正版 分布式人工智能 安波 电子工业出版社 9787121443046 书籍

第一部分分布式人工智能简介 1 概述 （安波，新加坡南洋理工大学） 1.1 研究背景3 1.1.1 前深度学习时代 3 1.1.2 深度学习时代6 1.2 主要研究领域8 1.2.1 算法博弈论8 1.2.2 分布式问题求解9 1.2.3 多智能体规划10 1.2.4 多智能体学习 11 1.2.5 分布式机器学习 12 1.3 相关应用14 1.3.1 足球14 1.3.2 安全博弈15 1.3.3 扑克和麻将 16 1.3.4 视频游戏 17 1.4 当前热点与挑战18 1.4.1 超大规模分布式人工智能系统 18 1.4.2 分布式人工智能系统的鲁棒性和安全性 19 1.4.3 分布式人工智能决策的可解释性 19 1.4.4 将传统和深度学习的方法结合 20 参考文献 第二部分分布式规划与优化 2 分布式规划 （吴锋，中国科技大学） 2.1 研究背景 9 2.2 分布式规划的决策模型31 2.3 分布式规划的离线算法36 2.3.1 离线准确规划算法37 2.3.2 离线近似规划算法 39 2.4 分布式规划的在线算法46 2.4.1 在线协调机制 46 2.4.2 在线通信策略 48 2.5 当前热点与挑战 52 参考文献 54 3 分布式约束优化 （陈自郁，重庆大学） 3.1 研究背景58 3.2 分布式约束优化问题59 3.2.1 约束网络59 3.2.2 基础概念 60 3.3 求解算法分类63 3.4 完备求解算法65 3.4.1 基于搜索的完备求解算法：ADOPT 65 3.4.2 基于推理的完备求解算法：DPOP 69 3.5 非完备求解算法72 3.5.1 基于决策的局部搜索算法72 3.5.2 基于信念传播的推理算法：Max-sum 75 3.6 基准测试问题和典型应用 80 3.6.1 基准测试问题和评价指标 80 3.6.2 典型应用 82 3.7 当前热点与挑战85 参考文献 86 第三部分多智能体博弈 4 纳什均衡求解 （邓小铁，北京大学；刘正阳，北京理工大学） 4.1 研究背景 93 4.2 正规形式博弈94 4.3 纳什均衡与纳什定理95 4.4 二人博弈纳什均衡求解算法97 4.4.1 二人博弈的表示形式 98 4.4.2 支持枚举算法 98 4.4.3 Lemke-Howson 算法 99 4.4.4 Lipton-Markakis-Mehta 算法103 4.4.5 三种算法的总结与对比106 4.5 纳什均衡的计算复杂性106 4.6 当前热点与挑战108 参考文献 110 5 机制设计 （沈蔚然，中国人民大学；唐平中，清华大学） 5.1 研究背景112 5.2 什么是机制 113 5.2.1 社会选择函数 113 5.2.2 机制的实现与显示原理113 5.3 拍卖机制设计 118 5.3.1 性质与设计目标 119 5.3.2 社会福利优选化机制：VCG 机制 121 5.3.3 收益优选化机制：很优拍卖 123 5.4 付费搜索拍卖128 5.5 当前热点与挑战130 参考文献131 6 合作博弈与社会选择 （王崇骏，南京大学） 6.1 研究背景133 6.2 合作博弈论135 6.2.1 合作博弈论的提出 135 6.2.2 合作博弈的一般表示 136 6.2.3 合作博弈的解 138 6.3 核与稳定集 139 6.3.1 核的提出139 6.3.2 核的计算方式 140 6.3.3 稳定集 141 6.4 核仁143 6.4.1 核仁的提出 143 6.4.2 核仁的计算方式 144 6.4.3 计算实例 145 6.5 Shapley 值150 6.5.1 Shapley 值的提出 150 6.5.2 Shapley 值的计算方式 151 6.5.3 计算实例 152 6.6 社会选择153 6.6.1 社会选择理论的提出 155 6.6.2 阿罗不可能性定理156 6.6.3 森的帕累托自由不可能定理 158 6.7 应用场景 161 6.7.1 合作博弈应用场景 