本書從仿生學的角度,闡述AI面臨的挑戰(zhàn)和前沿研究方向,同時融入作者在AI研究中部分最新成果。反映了人工智能發(fā)展的最新動態(tài)，為生物信息學或其他學科的特征分析提供手段和方法，為研究和開發(fā)更高層次的human-like智能打下基礎(chǔ)。本書強調(diào)新視野、先進性、實用性和可讀性，書中涉及的經(jīng)典例子和算法都將提供程序?qū)崿F(xiàn)，附在隨書光盤中。
更多科學出版社服務(wù)，請掃碼獲取。
目錄
第一部分 生物啟發(fā)的人工智能
第1章 人工智能發(fā)展簡況1
1.1 人工智能領(lǐng)域主要研究成就回顧1
1.1.1 1956年：人工智能的信息處理觀2
1.1.2 20世紀60年代：啟發(fā)式搜索與知識表示3
1.1.3 20世紀80年代：人工神經(jīng)網(wǎng)絡(luò)4
1.1.4 20世紀90年代：物化與多代理系統(tǒng)5
1.1.5 21世紀：符號動力學5
1.1.6 我國的人工智能研究6
1.2 人工智能的發(fā)展10
1.2.1 從圖靈測試到IBM的沃森10
1.2.2 谷歌的智能機器未來12
1.2.3 百度大腦14
1.2.4 微軟智能生態(tài)16
1.2.5 臉書的深臉18
1.2.6 三大突破讓人工智能近在眼前19
1.3 生物啟發(fā)的人工智能發(fā)展里程碑20
1.3.1 遺傳算法與進化計算21
1.3.2 神經(jīng)網(wǎng)絡(luò)21
1.3.3 群體智能22
1.4 小結(jié)22
參考文獻23
第2章 進化計算、遺傳算法與人工生命25
2.1 受生物啟發(fā)的計算25
2.1.1 受生物啟發(fā)的計算科學：康莊大道還是荊棘叢生？25
2.1.2 什么是受生物啟發(fā)的計算？26
2.1.3 生物學在計算科學研究中的多重角色27
2.2 進化計算28
2.2.1 什么是進化計算？28
2.2.2 進化計算的基本框架與主要特點30
2.2.3 進化計算的分類32
2.2.4 進化計算的若干關(guān)鍵問題32
2.3 遺傳算法35
2.3.1 遺傳算法的概述36
2.3.2 遺傳算法的理論基礎(chǔ)38
2.3.3 遺傳算法的基本思想40
2.3.4 遺傳算法的一個簡單的應(yīng)用實例44
2.4 人工生命46
2.4.1 機器人學1：包容性架構(gòu)48
2.4.2 機器人學2：受細菌活動啟發(fā)的機器人趨向性技術(shù)49
2.4.3 機器人學3：能量和容錯性控制50
2.5 小結(jié)51
參考文獻51
第3章 神經(jīng)計算52
3.1 人工神經(jīng)網(wǎng)絡(luò)相關(guān)介紹52
3.1.1 人工神經(jīng)網(wǎng)絡(luò)的起源與發(fā)展52
3.1.2 人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用53
3.1.3 小結(jié)54
3.2 Hopfield神經(jīng)網(wǎng)絡(luò)54
3.2.1 Hopfield神經(jīng)網(wǎng)絡(luò)概述54
3.2.2 Hopfield神經(jīng)網(wǎng)絡(luò)聯(lián)想記憶55
3.3 博弈與神經(jīng)網(wǎng)絡(luò)的結(jié)合57
3.3.1 博弈論概述57
3.3.2 博弈模型與神經(jīng)網(wǎng)絡(luò)模型結(jié)合的學習模型58
3.4 自組織特征映射網(wǎng)絡(luò)（SOM）65
3.4.1 快速SOM文本聚類法65
3.4.2 樸素貝葉斯與SOM相結(jié)合的混合聚類算法66
3.5 神經(jīng)芯片與人工生命67
3.5.1 神經(jīng)芯片的發(fā)展及其應(yīng)用68
3.5.2 人工生命的相關(guān)應(yīng)用69
3.6 深度學習71
3.6.1 深度學習的基本思想71
3.6.2 深度學習的典型結(jié)構(gòu)71
