生物群智計算與機器學習
朱雲龍、陳瀚寧、申海、張浩
- 出版商: 清華大學
- 出版日期: 2020-07-01
- 定價: $474
- 售價: 7.0 折 $332
- 語言: 簡體中文
- ISBN: 7302548587
- ISBN-13: 9787302548584
-
相關分類:
Machine Learning
立即出貨
買這商品的人也買了...
-
$352機器學習實戰 (Machine Learning in Action)
-
$648$616 -
$237MATLAB 計算機視覺與深度學習實戰
-
$403深度學習入門之 PyTorch
-
$374深度學習之 PyTorch 實戰電腦視覺
-
$420$328 -
$280PyTorch 機器學習從入門到實戰
-
$550$495 -
$454深度學習之 PyTorch 物體檢測實戰
-
$352對抗機器學習:機器學習系統中的攻擊和防禦
-
$374機器學習算法與應用(微課視頻版)
-
$301Web 安全漏洞原理及實戰
-
$750$593 -
$475對抗機器學習
-
$620$484 -
$450$356 -
$520$406 -
$450$356 -
$474$450 -
$398人工智能在網絡安全中的應用
-
$594$564 -
$1,000$790 -
$403可解釋機器學習:模型、方法與實踐
-
$454深入淺出隱私計算:技術解析與應用實踐
-
$594$564
相關主題
商品描述
目錄大綱
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人工智能發展階段
1.1.3人工智能研究內容
1.2人工智能發展歷史及趨勢
1.2.1人工智能發展歷史
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
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
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粒子群優化
2.1.3蟻群優化
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神經網絡
2.1.12人工免疫系統
2.2生物群智計算統一框架模型
2.2.1生物群智計算模式的統一框架理念
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環境
2.3生物群智計算算法研究趨勢
2.3.1並行生物群智計算
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進化模擬
2.4.6群集機器人
2.4.7雲計算
2.4.8大數據
參考文獻
第3章生物個體行為模式與自適應優化方法
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效率與最優覓食理論
3.2基於生物個體行為的計算模式設計
3.2.1基於生物個體行為的統一優化框架
3.2.2基於生物個體行為的基本操作
3.3生物個體建模與模擬分析
3.3.1生物系統個體的形式化定義
3.3.2典型生物個體行為的建模與模擬分析
3.3.3個體環境間作用關系描述與規則模型
3.4細菌自適應覓食優化算法
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算法實現步驟
3.4.4算法效能分析
3.5植物根系自適應生長優化算法
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部的信息交流與協作模式
4.1.1生物種群
4.1.2信息交流
4.1.3分工協作與分佈式控制
4.2基於生物群體行為的計算模式設計
4.2.1基於生物群體行為的統一優化框架
4.2.2基於生物群體行為的基本操作
4.3生物種群建模與模擬分析
4.3.1生物系統種群的形式化定義
4.3.2種群內個體通信模型
4.3.3任務分工
4.3.4種群演化模型
4.4基於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
4.5.5算法性能分析: 有約束函數
參考文獻
第5章生物群落演化模式與優化算法
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絡拓撲結構
5.1.2生物群落內種群共生模式的多型性
5.1.3生物群落內種群的增長、遷徙和消亡模式
5.2基於生物群落演化的計算模式設計
5.2.1基於生物群落演化的統一優化框架
5.2.2基於生物群落演化的基本操作
5.3生物群落建模與模擬分析
5.3.1生物系統群落的形式化定義
5.3.2群落拓撲結構的形式化定義
5.3.3基於不同種群關系生物群落演化建模與模擬
5.4基於生物群落演化的優化模型與算法實例設計
5.4.1協同進化算法的發展現狀
5.4.2多群體協同進化統一模型
5.4.3多種群共生協同進化粒子群優化算法
5.4.4算法性能分析
5.4.5基於MSPSO的RFID網絡讀寫器調度
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基於p最優性準則的多種群多目標優化算法
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深度學習的現狀與發展趨勢
6.2.2基本思想和框架結構
6.2.3人工神經網絡
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生成式對抗網絡
6.4.1生成式對抗網絡的基本原理
6.4.2生成式對抗網絡的經典模型
6.4.3生成式對抗網絡的應用
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章評註與展望
引言
7.1生物群智計算理論基礎研究展望
7.1.1有關生物群智計算的有效性研究
7.1.2有關生物群智計算的收斂性研究
7.1.3有關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小生境層面的有關算法設計
7.2.2動態環境層面的有關算法設計
7.3機器學習研究與展望
7.3.1連續統假設悖論
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
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