前言
第1篇 基礎概念
第1章 分布式系統(tǒng)簡介2
1.1 什么是分布式系統(tǒng)2
1.2 分布式系統(tǒng)的歷史與未來10
1.3 分布式系統(tǒng)與并行計算13
1.4 分布式系統(tǒng)與邊緣計算17
1.5 分布式與超算系統(tǒng)20
1.6 分布式多智能體21
1.7 單體人工智能22
1.7.1 TensorFlow的分布式方案22
1.7.2 Spark分布式機器學習24
1.7.3 Google聯(lián)合學習方案26
1.8 分布式與多人博弈27
1.9 分布式與群體智能決策29
1.10 分布式與群體智能的未來和價值30
1.11 本章小結31
第2章 分布式智能計算基礎33
2.1 常用的分布式計算框架33
2.2 Spark分布式框架介紹37
2.3 HLA高層聯(lián)邦體系41
2.4 Multi-Agent體系44
2.5 RTI與RTOS分布式計算核心47
2.6 分布式計算的原理和常用方法52
2.6.1 分布式計算規(guī)則52
2.6.2 分布式與同步55
2.6.3 分布式與異步59
2.6.4 處理同步與異步延時64　
2.7 計算模型與任務分發(fā)70
2.8 代理模型與HLA智能體75
2.9 分布式與決策模型79
2.10 底層計算核心RTOS84
2.11 分布式智能計算的價值86
2.12 本章小結89
第2篇 計算框架
第3章 TensorFlow框架介紹92
3.1 什么是TensorFlow92
3.2 TensorFlow的結構和應用概念94
3.3 Graph與并行計算模型99
3.4 Session會話層108
3.5 TensorFlow中的數據類型與計算函數112
3.6 TensorFlow與卷積神經網絡120
3.7 準備TensorFlow的系統(tǒng)環(huán)境128
3.8 下載和安裝TensorFlow135
3.9 啟動第一個測試程序138
3.10 使用TensorFlow構建算法框架148
3.10.1 使用CIFAR-10構建卷積神經網絡148
3.10.2 使用RNN構建記憶網絡155
3.10.3 搭建生成對抗網絡160
3.11 TensorFlow的發(fā)展與價值165
3.12 本章小結166
第4章 分布式智能計算核心167
4.1 什么是SintolRTOS167
4.2 SintolRTOS支持的組織協(xié)議體系168
4.2.1 HLA高層聯(lián)邦體系168
4.2.2 數據分發(fā)服務171
4.2.3 Multi-Agent體系結構173
4.3 SintolRTOS核心組件和系統(tǒng)架構176
4.3.1 Core Soft Plateform178
4.3.2 Open Soft Plateform182
4.4 使用SintolRTOS系統(tǒng)組件的工作環(huán)境183
4.5 下載和安裝SintolRTOS183
4.6 SintolRTOS的分布式RTOSNode節(jié)點原理191
4.7 SintolRTOS的聯(lián)邦模型和文件定義196
4.7.1 FED聯(lián)邦模型文件定義196
4.7.2 IDL主題模型文件定義197
4.7.3 Agent代理模型定義199
4.8 編寫AI聯(lián)邦模型和Agent代理200
4.9 分布式計算層的模型與數據204
4.9.1 重構聯(lián)邦實體的處理類204
4.9.2 DQN神經網絡與PSintolSDK構建計算層208
4.10 SintolRTOS智能計算組織Demo213
4.10.1 Demo分布式聯(lián)邦智能架構設計213
4.10.2 使用UnrealRTOS和CSintolSDK搭建仿真演練場景214
4.10.3 運行UnrealRTOS多智能體進行聯(lián)邦對抗217
4.11 SintolRTOS與分布式人工智能的未來219
4.12 本章小結220
第5章 大數據與存儲系統(tǒng)框架221
5.1 什么是大數據221
5.2 大數據的關鍵技術222
5.3 大數據與機器學習224
