分佈式人工智能：基於tensorflow、rtos與群體智能體系

前言
第1篇基礎概念
第1章分佈式系統簡介2
1.1什麼是分佈式系統2
1.2分佈式系統的歷史與未來10
1.3分佈式系統與並行計算13
1.4分佈式系統與邊緣計算17
1.5分佈式與超算系統20
1.6分佈式多智能體21
1.7單體人工智能22
1.7.1 TensorFlow的分佈式方案22
1.7.2 Spark分佈式機器學習24
1.7.3 Google聯合學習方案26
1.8分佈式與多人博弈27
1.9分佈式與群體智能決策29
1.10分佈式與群體智能的未來和價值30
1.11本章小結31

第2章分佈式智能計算基礎33
2.1常用的分佈式計算框架33
2.2 Spark分佈式框架介紹37
2.3 HLA高層聯邦體系41
2.4 Multi-Agent體系44
2.5 RTI與RTOS分佈式計算核心47
2.6分佈式計算的原理和常用方法52
2.6.1分佈式計算規則52
2.6.2分佈式與同步55
2.6.3分佈式與異步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70
2.8代理模型與HLA智能體75
2.9分佈式與決策模型79
2.10底層計算核心RTOS 84
2.11分佈式智能計算的價值86
2.12本章小結89

第2篇計算框架
第3章TensorFlow框架介紹92
3.1什麼是TensorFlow 92
3.2 TensorFlow的結構和應用概念94
3.3 Graph與並行計算模型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的系統環境128
3.8下載和安裝TensorFlow 135
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的發展與價值165
3.12本章小結166

第4章分佈式智能計算核心167
4.1什麼是SintolRTOS 167
4.2 SintolRTOS支持的組織協議體系168
4.2.1 HLA高層聯邦體系168
4.2.2數據分發服務171
4.2.3 Multi-Agent體系結構173
4.3 SintolRTOS核心組件和系統架構176
4.3.1 Core Soft Plateform 178
4.3.2 Open Soft Plateform 182
4.4使用SintolRTOS系統組件的工作環境183
4.5下載和安裝SintolRTOS 183
4.6 SintolRTOS的分佈式RTOSNode節點原理191
4.7 SintolRTOS的聯邦模型和文件定義196
4.7.1 FED聯邦模型文件定義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聯邦模型和Agent代理200
4.9分佈式計算層的模型與數據204
4.9.1重構聯邦實體的處理類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Demo 213
4.10.1 Demo分佈式聯邦智能架構設計213
4.10.2使用UnrealRTOS和CSintolSDK搭建仿真演練場景214
4.10.3運行UnrealRTOS多智能體進行聯邦對抗217
4.11 SintolRTOS與分佈式人工智能的未來219
4.12本章小結220

第5章大數據與存儲系統框架221
5.1什麼是大數據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與分佈式存儲框架225
5.5搭建Spark運行環境228
5.6 Spark、Hadoop與TensorFlow結合245
5.6.1分佈式的圖像數據處理和識別平台245
5.6.2分佈式機器學習與分佈式數據平台252
5.7分佈式大數據與機器學習的未來252
5.8本章小結253

第3篇多智能體分佈式AI算法
第6章機器學習算法與分佈式改進256
6.1邏輯回歸256
6.2支持向量機263
6.3決策樹271
6.4分佈式多算法結構的決策樹279
6.5多任務並行計算算法改進281
6.5.1數據並行282
6.5.2模型並行284
6.6單體算法與分佈式算法的優化287
6.6.1單體算法優化287
6.6.2分佈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算法與優化305
6.9.2 RMSProp算法與優化305
6.9.3 Adam算法與優化307
6.10分佈式與機器學習算法規模化的發展與價值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分佈式與多智能體對抗算法MADDPG 330
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DQN 351
7.7.4算法實現與分析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分佈式博弈矩陣368
8.2.6學習自動機369
8.2.7仿真博弈環境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-learning 381
8.7仿真群智博弈環境382
8.8 Multi-Agent系統開發384
8.9群體智能的發展與價值416
8.10本章小結418

第4篇分佈式AI智能係統開發實戰
第9章體驗群體智能對抗仿真環境420
9.1群體智能仿真係統環境介紹420
9.2導入多人對抗智能和仿真環境423
9.3啟動分佈式多智能體和仿真環境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群體博弈仿真係統環境的代碼模塊441
9.8本章小結495

第10章開發群體智能仿真對抗系統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多智能體協作算法與RTOS結合523
10.5.1多智能體協作算法MADDPG的應用523
10.5.2結合RTOS實現MADDPG的分佈式結構525
10.6行為狀態機與AI結合529
10.7分佈式群體智能的計算與存儲531
10.8本章小結534
後記535