3.6.3 深度學習的應(yīng)用77
3.6.4 深度學習現(xiàn)狀及前景分析80
3.7 人工神經(jīng)網(wǎng)絡(luò)與醫(yī)學影像81
3.7.1 人工神經(jīng)網(wǎng)絡(luò)與醫(yī)學影像概述81
3.7.2 基于人工神經(jīng)網(wǎng)絡(luò)的腦成像分類模型介紹82
參考文獻84
第4章 群體智能87
4.1 群體智能基本思想87
4.1.1 思想來源87
4.1.2 群體智能的優(yōu)點及求解問題類型88
4.2 蟻群算法88
4.2.1 蟻群算法主要思想89
4.2.2 蟻群算法基本實現(xiàn)90
4.2.3 蟻群算法應(yīng)用93
4.3 粒子群優(yōu)化算法95
4.3.1 基本粒子群優(yōu)化算法原理95
4.3.2 粒子群優(yōu)化算法的改進研究97
4.3.3 粒子群優(yōu)化算法的相關(guān)應(yīng)用99
參考文獻101
第5章 變形蟲模型與應(yīng)用105
5.1 變形蟲的生物學機理105
5.1.1 迷宮實驗106
5.1.2 自適應(yīng)網(wǎng)絡(luò)設(shè)計實驗107
5.2 變形蟲模型109
5.2.1 Jones多Agent模型說明109
5.2.2 Gunji等CELL模型說明110
5.2.3 Tero等數(shù)學模型說明112
5.3 多Agent模型系統(tǒng)113
5.3.1 系統(tǒng)相關(guān)介紹114
5.3.2 模擬變形蟲網(wǎng)絡(luò)118
5.3.3 迷宮求解120
5.4 變形蟲IBTM模型系統(tǒng)122
5.4.1 IBTM改進策略介紹122
5.4.2 IBTM模型算法描述125
5.4.3 IBTM模型仿真實驗125
5.5 數(shù)學模型系統(tǒng)應(yīng)用129
5.5.1 變形蟲多入口多出口數(shù)學模型129
5.5.2 基于變形蟲多入口多出口模型改進蟻群算法129
5.5.3 實驗分析130
5.6 小結(jié)134
參考文獻135
第6章 智能Agent與多Agent系統(tǒng)137
6.1 智能Agent與Agent模擬軟件137
6.1.1 NetLogo138
6.1.2 Swarm138
6.1.3 Repast138
6.1.4 TNG Lab139
6.2 基于Agent的生物免疫系統(tǒng)模擬139
6.2.1 生物免疫系統(tǒng)建模的基本方法139
6.2.2 生物免疫系統(tǒng)建模的方法對比141
6.2.3 基于Agent的生物免疫系統(tǒng)建模方法142
6.2.4 基于Agent免疫系統(tǒng)建模展望145
6.3 基于Agent的經(jīng)濟模擬146
6.3.1 經(jīng)濟與復(fù)雜性146
6.3.2 基于Agent的計算經(jīng)濟學147
6.3.3 經(jīng)濟系統(tǒng)模擬案例150
參考文獻159
第二部分 人工智能熱門研究問題
第7章 AI研究熱點161
7.1 人工智能與機器學習161
7.1.1 機器學習簡述162
7.1.2 機器學習研究熱點（1）——表示學習162
7.1.3 機器學習研究熱點（2）——機器學習理論研究163
7.1.4 機器學習研究熱點（3）——基于人類認知的學習方法164
7.1.5 機器學習研究熱點（4）——復(fù)雜問題的遺傳編程求解165
7.2 人工智能與交叉學科166
7.2.1 人工智能在交叉學科中的應(yīng)用簡述166
7.2.2 人工智能在交叉學科中的應(yīng)用（1）——AI與經(jīng)濟學166
7.2.3 人工智能在交叉學科中的應(yīng)用（2）——AI與算法生物學168
7.2.4 人工智能在交叉學科中的應(yīng)用（3）——AI與人類計算169
7.3 人工智能與自然語言處理170
7.3.1 自然語言處理簡述170
7.3.2 自然語言處理研究熱點（1）——AI與語言學170
7.3.3 自然語言處理研究熱點（2）——AI與自然語言理解171
