生物群智計算與機器學習

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(fā)展階段

1.1.3人工智能研究內(nèi)容

1.2人工智能發(fā)展歷史及趨勢

1.2.1人工智能發(fā)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(tǒng)

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(tǒng)

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(yōu)化

2.1.3蟻群優(yōu)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(jīng)網(wǎng)絡

2.1.12人工免疫系統(tǒng)

2.2生物群智計算統(tǒng)一框架模型

2.2.1生物群智計算模式的統(tǒng)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(huán)境

2.3生物群智計算算法研究趨勢

2.3.1并行生物群智計算

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進化仿真

2.4.6群集機器人

2.4.7云計算

2.4.8大數(shù)據(jù)

參考文獻





第3章生物個體行為模式與自適應優(yōu)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(yōu)覓食理論

3.2基于生物個體行為的計算模式設計

3.2.1基于生物個體行為的統(tǒng)一優(yōu)化框架

3.2.2基于生物個體行為的基本操作

3.3生物個體建模與仿真分析

3.3.1生物系統(tǒng)個體的形式化定義

3.3.2典型生物個體行為的建模與仿真分析

3.3.3個體環(huán)境間作用關(guān)系描述與規(guī)則模型

3.4細菌自適應覓食優(yōu)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(xiàn)步驟

3.4.4算法效能分析

3.5植物根系自適應生長優(yōu)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(nèi)部的信息交流與協(xié)作模式

4.1.1生物種群

4.1.2信息交流

4.1.3分工協(xié)作與分布式控制

4.2基于生物群體行為的計算模式設計

4.2.1基于生物群體行為的統(tǒng)一優(yōu)化框架

4.2.2基于生物群體行為的基本操作

4.3生物種群建模與仿真分析

4.3.1生物系統(tǒng)種群的形式化定義

4.3.2種群內(nèi)個體通信模型

4.3.3任務分工

4.3.4種群演化模型

4.4基于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(yōu)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(shù)

4.5.5算法性能分析： 有約束函數(shù)

參考文獻

第5章生物群落演化模式與優(yōu)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(wǎng)絡拓撲結(jié)構(gòu)

5.1.2生物群落內(nèi)種群共生模式的多型性

5.1.3生物群落內(nèi)種群的增長、遷徙和消亡模式

5.2基于生物群落演化的計算模式設計

5.2.1基于生物群落演化的統(tǒng)一優(yōu)化框架

5.2.2基于生物群落演化的基本操作

5.3生物群落建模與仿真分析

5.3.1生物系統(tǒng)群落的形式化定義

5.3.2群落拓撲結(jié)構(gòu)的形式化定義

5.3.3基于不同種群關(guān)系生物群落演化建模與仿真

5.4基于生物群落演化的優(yōu)化模型與算法實例設計

5.4.1協(xié)同進化算法的發(fā)展現(xiàn)狀

5.4.2多群體協(xié)同進化統(tǒng)一模型

5.4.3多種群共生協(xié)同進化粒子群優(yōu)化算法

5.4.4算法性能分析

5.4.5基于MSPSO的RFID網(wǎng)絡讀寫器調(diào)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基于p最優(yōu)性準則的多種群多目標優(yōu)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(fā)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(xiàn)狀與發(fā)展趨勢

6.2.2基本思想和框架結(jié)構(gòu)

6.2.3人工神經(jīng)網(wǎng)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(wǎng)絡

6.4.1生成式對抗網(wǎng)絡的基本原理

6.4.2生成式對抗網(wǎng)絡的經(jīng)典模型

6.4.3生成式對抗網(wǎng)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章評注與展望

引言

7.1生物群智計算理論基礎(chǔ)研究展望

7.1.1有關(guān)生物群智計算的有效性研究

7.1.2有關(guān)生物群智計算的收斂性研究

7.1.3有關(guān)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(guān)算法設計

7.2.2動態(tài)環(huán)境層面的有關(guān)算法設計

7.3機器學習研究與展望

7.3.1連續(xù)統(tǒng)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(shù)

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