第1章 系统科学与人工智能
1.1 系统科学概述
1.1.1 系统科学的定义与背景
1.1.2 系统科学的主要研究领域
1.1.3 系统科学的研究方法
1.1.4 大数据与智能系统
1.2 人工智能概述
1.2.1 人工智能历史
1.2.2 机器学习
1.2.3 人工智能技术基础
1.3 总结与展望
参考文献
第2章 深度学习
2.1 深度学习概述
2.1.1 深度学习简介
2.1.2 深度学习发展历史
2.2 神经网络概述
2.2.1 神经网络简介
2.2.2 感知机及其演变：从线性到前馈神经网络
2.2.3 反向传播算法
2.3 经典神经网络模型
2.3.1 循环神经网络
2.3.2 卷积神经网络
2.3.3 图神经网络
2.4 深度学习的经典问题和解决方法
2.4.1 经典问题
2.4.2 解决方法
2.5 总结与展望
附录 拉普拉斯矩阵和图傅里叶变换
参考文献
第3章 生成模型
3.1 深度生成模型
3.1.1 变分自编码器生成模型
3.1.2 生成对抗网络模型
3.1.3 生成流模型
3.1.4 生成扩散模型
3.2 多模态数据生成
3.2.1 多模态数据融合
3.2.2 跨模态数据生成
3.3 总结与展望
参考文献
第4章 预测
4.1 时间序列预测模型
4.1.1 统计学方法
4.1.2 基于深度网络的预测模型
4.1.3 基于循环网络的预测模型
4.1.4 基于注意力机制的长时预测模型
4.2 时空预测模型
4.2.1 欧式结构数据时空预测
4.2.2 图结构数据时空预测
4.3 总结与展望
参考文献
第5章 因果推断
5.1 因果推断的两种基本框架概述
5.1.1 基于潜在结果框架的因果推断
5.1.2 基于结构因果模型的因果推断
5.2 因果发现
5.2.1 基于约束的因果发现
5.2.2 基于评分的因果发现
5.2.3 基于函数因果模型的因果发现
5.2.4 基于时序的因果关系发现
5.3 总结与展望
参考文献
第6章 系统辨识
6.1 单系统辨识
6.1.1 基础知识
6.1.2 经典算法
6.2 多系统辨识
6.2.1 基础知识
6.2.2 经典算法
6.3 总结与展望
参考文献
第7章 大规模预训练模型
7.1 预训练模型
7.1.1 基础预训练模型
7.1.2 基于多模态的融合模型
7.1.3 基于认知启发的记忆模型
7.2 预训练模型应用
7.2.1 知识蒸馏
7.2.2 模型微调
7.3 总结与展望
参考文献
第8章 强化学习
8.1 单智能体强化学习
8.1.1 基础知识
8.1.2 研究现状
8.1.3 经典算法
8.2 多智能体强化学习
8.2.1 基础知识
8.2.2 经典算法
8.3 总结与展望
参考文献
第9章 协同优化
9.1 分布式凸优化
9.1.1 基础知识
9.1.2 离散时间分布式凸优化算法
9.1.3 连续时间分布式凸优化算法
9.2 分布式非凸优化
9.2.1 预备知识
9.2.2 非凸优化方法
9.2.3 分布式非凸优化算法
9.3 总结与展望
参考文献
第10章 大规模整数规划
10.1 整数规划简介
10.1.1 模型介绍
10.1.2 整数规划问题实例
10.1.3 基本求解方法与主流求解器
10.1.4 整数规划问题的难度和挑战
10.2 基础求解算法
10.2.1 分支定界算法
10.2.2 割平面算法
10.3 大规模线性整数规划
10.3.1 大规模线性整数规划求解算法综述
10.3.2 基础知识介绍
10.3.3 集中式求解算法
10.3.4 分布式求解算法
10.4 大规模非线性整数规划
10.4.1 广义Benders分解算法
10.4.2 广义切平面算法
10.5 总结与展望
参考文献
第11章 多目标优化
11.1 多目标优化基础
11.1.1 背景介绍
11.1.2 数学模型
11.1.3 最优解
11.1.4 发展路线
11.2 多目标规划方法
11.2.1 最优性条件
11.2.2 经典算法
11.3 大规模多目标优化
11.3.1 背景介绍
11.3.2 经典算法
11.4 超多目标优化
11.4.1 背景介绍
11.4.2 经典算法
11.5 总结与展望
参考文献
第12章 多智能体博弈
12.1 博弈简介
12.2 合作博弈
12.2.1 引言
12.2.2 基于稳定性的解
12.2.3 基于公平性的解
12.2.4 合作博弈解在多智能体深度强化学习中的应用
12.3 非合作博弈
12.3.1 基础知识
12.3.2 连续时间分布式纳什均衡搜索算法
12.3.3 离散时间分布式纳什均衡搜索算法
12.4 总结与展望
参考文献
展开