7.4 人工智能與數(shù)據(jù)科學172
7.4.1 異構(gòu)數(shù)據(jù)的信息提取172
7.4.2 社交網(wǎng)絡(luò)中的信任關(guān)系研究173
7.4.3 大規(guī)模社交媒體數(shù)據(jù)分析174
7.4.4 基于社交媒體的應(yīng)用（1）——事件檢測與預(yù)測175
7.4.5 基于社交媒體的應(yīng)用（2）——市場預(yù)測177
7.5 人工智能與多Agent系統(tǒng)178
7.5.1 多Agent系統(tǒng)的理論研究（1）——獎勵機制178
7.5.2 多Agent系統(tǒng)的理論研究（2）——協(xié)作機制179
7.5.3 多Agent系統(tǒng)的理論研究（3）——聯(lián)盟機制180
7.5.4 多Agent系統(tǒng)的理論研究（4）——優(yōu)化選擇182
7.5.5 人工智能與機器人研究（1）——自動駕駛汽車183
7.5.6 人工智能與機器人研究（2）——與機器人對話184
7.5.7 人工智能與機器人研究（3）——多機器人控制185
7.6 人工智能與邏輯學186
7.6.1 邏輯學簡述186
7.6.2 邏輯學研究熱點（1）——人類級AI187
7.6.3 邏輯學研究熱點（2）——結(jié)合邏輯與統(tǒng)計概率AI188
7.6.4 邏輯學研究熱點（3）——驗證信息物理融合系統(tǒng)190
7.6.5 邏輯學研究熱點（4）——AI與描述邏輯191
7.7 人工智能與語義學192
7.7.1 語義學簡述192
7.7.2 語義學研究熱點（1）——語義網(wǎng)絡(luò)192
7.7.3 語義學研究熱點（2）——多模態(tài)感知人類非語言行為194
7.7.4 語義學研究熱點（3）——AI和本體技術(shù)195
7.7.5 語義學研究熱點（4）——語義技術(shù)應(yīng)用196
7.7.6 語義學研究熱點（5）——關(guān)聯(lián)數(shù)據(jù)分析197
7.8 人工智能與可視化198
7.8.1 可視化簡述198
7.8.2 可視化研究熱點（1）——可視化搜索與分析198
7.8.3 可視化研究熱點（2）——計算攝影中的圖像統(tǒng)計199
7.8.4 可視化研究熱點（3）——視覺場景的學習表示201
7.9 小結(jié)202
參考文獻202
第8章 Turing開創(chuàng)性工作對人工智能研究的啟示208
8.1 Turing與人工智能208
8.1.1 孕育人工智能的自然科學208
8.1.2 承載人工智能的計算機科學211
8.1.3 激勵人工智能的交叉學科212
8.2 人工智能的發(fā)展213
8.3 計算機界的諾貝爾獎——Turing獎214
參考文獻214
第三部分 建模、模擬與應(yīng)用
第9章 社會網(wǎng)絡(luò)分析215
9.1 基于微博的熱點信息發(fā)現(xiàn)215
9.1.1 研究內(nèi)容216
9.1.2 利用外部知識庫挖掘熱點話題216
9.1.3 基于MA-LDA挖掘熱點話題217
9.1.4 基于LDA與MA-LDA挖掘熱點話題比較217
9.2 中文微博情感分析222
9.2.1 研究內(nèi)容222
9.2.2 情感分析模型222
9.2.3 文本預(yù)處理與詞典構(gòu)建223
9.2.4 特征值統(tǒng)計方法223
9.2.5 多模型分類結(jié)果比較224
9.3 中文微博實體鏈接225
9.3.1 研究內(nèi)容225
9.3.2 鏈接整體框架225
9.3.3 構(gòu)建實體詞典226
9.3.4 模型設(shè)計227
9.5 社交網(wǎng)絡(luò)推薦系統(tǒng)230
9.5.1 研究內(nèi)容230
9.5.2 基于社交標注網(wǎng)絡(luò)的推薦系統(tǒng)230
9.5.3 基于隱馬爾可夫模型的位置推薦系統(tǒng)232
9.5.4 信任傳播推薦系統(tǒng)233
