生物群智计算与机器学习 内容简介

本书的内容是靠前外生物群智计算与机器学习方向的近期新系统性研究成果。本书紧跟靠前计算智能领域近期新的研究动态，系统、深入地介绍了生物群智计算与机器学习的起源、模型、理论及其应用领域。本书的出版能够为人工智能领域的智能算法研究和应用提供新的思路和方法，也可供智能科学、自动化、计算科学、电子信息等相关领域的研究生、教师和科研人员以及工程技术人员参考使用。

生物群智计算与机器学习 本书特色

作为人工智能领域的一个重要分支，生物群智计算与机器学习已经引起越来越多**外研究者的关注，成为前沿性的热点研究领域，在理论和应用方面都取得了很多突破性研究进展。本书综合分析了人工智能的发展历程以及与生物群智计算、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*基础、*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*为激动人心的新型算法。

生物群智计算与机器学习 目录

目录

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

2.1.7DNA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*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

3.4.3ABFO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*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

生物群智计算与机器学习 作者简介

朱云龙 (博士，博士生导师，教授) 东莞理工学院特聘教授，国务院政府特殊津贴获得者，中国科学院首批特聘研究员、中科院网络化控制系统重点实验室主任、国家科技部制造业信息化科技工程总体专家组成员、中国工程院：中国人工智能2.0规划专家委员会委员、中华国际科学交流基金会第一届专家委员会委员、国家科技奖励评审专家，《信息与控制》杂志编委等。 近二十年来一直从事网络化协同制造、智能工厂/工业4.0、工业物联网与生物群智计算等领域的基础理论与工程应用研究。作为课题负责人先后承担国家自然科学面上基金、国家自然科学重点基金和重大基金5项，国家863/CIMS应用基础研究和重点项目6项，国家科技支撑计划1项，承担的企业合作项目10余项。近10年发表学术论文200余篇，其中被EI收录近130篇，SCI收录50余篇，出版学术专著3本。获辽宁省科技成果一等奖1项，辽宁省自然科学二等奖1项，辽宁省科技进步二等奖1项，沈阳市科技进步二等奖1项，中科院院地合作先进个人二等奖1项、沈阳市先进科技工作者和辽宁省“百千万人才工程”——“百人计划”获得者。