分布式人工智能：基于TensorFlow、RTOS与群体智能体系
	定价	169.00
	出版社	机械工业出版社
	版次	1
	出版时间	2020年09月
	开本	16
	作者	王静逸
	装帧	平装
	页数	548
	字数	1000
	ISBN编码	9787111665205

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。

前言

D1篇  基础概念

D1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

D2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

D2篇  计算框架

D3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DY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

D4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

D5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

D3篇  多智能体分布式AI算法

D6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

D7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

D8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