9.5.5 基于多屬性的概率矩陣分解推薦系統(tǒng)238
9.6 鏈接預(yù)測241
9.6.1 研究內(nèi)容241
9.6.2 社會化網(wǎng)絡(luò)的鏈接預(yù)測241
9.7 小結(jié)243
參考文獻244
第10章 語義網(wǎng)技術(shù)及其應(yīng)用245
10.1 語義網(wǎng)技術(shù)及其在資源整合中的應(yīng)用245
10.1.1 語義網(wǎng)的概念和體系結(jié)構(gòu)245
10.1.2 本體簡介247
10.1.3 基于語義網(wǎng)技術(shù)的資源整合方法250
10.1.4 語義網(wǎng)技術(shù)在資源整合中的應(yīng)用251
10.2 語義網(wǎng)技術(shù)在農(nóng)業(yè)農(nóng)村信息化中的應(yīng)用257
10.2.1 農(nóng)業(yè)農(nóng)村信息化257
10.2.2 語義網(wǎng)技術(shù)在柑橘種植中的應(yīng)用257
10.2.3 基于語義網(wǎng)技術(shù)的柑橘施肥決策支持系統(tǒng)260
10.3 語義網(wǎng)技術(shù)/語義整合在復(fù)雜網(wǎng)絡(luò)中的應(yīng)用262
10.3.1 語義網(wǎng)技術(shù)在社會網(wǎng)絡(luò)中的應(yīng)用262
10.3.2 語義網(wǎng)技術(shù)在物聯(lián)網(wǎng)中的應(yīng)用263
10.4 小結(jié)265
參考文獻266
第11章 信息融合267
11.1 信息融合的發(fā)展歷史與現(xiàn)狀267
11.2 多傳感器系統(tǒng)的特點與控制結(jié)構(gòu)268
11.3 信息融合的主要方法與當前的研究熱點270
11.3.1 信息融合主要模型270
11.3.2 信息融合的主要算法272
11.3.3 當前的研究熱點274
11.4 Dempster-Shafer證據(jù)理論274
11.4.1 辨識框架275
11.4.2 基本信任分配函數(shù)275
11.4.3 信任函數(shù)276
11.4.4 似然函數(shù)276
11.4.5 證據(jù)理論的組合規(guī)則277
11.5 信息融合應(yīng)用舉例278
11.5.1 信息融合在工業(yè)機器人當中的應(yīng)用278
11.5.2 信息融合的在線手寫簽名中的應(yīng)用278
11.5.3 信息融合在飛行器中的應(yīng)用278
11.6 小結(jié)279
參考文獻279
第12章 人工智能技術(shù)在生物信息學中的應(yīng)用280
12.1 生物信息學概述280
12.1.1 什么是生物信息學？280
12.1.2 生物信息學研究對象281
12.1.3 生物信息學研究內(nèi)容282
12.1.4 生物信息學新進展284
12.2 基因組序列分析與功能預(yù)測285
12.2.1 基因組序列分析285
12.2.2 基因及基因區(qū)域預(yù)測287
12.3 基因表達與調(diào)控信息分析288
12.3.1 什么是基因表達調(diào)控289
12.3.2 基因表達調(diào)控網(wǎng)絡(luò)的計算特性289
12.3.3 基于基因芯片的表達數(shù)據(jù)分析方法291
12.3.4 非編碼區(qū)域分析和調(diào)控元件識別293
12.4 分子進化：系統(tǒng)發(fā)育分析296
12.4.1 系統(tǒng)發(fā)育樹基本概念297
12.4.2 DNA進化及進化模型298
12.4.3 系統(tǒng)發(fā)育樹構(gòu)建方法304
12.5 蛋白質(zhì)結(jié)構(gòu)和功能預(yù)測307
12.5.1 蛋白質(zhì)結(jié)構(gòu)預(yù)測308
12.5.2 蛋白質(zhì)功能預(yù)測312
12.6 小結(jié)314
參考文獻315
書單推薦
