群搜索优化算法及其性能分析
4.5.1 算法的基本思想与流程
4.5.2 算法的形式化描述
4.5.3 实验设置
4.5.4 算法性能分析：无约束函数
4.5.5 算法性能分析：有约束函数
参考文献
第5章 生物群落演化模式与优化算法
引言
5.1 生物群落进化中的种群演化模式
5.1.1 生物群落的层次性信息网络拓扑结构
5.1.2 生物群落内种群共生模式的多型性
5.1.3 生物群落内种群的增长、迁徙和消亡模式
5.2 基于生物群落演化的计算模式设计
5.2.1 基于生物群落演化的统一优化框架
5.2.2 基于生物群落演化的基本操作
5.3 生物群落建模与仿真分析
5.3.1 生物系统群落的形式化定义
5.3.2 群落拓扑结构的形式化定义
5.3.3 基于不同种群关系生物群落演化建模与仿真
5.4 基于生物群落演化的优化模型与算法实例设计
5.4.1 协同进化算法的发展现状
5.4.2 多群体协同进化统一模型
5.4.3 多种群共生协同进化粒子群优化算法
5.4.4 算法性能分析
5.4.5 基于MSPSO的RFID网络读写器调度
5.5 多种群多目标人工蜂群算法
5.5.1 算法基本思想与流程
5.5.2 算法的形式化描述
5.5.3 算法性能分析
5.6 基于p最优性准则的多种群多目标优化算法
5.6.1 算法基本思想与流程
5.6.2 算法的形式化描述
5.6.3 算法性能分析
参考文献
第6章 机器学习
6.1 引言
6.1.1 机器学习的发展史
6.1.2 机器学习算法及其适用场景
6.1.3 机器学习的分类
6.2 深度学习
6.2.1 深度学习的现状与发展趋势
6.2.2 基本思想和框架结构
6.2.3 人工神经网络
6.2.4 深度学习的常用模型和方法
6.2.5 深度学习实例分析：AlphaGo算法
6.3 强化学习
6.3.1 强化学习的基本原理和模型
6.3.2 深度强化学习
6.3.3 强化学习的实例分析：AlphaGo Zero算法
6.4 生成式对抗网络
6.4.1 生成式对抗网络的基本原理
6.4.2 生成式对抗网络的经典模型
6.4.3 生成式对抗网络的应用
6.4.4 有待研究的问题
6.5 迁移学习
6.5.1 迁移学习的基本原理
6.5.2 迁移学习的基本步骤
6.5.3 迁移学习的问题场景
6.5.4 有待研究的问题
参考文献
第7章 评注与展望
引言
7.1 生物群智计算理论基础研究展望
7.1.1 有关生物群智计算的有效性研究
7.1.2 有关生物群智计算的收敛性研究
7.1.3 有关生物群智计算方法的评价标准
7.2 生物群智计算算法设计研究展望
7.2.1 小生境层面的有关算法设计
7.2.2 动态环境层面的有关算法设计
7.3 机器学习研究与展望
7.3.1 连续统假设悖论
7.3.2 机器学习研究展望
7.4 人工智能三大悖论
参考文献
附录 标准测试函数
A.1 单目标无约束
A.2 单目标有约束
A.3 多目标无约束
A.4 多目标有约束
[
我的消息
购物车
