本书结合了分布式计算、大数据、机器学习、深度学习、强化学习等技术,以群体智能为主线,讲述了分布式人工智能的原理和应用。它介绍了分布式计算的框架技术、智能核心、分布式体系与架构。本书介绍了大数据的框架、高速计算、海量存储;介绍了人工智能的经典算法,并且结合分布式技术,进行大规模分布式架构与演进;介绍了群体智能与博弈,结合分布式、大数据、智能核心,讲解了群体智能技术系统的发展方向与开发方式。
本书内容通俗易懂,案例丰富,实用性强,特别适合分布式、人工智能、大数据相关的入门读者和进阶读者阅读,也适合游戏开发、推荐系统、群体智能底层研究者等阅读。另外,本书也适合作为相关培训机构的教材使用。
封面图
目录
- 前言
- 第1篇 基础概念
- 第1章 分布式系统简介2
- 1.1 什么是分布式系统2
- 1.2 分布式系统的历史与未来10
- 1.3 分布式系统与并行计算13
- 1.4 分布式系统与边缘计算17
- 1.5 分布式与超算系统20
- 1.6 分布式多智能体21
- 1.7 单体人工智能22
- 1.7.1 TensorFlow的分布式方案22
- 1.7.2 Spark分布式机器学习24
- 1.7.3 Google联合学习方案26
- 1.8 分布式与多人博弈27
- 1.9 分布式与群体智能决策29
- 1.10 分布式与群体智能的未来和价值30
- 1.11 本章小结31
- 第2章 分布式智能计算基础33
- 2.1 常用的分布式计算框架33
- 2.2 Spark分布式框架介绍37
- 2.3 HLA高层联邦体系41
- 2.4 Multi-Agent体系44
- 2.5 RTI与RTOS分布式计算核心47
- 2.6 分布式计算的原理和常用方法52
- 2.6.1 分布式计算规则52
- 2.6.2 分布式与同步55
- 2.6.3 分布式与异步59
- 2.6.4 处理同步与异步延时64
- 2.7 计算模型与任务分发70
- 2.8 代理模型与HLA智能体75
- 2.9 分布式与决策模型79
- 2.10 底层计算核心RTOS84
- 2.11 分布式智能计算的价值86
- 2.12 本章小结89
- 第2篇 计算框架
- 第3章 TensorFlow框架介绍92
- 3.1 什么是TensorFlow92
- 3.2 TensorFlow的结构和应用概念94
- 3.3 Graph与并行计算模型99
- 3.4 Session会话层108
- 3.5 TensorFlow中的数据类型与计算函数112
- 3.6 TensorFlow与卷积神经网络120
- 3.7 准备TensorFlow的系统环境128
- 3.8 下载和安装TensorFlow135
- 3.9 启动第一个测试程序138
- 3.10 使用TensorFlow构建算法框架148
- 3.10.1 使用CIFAR-10构建卷积神经网络148
- 3.10.2 使用RNN构建记忆网络155
- 3.10.3 搭建生成对抗网络160
- 3.11 TensorFlow的发展与价值165
- 3.12 本章小结166
- 第4章 分布式智能计算核心167
- 4.1 什么是SintolRTOS167
- 4.2 SintolRTOS支持的组织协议体系168
- 4.2.1 HLA高层联邦体系168
- 4.2.2 数据分发服务171
- 4.2.3 Multi-Agent体系结构173
- 4.3 SintolRTOS核心组件和系统架构176
- 4.3.1 Core Soft Plateform178
- 4.3.2 Open Soft Plateform182
- 4.4 使用SintolRTOS系统组件的工作环境183
- 4.5 下载和安装SintolRTOS183
- 4.6 SintolRTOS的分布式RTOSNode节点原理191
- 4.7 SintolRTOS的联邦模型和文件定义196
- 4.7.1 FED联邦模型文件定义196
- 4.7.2 IDL主题模型文件定义197
- 4.7.3 Agent代理模型定义199
- 4.8 编写AI联邦模型和Agent代理200
- 4.9 分布式计算层的模型与数据204
- 4.9.1 重构联邦实体的处理类204
- 4.9.2 DQN神经网络与PSintolSDK构建计算层208
- 4.10 SintolRTOS智能计算组织Demo213
- 4.10.1 Demo分布式联邦智能架构设计213
- 4.10.2 使用UnrealRTOS和CSintolSDK搭建仿真演练场景214