5.4 Hadoop與分布式存儲框架225
5.5 搭建Spark運行環(huán)境228
5.6 Spark、Hadoop與TensorFlow結合245
5.6.1 分布式的圖像數據處理和識別平臺245
5.6.2 分布式機器學習與分布式數據平臺252
5.7 分布式大數據與機器學習的未來252
5.8 本章小結253
第3篇 多智能體分布式AI算法
第6章 機器學習算法與分布式改進256
6.1 邏輯回歸256
6.2 支持向量機263
6.3 決策樹271
6.4 分布式多算法結構的決策樹279
6.5 多任務并行計算算法改進281
6.5.1 數據并行282
6.5.2 模型并行284
6.6 單體算法與分布式算法的優(yōu)化287
6.6.1 單體算法優(yōu)化287
6.6.2 分布式異步隨機梯度下降290
6.7 機器學習算法的維數災難293
6.8 深度學習的內在發(fā)展需求294
6.8.1 解決維數災難295
6.8.2 算法架構設計295
6.8.3 深度學習與多任務學習297
6.9 自適應學習神經網絡算法304
6.9.1 Momentum算法與優(yōu)化305
6.9.2 RMSProp算法與優(yōu)化305
6.9.3 Adam算法與優(yōu)化307
6.10 分布式與機器學習算法規(guī)模化的發(fā)展與價值310
6.11 本章小結312
第7章 生成網絡和強化學習314
7.1 生成對抗網絡314
7.2 深度卷積生成對抗網絡316
7.3 分布式與多智能體對抗算法MADDPG330
7.4 常用的強化學習算法結構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算法的改進347
7.6.3 算法實現(xiàn)347
7.7 深度Q網絡349
7.7.1 DQN算法原理349
7.7.2 DQN的模型訓練350
7.7.3 訓練DQN351
7.7.4 算法實現(xiàn)與分析352
7.8 其他強化學習基礎算法354
7.9 強化學習算法的發(fā)展與價值356
7.10 本章小結357
第8章 對抗和群體智能博弈358
8.1 群體智能的歷史358
8.2 博弈矩陣360
8.2.1 博弈矩陣簡介360
8.2.2 博弈的線性規(guī)劃和納什均衡363
8.2.3 博弈的學習算法364
8.2.4 WoLF-IGA和WoLF-PHC算法366
8.2.5 分布式博弈矩陣368
8.2.6 學習自動機369
8.2.7 仿真博弈環(huán)境371
8.3 網格博弈375
8.4 多智能體Q-learning算法378
8.5 無限梯度上升380
8.6 EMA Q-learning381
8.7 仿真群智博弈環(huán)境382
8.8 Multi-Agent系統(tǒng)開發(fā)384
8.9 群體智能的發(fā)展與價值416
8.10 本章小結418
第4篇 分布式AI智能系統(tǒng)開發(fā)實戰(zhàn)
第9章 體驗群體智能對抗仿真環(huán)境420
9.1 群體智能仿真系統(tǒng)環(huán)境介紹420
9.2 導入多人對抗智能和仿真環(huán)境423
9.3 啟動分布式多智能體和仿真環(huán)境432
9.4 啟動人與多智能體進行對抗434
9.5 啟動數據回放436
9.6 啟動多個智能體集團博弈439
9.7 群體博弈仿真系統(tǒng)環(huán)境的代碼模塊441
9.8 本章小結495
第10章 開發(fā)群體智能仿真對抗系統(tǒng)496
10.1 智能體強化學習的算法工程496
10.2 算法框架模塊功能說明497
10.3 訓練智能體實現(xiàn)任務AI交互514
10.4 使用訓練好的模型進行任務處理518
10.5 多智能體協(xié)作算法與RTOS結合523
10.5.1 多智能體協(xié)作算法MADDPG的應用523
10.5.2 結合RTOS實現(xiàn)MADDPG的分布式結構525
10.6 行為狀態(tài)機與AI結合529
10.7 分布式群體智能的計算與存儲531
10.8 本章小結534
后記535