目录
前言
第 1 章 绪论 1
1.1 群体智能与智能网联概述 1
1.2 国内外研究现状 4
1.2.1 群体智能优化算法 4
1.2.2 多智能体系统 5
1.2.3 广义群体智能 11
1.3 本书结构 12
参考文献 13
第一篇 原理篇
第 2 章 群体智能的通信与网络模式 20
2.1 多智能体通信 20
2.1.1 直接通信 21
2.1.2 间接通信 24
2.2 组网方式 30
2.2.1 集中式结构 30
2.2.2 去中心化结构 31
2.2.3 自组织网络 32
2.3 多智能体学习 33
2.3.1 多智能体强化学习的 3 种
组织架构 34
2.3.2 基于通信的多智能体强化
学习 35
参考文献 38
第 3 章 群体智能知识表征、知识表达
与计算 40
3.1 知识表征与计算 40
3.1.1 知识表征方法 41
3.1.2 知识传递与迁移 47
3.1.3 角色与任务分解 53
3.2 知识表达与计算 56
3.2.1 IEML 的基本概念 57
3.2.2 IEML 模型 60
3.2.3 IEML 算法结构 63
3.2.4 IEML 语义计算 68
参考文献 69
第 4 章 因果涌现与群体智能 76
4.1 涌现的定义与分类 76
4.2 因果涌现建模理论 81
4.2.1 基本理论框架 81
4.2.2 信息转换观点 86
4.2.3 获得微观到宏观的最佳
抽象 89
V
4.3 深度学习中的因果涌现 91
4.3.1 神经网络可解释性 91
4.3.2 神经网络与有效信息 92
4.4 群体智能中的涌现 93
4.4.1 鸟群中的涌现 94
4.4.2 鱼群中的涌现 96
参考文献 97
第二篇 算法篇
第 5 章 多智能体强化学习 100
5.1 融合共识主动性机制的独立
强化学习 102
5.1.1 SIRL 算法概述 102
5.1.2 SIRL 算法模块简介 103
5.1.3 SIRL 算法性能 111
5.2 基于平均场理论的多智能体
强化学习 114
5.2.1 平均场理论 114
5.2.2 非合作场景中的平均场
近似 116
5.2.3 合作场景中的平均场
近似 119
参考文献 123
第 6 章 合作式梯度更新 126
6.1 基本原理 126
6.1.1 随机梯度下降 127
6.1.2 联邦学习 127
6.1.3 联邦周期平均方法 129
6.2 更新方式的影响 130
6.2.1 同步更新 132
6.2.2 异步更新 134
6.3 优化方法 135
6.3.1 基于衰减的优化方法 136
6.3.2 基于共识的优化方法 139
参考文献 141
第 7 章 图神经网络 143
7.1 图的基本概念 143
7.1.1 图的定义 143
7.1.2 图的拉普拉斯矩阵 145
7.1.3 图网络的任务 147
7.2 常见的图神经网络模型 148
7.2.1 谱域图神经网络模型 149
7.2.2 空域图神经网络模型 152
7.2.3 时变图神经网络模型 157
7.3 图神经网络与机器学习 161
7.3.1 图神经网络与深度学习 161
7.3.2 图神经网络与强化学习 164
7.3.3 图神经网络与联邦学习 168
参考文献 173
第 8 章 仿生物智能学习 176
8.1 蚁群算法 176
8.1.1 蚁群算法描述 176
8.1.2 蚁群算法的改进 182
8.2 群体学习 185
8.2.1 群体学习框架 185
8.2.2 群体学习性能分析 187
VI
参考文献 188
第三篇 应用篇
第 9 章 6G 与内生智能 192
9.1 移动通信网络发展趋势 192
9.1.1 5G 能力浅析 192
9.1.2 6G 远景展望 194
9.2 内生智能架构初探 196
9.2.1 独立数据面与数据治理
框架 197
9.2.2 智能面 198
9.2.3 网络功能面 201
9.2.4 一切即服务平台 202
9.3 智能通信网络典型场景 202
9.3.1 算法介绍 203
9.3.2 性能分析 204
参考文献 208
第 10 章 车联网与自动驾驶 210
10.1 无人驾
展开