前言
第1篇 基础概念
第1章 分布式系统简介2
11 什么是分布式系统2
12 分布式系统的历史与未来10
13 分布式系统与并行计算13
14 分布式系统与边缘计算17
15 分布式与超算系统20
16 分布式多智能体21
17 单体人工智能22
171 TensorFlow的分布式方案22
172 Spark分布式机器学习24
173 Google联合学习方案26
18 分布式与多人博弈27
19 分布式与群体智能决策29
110 分布式与群体智能的未来和价值30
111 本章小结31
第2章 分布式智能计算基础33
21 常用的分布式计算框架33
22 Spark分布式框架介绍37
23 HLA高层联邦体系41
24 Multi-Agent体系44
25 RTI与RTOS分布式计算核心47
26 分布式计算的原理和常用方法52
261 分布式计算规则52
262 分布式与同步55
263 分布式与异步59
264 处理同步与异步延时64
27 计算模型与任务分发70
28 代理模型与HLA智能体75
29 分布式与决策模型79
210 底层计算核心RTOS84
211 分布式智能计算的价值86
212 本章小结89
第2篇 计算框架
第3章 TensorFlow框架介绍92
31 什么是TensorFlow92
32 TensorFlow的结构和应用概念94
33 Graph与并行计算模型99
34 Session会话层108
35 TensorFlow中的数据类型与计算函数112
36 TensorFlow与卷积神经网络120
37 准备TensorFlow的系统环境128
38 下载和安装TensorFlow135
39 启动第一个测试程序138
310 使用TensorFlow构建算法框架148
3101 使用CIFAR-10构建卷积神经网络148
3102 使用RNN构建记忆网络155
3103 搭建生成对抗网络160
311 TensorFlow的发展与价值165
312 本章小结166
第4章 分布式智能计算核心167
41 什么是SintolRTOS167
42 SintolRTOS支持的组织协议体系168
421 HLA高层联邦体系168
422 数据分发服务171
423 Multi-Agent体系结构173
43 SintolRTOS核心组件和系统架构176
431 Core Soft Plateform178
432 Open Soft Plateform182
44 使用SintolRTOS系统组件的工作环境183
45 下载和安装SintolRTOS183
46 SintolRTOS的分布式RTOSNode节点原理191
47 SintolRTOS的联邦模型和文件定义196
471 FED联邦模型文件定义196
472 IDL主题模型文件定义197
473 Agent代理模型定义199
48 编写AI联邦模型和Agent代理200
49 分布式计算层的模型与数据204
491 重构联邦实体的处理类204
492 DQN神经网络与PSintolSDK构建计算层208
410 SintolRTOS智能计算组织Demo213
4101 Demo分布式联邦智能架构设计213
4102 使用UnrealRTOS和CSintolSDK搭建仿真演练场景214
4103 运行UnrealRTOS多智能体进行联邦对抗217
411 SintolRTOS与分布式人工智能的未来219
412 本章小结220
第5章 大数据与存储系统框架221
51 什么是大数据221
52 大数据的关键技术222
53 大数据与机器学习224
54 Hadoop与分布式存储框架225
55 搭建Spark运行环境228
56 Spark、Hadoop与TensorFlow结合245
561 分布式的图像数据处理和识别平台245
562 分布式机器学习与分布式数据平台252
57 分布式大数据与机器学习的未来252
58 本章小结253
第3篇 多智能体分布式AI算法
第6章 机器学习算法与分布式改进256
61 逻辑回归256
62 支持向量机263
63 决策树271
64 分布式多算法结构的决策树279
65 多任务并行计算算法改进281
651 数据并行282
652 模型并行284
66 单体算法与分布式算法的优化287
661 单体算法优化287
662 分布式异步随机梯度下降290
67 机器学习算法的维数灾难293
68 深度学习的内在发展需求294
681 解决维数灾难295
682 算法架构设计295
683 深度学习与多任务学习297
69 自适应学习神经网络算法304
691 Momentum算法与优化305
692 RMSProp算法与优化305
693 Adam算法与优化307
610 分布式与机器学习算法规模化的发展与价值310
611 本章小结312
第7章 生成网络和强化学习314
71 生成对抗网络314
72 深度卷积生成对抗网络316
73 分布式与多智能体对抗算法MADDPG330
74 常用的强化学习算法结构336
75 Q-learning算法337
76 Sarsa-lamba算法346
761 Sarsa算法原理346
762 Sarsa-lamda算法的改进347
763 算法实现347
77 深度Q网络349
771 DQN算法原理349
772 DQN的模型训练350
773 训练DQN351
774 算法实现与分析352
78 其他强化学习基础算法354
79 强化学习算法的发展与价值356
710 本章小结357
第8章 对抗和群体智能博弈358
81 群体智能的历史358
82 博弈矩阵360
821 博弈矩阵简介360
822 博弈的线性规划和纳什均衡363
823 博弈的学习算法364
824 WoLF-IGA和WoLF-PHC算法366
825 分布式博弈矩阵368
826 学习自动机369
827 仿真博弈环境371
83 网格博弈375
84 多智能体Q-learning算法378