- 4.10.3 运行UnrealRTOS多智能体进行联邦对抗217
- 4.11 SintolRTOS与分布式人工智能的未来219
- 4.12 本章小结220
- 第5章 大数据与存储系统框架221
- 5.1 什么是大数据221
- 5.2 大数据的关键技术222
- 5.3 大数据与机器学习224
- 5.4 Hadoop与分布式存储框架225
- 5.5 搭建Spark运行环境228
- 5.6 Spark、Hadoop与TensorFlow结合245
- 5.6.1 分布式的图像数据处理和识别平台245
- 5.6.2 分布式机器学习与分布式数据平台252
- 5.7 分布式大数据与机器学习的未来252
- 5.8 本章小结253
- 第3篇 多智能体分布式AI算法
- 第6章 机器学习算法与分布式改进256
- 6.1 逻辑回归256
- 6.2 支持向量机263
- 6.3 决策树271
- 6.4 分布式多算法结构的决策树279
- 6.5 多任务并行计算算法改进281
- 6.5.1 数据并行282
- 6.5.2 模型并行284
- 6.6 单体算法与分布式算法的优化287
- 6.6.1 单体算法优化287
- 6.6.2 分布式异步随机梯度下降290
- 6.7 机器学习算法的维数灾难293
- 6.8 深度学习的内在发展需求294
- 6.8.1 解决维数灾难295
- 6.8.2 算法架构设计295
- 6.8.3 深度学习与多任务学习297
- 6.9 自适应学习神经网络算法304
- 6.9.1 Momentum算法与优化305
- 6.9.2 RMSProp算法与优化305
- 6.9.3 Adam算法与优化307
- 6.10 分布式与机器学习算法规模化的发展与价值310
- 6.11 本章小结312
- 第7章 生成网络和强化学习314
- 7.1 生成对抗网络314
- 7.2 深度卷积生成对抗网络316
- 7.3 分布式与多智能体对抗算法MADDPG330
- 7.4 常用的强化学习算法结构336
- 7.5 Q-learning算法337
- 7.6 Sarsa-lamba算法346
- 7.6.1 Sarsa算法原理346
- 7.6.2 Sarsa-lamda算法的改进347
- 7.6.3 算法实现347
- 7.7 深度Q网络349
- 7.7.1 DQN算法原理349
- 7.7.2 DQN的模型训练350
- 7.7.3 训练DQN351
- 7.7.4 算法实现与分析352
- 7.8 其他强化学习基础算法354
- 7.9 强化学习算法的发展与价值356
- 7.10 本章小结357
- 第8章 对抗和群体智能博弈358
- 8.1 群体智能的历史358
- 8.2 博弈矩阵360
- 8.2.1 博弈矩阵简介360
- 8.2.2 博弈的线性规划和纳什均衡363
- 8.2.3 博弈的学习算法364
- 8.2.4 WoLF-IGA和WoLF-PHC算法366
- 8.2.5 分布式博弈矩阵368
- 8.2.6 学习自动机369
- 8.2.7 仿真博弈环境371
- 8.3 网格博弈375
- 8.4 多智能体Q-learning算法378
- 8.5 无限梯度上升380
- 8.6 EMA Q-learning381
- 8.7 仿真群智博弈环境382
- 8.8 Multi-Agent系统开发384
- 8.9 群体智能的发展与价值416
- 8.10 本章小结418
- 第4篇 分布式AI智能系统开发实战
- 第9章 体验群体智能对抗仿真环境420
- 9.1 群体智能仿真系统环境介绍420
- 9.2 导入多人对抗智能和仿真环境423
- 9.3 启动分布式多智能体和仿真环境432
- 9.4 启动人与多智能体进行对抗434
- 9.5 启动数据回放436
- 9.6 启动多个智能体集团博弈439
- 9.7 群体博弈仿真系统环境的代码模块441
- 9.8 本章小结495
- 第10章 开发群体智能仿真对抗系统496
- 10.1 智能体强化学习的算法工程496
- 10.2 算法框架模块功能说明497
- 10.3 训练智能体实现任务AI交互514
- 10.4 使用训练好的模型进行任务处理518
- 10.5 多智能体协作算法与RTOS结合523
- 10.5.1 多智能体协作算法MADDPG的应用523
- 10.5.2 结合RTOS实现MADDPG的分布式结构525
- 10.6 行为状态机与AI结合529
- 10.7 分布式群体智能的计算与存储531
- 10.8 本章小结534
- 后记535