分布式人工智能:原理与应用

本书阐述了分布式人工智能原理；研究了分布式人工智能学习与优化、强化学习与演化计算、群智能体强化学习等前沿方法；给出了分布式信息融合、视觉感知、协同搜索、对抗博弈决策和人工智能博弈推演等典型应用，建立了较为全面的知识体系与脉络，为后续研究奠定了良好的基础。本书可供高等院校人工智能、自动化、计算机等相关专业本科生和研究生阅读参考，也可供相关领域的科研人员阅读参考。

“智能科学技术著作丛书”序
前言
第1章 绪论 1
1.1 分布式人工智能简介 1
1.1.1 分布式人工智能相关概念 1
1.1.2 分布式人工智能发展回顾 1
1.1.3 分布式人工智能主要特点 3
1.2 分布式人工智能研究面临的挑战 4
1.2.1 维度灾难 4
1.2.2 可信任性 5
1.2.3 方法融合 5
1.3 分布式人工智能关键技术与方法 6
1.3.1 计算机博弈 6
1.3.2 分布式问题求解 10
1.3.3 分布式学习 11
1.4 分布式人工智能典型应用领域 12
1.4.1 分布式信息融合 12
1.4.2 分布式视觉感知 12
1.4.3 分布式协同搜索 13
1.4.4 分布式智能博弈 13
1.5 本书安排 13
参考文献 15
第2章 分布式人工智能数理基础 22
2.1 图与网络基础 22
2.1.1 图 22
2.1.2 网络 22
2.1.3 典型模型 23
2.2 信息论与隐私计算 24
2.2.1 信息论 24
2.2.2 隐私计算 27
2.3 智能决策与优化 28
2.3.1 马尔可夫决策过程 28
2.3.2 多智能体规划决策 30
2.3.3 网络化分布式优化 31
2.4 多智能体博弈对抗 33
2.4.1 协作式团队博弈 33
2.4.2 竞争式零和博弈 34
2.4.3 混合式一般和博弈 34
2.5 本章小结 34
参考文献 35
第3章 分布式人工智能基本原理 36
3.1 分布式系统与人工智能 36
3.1.1 分布式系统演进 36
3.1.2 多智能体系统 38
3.1.3 分布式人工智能 39
3.2 分布式人工智能形态 41
3.2.1 群体智能 41
3.2.2 多智能体强化学习 44
3.2.3 复杂网络与集群协同 48
3.3 分布式人工智能涌现机理 49
3.3.1 生物群智涌现 49
3.3.2 演化博弈动力学 49
3.3.3 群集动力学 49
3.4 本章小结 50
参考文献 50
第4章 分布式人工智能计算框架 55
4.1 分布式机器学习框架 55
4.1.1 Hadoop框架 55
4.1.2 Spark框架 57
4.2 分布式深度学习框架 57
4.2.1 Tensorflow框架 57
4.2.2 PyTorch框架 59
4.3 分布式强化与进化学习框架 60
4.3.1 Ray框架 60
4.3.2 Mava框架 61
4.3.3 EvoTorch框架 62
4.4 云网端前沿计算 63
4.4.1 Docker 63
4.4.2 KubeEdge边缘计算框架 64
4.4.3 FATE联邦学习框架 66
4.5 数据-人工智能-认知全栈中台 67
4.5.1 数据中台 67
4.5.2 人工智能中台 68
4.5.3 认知中台 68
4.6 本章小结 68
参考文献 68
第5章 分布式人工智能学习方法 71
5.1 分布式学习与优化方法 71
5.1.1 边缘计算 71
5.1.2 联邦学习 73
5.1.3 优化理论 76
5.2 强化学习与演化计算方法 78
5.2.1 理论支撑 79
5.2.2 基础方法 80
5.2.3 前沿方法 83
5.2.4 方法集成框架 85
5.3 分布式群智能体强化学习 86
5.3.1 分布式群智能体强化学习概述 86
5.3.2 规模可扩展多智能体强化学习方法 92
5.3.3 面向种群的自适应强化学习方法 98
5.4 本章小结 108
参考文献 108
第6章 分布式信息融合 117
6.1 分布式传感器网络概述 117
6.1.1 分布式传感器网络定义 118
6.1.2 分布式传感器网络需求 120
6.1.3 分布式传感器网络架构 121
6.2 分布式传感器网络信息融合原理 122
6.2.1 分布式融合结构 123
6.2.2 融合规则 126
6.3 分布式传感器网络信息融合技术 129
6.3.1 基于人工神经网络的分布式数据融合 129
6.3.2 基于群体智能优化算法的分布式数据融合 134
6.4 本章小结 145
参考文献 146
第7章 分布式视觉感知 148
7.1 分布式视觉感知概述 148
7.1.1 视频处理与理解 150
7.1.2 视觉传感器网络、通信和控制 151
7.1.3 嵌入式智能摄像机和实时视频分析 151
7.1.4 建议研究主题 152
7.2 分布式视觉感知原理 153
7.2.1 分布式视觉信息表征 153
7.2.2 分布式视觉跟踪 157
7.3 分布式视觉感知与理解 162
7.3.1 基于区域提议的方法 162
7.3.2 基于端到端的方法 167
7.4 本章小结 177
参考文献 177
第8章 分布式协同搜索 179
8.1 分布式协同搜索概述 179
8.1.1 协同路径规划 179
8.1.2 协同任务分配 183
8.2 基于蚁群优化算法的多机器人协同搜索 185
8.2.1 问题建模 186
8.2.2 路径寻优 187
8.2.3 实验与分析 189
8.3 本章小结 192
参考文献 192
第9章 分布式对抗博弈决策 194
9.1 分布式对抗博弈决策概述 194
9.1.1 博弈决策 194
9.1.2 分布式对抗 194
9.2 分布式对抗博弈决策基本原理 195
9.2.1 智能博弈决策模型 195
9.2.2 智能博弈决策流程 195
9.2.3 分布式对抗博弈决策 196
9.3 分布式对抗博弈决策技术 196
9.3.1 对抗条件下布洛托上校博弈资源分配 196
9.3.2 强对抗环境下多智能体强化学习协同对抗 207
9.4 本章小结 209
参考文献 209
第10章 分布式智能博弈推演 213
10.1 智能博弈推演概述 213
10.1.1 战役战术兵棋推演 213
10.1.2 战略博弈推演 216
10.2 智能博弈推演基本原理 218
10.2.1 演进式全栈架构 218
10.2.2 元理论视角 219
10.2.3 双层学习模型 220
10.3 智能博弈推演相关技术 220
10.3.1 智能博弈推演系统架构设计 220
10.3.2 关键支撑技术与方法 221
10.3.3 典型应用场景分析 222
10.4 本章小结 225
参考文献 225