161 6.7.2 社会选择应用场景 163 6.8 当前热点与挑战164 6.8.1 合作博弈研究趋势165 6.8.2 社会选择研究趋势 167 参考文献170 7 博弈学习 （高阳、孟林建、葛振兴，南京大学） 7.1 不完美信息扩展式博弈177 7.2 均衡计算179 7.2.1 纳什均衡 179 7.2.2 纳什均衡的计算 181 7.2.3 线性规划求解 182 7.2.4 遗憾最小化算法182 7.2.5 虚拟遗憾最小化算法 185 7.2.6 基于深度学习的方法 190 7.3 对手利用191 7.3.1 对手建模 192 7.3.2 对手利用的安全性 197 7.4 小结199 参考文献200 第四部分多智能体学习 8 单智能体强化学习 （章宗长、俞扬，南京大学） 8.1 研究背景207 8.2 强化学习的基本设定208 8.2.1 强化学习模型 208 8.2.2 马尔可夫决策过程 210 8.3 动态规划212 8.3.1 值迭代 213 8.3.2 策略迭代 214 8.4 表格式的强化学习215 8.4.1 免模型的学习 215 8.4.2 基于模型的学习217 8.5 深度强化学习219 8.5.1 基于值函数的深度强化学习 220 8.5.2 基于策略梯度的深度强化学习 227 8.5.3 基于行动者-评论家的深度强化学习 230 8.6 基准测试平台与实际应用234 8.6.1 基准测试平台 234 8.6.2 实际应用 237 8.7 当前热点与挑战238 8.8 小结 242 参考文献243 9 基于模型的强化学习 （张伟楠，上海交通大学；汪军，伦敦大学学院） 9.1 Dyna：基于模型的强化学习经典方法 249 9.2 打靶法250 9.3 基于模型的策略优化方法253 9.4 基于模型的方法：从单智能体到多智能体255 9.4.1 自适应对手智能体推演策略优化算法（AORPO） 256 9.4.2 其他多智能体强化学习的基于模型的方法258 9.5 小结260 参考文献262 10 多智能体合作学习 （张崇洁，清华大学） 10.1 研究背景263 10.2 合作学习问题描述265 10.3 基于值函数的合作多智能体强化学习算法265 10.3.1 值分解学习框架 266 10.3.2 线性值分解 268 10.3.3 单调值分解 269 10.3.4 IGM 完备值分解 270 10.4 基于策略的合作学习算法272 10.4.1 反事实策略梯度 272 10.4.2 多智能体深度确定性策略梯度 275 10.4.3 可分解的离策略多智能体策略梯度 277 10.5 基准测试集280 10.5.1 多智能体小球环境MPE 280 10.5.2 星际争霸Ⅱ 多智能体挑战SMAC 280 10.5.3 谷歌足球 281 10.5.4 多智能体合作测试集MACO 282 10.6 当前热点与挑战282 10.6.1 探索282 10.6.2 学习交流 283 10.6.3 共享学习 285 10.6.4 分层多智能体强化学习 286 10.6.5 离线多智能体强化学习 287 10.6.6 基于模型的多智能体合作学习 287 10.6.7 多智能体合作学习的理论分析 288 10.7 小结289 参考文献290 11 多智能体竞争学习 （郝建业、郑岩，天津大学） 11.1 研究背景298 11.2 竞争式问题描述 299 11.3 基于对手建模的竞争学习算法300 11.3.1 隐式的对手建模方法 300 11.3.2 显式的对手建模方法 309 11.4 基于群体自博弈的竞争学习算法315 11.4.1 自博弈机制 315 11.4.2 联盟训练 318 11.5 实际应用319 11.6 小结321 参考文献322 第五部分 分布式人工智能应用 12 安全博弈 （安波，新加波南洋理工大学；甘家瑞，牛津大学） 12.1 研究背景327 12.2 安全博弈模型与均衡329 12.2.1 Stackelberg 均衡 330 12.2.2 均衡求解333 12.2.3 