图强化学习是深度强化学习的重要分支领域。本书作为该领域的入门教材，在内容上尽可能覆盖图强化学习的基础知识，并提供应用实践案例。全书共10章，大致分为三部分：第一部分（第1～3章）介绍图强化学习研究对象（复杂系统、图和复杂网络）；第二部分（第4～7章）介绍图强化学习基础知识（图嵌入、图神经网络和深度强化学习）；第三部分（第8～10章）介绍图强化学习模型框架和应用实践案例，并进行总结和展望。每章都附有习题并介绍了相关阅读材料，以便有兴趣的读者进一步深入探索。 本书可作为高等院校计算机、图数据挖掘及相关专业的本科生或研究生教材，也可供对图强化学习感兴趣的研究人员和工程技术人员阅读参考。

第一部分 图强化学习研究对象
第1章 图与复杂系统
1.1 为什么是图
1.1.1 图的普遍性
1.1.2 图的表示性
1.1.3 图的抽象性
1.2 图与复杂系统
1.2.1 复杂系彩统定义
1.2.2 复杂系统的图表示
1.2.3 复杂系统问题与图
1.3 复杂系统与强化学习
1.3.1 强化学习
1.3.2 智能决策
1.3.3 基于强化学习的智能决策
1.4 复杂系统与智能决策
1.4.1 复杂金融系统风险管理问题
1.4.2 复杂社会系统情传播和虚假信息防控问题
1.5 应用实践
1.5.1 图数据集
1.5.2 图可视化和分析工具
第1章习题
第2章 图论基础
2.1 图论的起源
2.1.1 提出问题
2.1.2 形式化问题
2.1.3 求解问题
2.2 图论的发展
2.2.1 随机图理论
2.2.2 拓扑图论
2.2.3 几何图论
2.2.4 代数图论
2.3 图论的概念
2.3.1 图定义
2.3.2 节点
2.3.3 连边
2.3.4 邻接矩阵
2.3.5 度
2.3.6 邻域
2.3.7 途径
2.3.8 最短路
2.3.9 带自环图
2.3.10 圈
2.3.11 子图
2.3.12 连通分量
2.3.13 最大连通子图
2.3.14 简单图
2.3.15 平面图
2.3.16 对偶图
2.3.17 树
2.4 经典图示例
2.4.1 完全图
2.4.2 二部图
2.4.3 彼得森图
2.4.4 星状图
2.4.5 网格图
2.4.6 正十二面体图
2.5 经典问题示例
2.5.1 图同构
2.5.2 TSP问题
2.5.3 最小点覆盖问题
2.5.4 最大割问题
2.5.5 最大独立集问题
2.6 可视图
2.6.1 可视图算法
2.6.2 水平可视图算法
2.6.3 水平可视图度分布
2.6.4 有向水平可视图度分布
……
第二部分 图强化学习基础知识
第三部分 图强化学习模型框架和应用实践