Stackelberg 安全博弈模型及求解 334 12.2.4 安全博弈实例 337 12.3 复杂环境下的安全博弈 339 12.3.1 信息不接近与不确定性 339 12.3.2 复杂策略空间的处理 343 12.3.3 动态安全博弈 346 12.4 实际应用与成功案例349 12.4.1 重要基础设施保护 349 12.4.2 交通系统安保调度 351 12.4.3 打击环境资源犯罪与城市犯罪353 12.4.4 打击犯罪网络 354 12.4.5 其他应用354 12.5 当前热点与挑战354 12.5.1 研究热点 355 12.5.2 未来研究方向 357 12.5.3 未来应用领域 359 参考文献360 13 社交网络中的机制设计 （赵登吉，上海科技大学） 13.1 研究背景367 13.2 传播网络与传播机制369 13.3 VCG 在网络上的扩展373 13.3.1 具有传播激励的VCG 拍卖 373 13.3.2 传播拍卖的不可能性定理 374 13.4 基于关键传播路径的拍卖机制375 13.4.1 关键传播序列 375 13.4.2 信息传播机制 376 13.4.3 关键传播机制 378 13.4.4 阈值邻接机制 380 13.5 当前热点与挑战 381 参考文献382

"分布式人工智能主要研究多智能体的协同行为和问题求解。本书介绍该领域算法博弈论、分布式问题求解、多智能体规划、多智能体学习等方面的近期新研究成果和进展，指出当前研究热点和挑战。作者均是国际上活跃于该领域的年轻学者。该书文笔精练、公式推导严谨、参考文献翔实，是一本极有参考价值的好书。 史忠植 中国科学院计算技术研究所研究员 中国计算机学会会士 中国人工智能学会会士 近年来，人工智能得以突飞猛进的发展。人工智能通过人类社会获取的知识，让机器模拟甚至超过人类的表现。然而，人类社会是由千千万万个相互连接的个体和群体组成的，其本质是分布式的。 本书从智能体、博弈论、分布式决策和机器学习等多项基础技术出发，全面描述了分布式人工智能的发展路径和前瞻未来。本书的作者是分布式人工智能领域的很好专家，有丰富的产学研背景和经验，同时又是很好大学的教授，把复杂的技术用明晰的方式娓娓道来。 本书是本领域的好书，对于资深的研究者或者初入门的学生，我都强烈建议阅读。 杨强 加拿大皇家科学院和加拿大工程院院士 国际人工智能联合会理事会前主席 中国人工智能学会副理事长 分布式人工智能是人工智能中的重要研究领域。本书由长期从事该方面研究、曾担任很好国际会议AAMAS程序委员会主席的安波教授领衔撰写，较为全面地覆盖了从单智能体到多智能体、从学习到机制设计等方向，内容丰富，值得期待。 周志华 南京大学计算机系主任兼人工智能学院院长 欧洲科学院院士 ACM/AAAI/IEEE Fellow"

全书可分为五大部分，阐述了分布式人工智能的基础知识以及相关进展，包括分布式人工智能简介、分布式规划与优化、多智能体博弈、多智能体学习和分布式人工智能应用。除此之外，由于本领域尚处于蓬勃发展阶段，相关技术与应用层出不穷，因此书中还提供了研究者对于分布式人工智能发展的相关预测，主要集中在：第一，更复杂和更大规模的分布式人工智能问题的研究和解决；第二，分布式人工智能的安全性，鲁棒性和泛化性，这将极大地促进人们对于分布式人工智能问题的理解；第三，分布式人工智能的可解释性，这将使得人类能够理解算法的决策，为分布式人工智能的落地减少障碍。 本书适合相关领域的从业者学习，也适合作为本领域研究者的案头参考。

"分布式人工智能作为解决复杂学习和决策的方法，在处理大规模计算问题上有独特的优势，并在社会实践中应用广泛，像电子商务、交易行为、游戏、安防、机制选择等，背后均离不开它的支持。 《分布式人工智能》集结业界一流学者专家的研究经验智慧，全面阐述分布式人工智能领域的各层次问题，使读者能对本领域有系统的认识，并阐述了前沿的话题，帮助读者深入理解分布式人工智能的未来趋势。 《分布式人工智能》目前国内本领域V一的著作，既可作为相关从业者的案头参考，也可作为入门者起步的学习手册。"