人机物融合群智计算 郭斌 刘思聪 於志文 著 9787111705918 机械工业出版社

於志文，工学博士，西北工业大学教授，博士生导师，洪堡学者，国家杰出青年科学基金获得者，国家“万人计划”科技创新领军人才。现任西北工业大学计算机学院院长，智能感知与计算工信部重点实验室主任，陕西省嵌入式系统技术重点实验室主任，国家重点研发专项项目首席科学家，陕西省重点科技创新团队带头人。近年来，在靠前很好学术期刊和会议发表论文150余篇。获得国家发明50多项。获得教育部自然科学奖一等奖、陕西省科学技术奖一等奖、重量教学成果奖二等奖、中国计算机学会青年科学家奖等奖项。组织实施了多项重大科研项目，编制完成了多项国家标准。担任多个靠前期刊编委。

丛书序言<br/>推荐序一<br/>推荐序二<br/>前言<br/>第1章  绪论1<br/>1.1  背景与趋势1<br/>1.2  人机物融合群智计算概述3<br/>1.3  研究挑战与进展4<br/>1.3.1  人机物群智协同机理4<br/>1.3.2  自组织与自适应能力5<br/>1.3.3  群智能体分布式学习6<br/>1.4  典型应用6<br/>1.4.1  城市计算6<br/>1.4.2  智能制造7<br/>1.5  本书整体结构8<br/>习题11<br/>参考文献11<br/>第2章  迈向人机物融合群智计算时代14<br/>2.1  背景和趋势14<br/>2.1.1  智能物联14<br/>2.1.2  边缘智能16<br/>2.1.3  新一代人工智能17<br/>2.2  应用新业态18<br/>2.2.1  城市群智计算19<br/>2.2.2  群智智能制造20<br/>2.2.3  军事群体智能23<br/>2.3  人机物融合群智计算内涵25<br/>2.3.1  基本概念25<br/>2.3.2  人机物融合智慧空间27<br/>2.4  人机物融合群智计算特质28<br/>2.5  研究脉络30<br/>习题32<br/>参考文献32<br/>第3章  人机物群智涌现机理35<br/>3.1  生物群智涌现机理36<br/>3.1.1  集体行进37<br/>3.1.2  群体聚集39<br/>3.1.3  群体避险40<br/>3.1.4  协作筑巢42<br/>3.1.5  分工捕食44<br/>3.1.6  社会组织45<br/>3.1.7  交互通信47<br/>3.1.8  形态发生49<br/>3.2  生物集群到人工集群映射机理51<br/>3.2.1  群集动力学52<br/>3.2.2  启发式规则53<br/>3.2.3  自适应机制56<br/>3.2.4  群智优化算法58<br/>3.2.5  图结构映射模型59<br/>3.2.6  演化博弈动力学61<br/>3.2.7  群智能体学习机制62<br/>3.2.8  群智涌现机理的典型应用64<br/>3.3  人机物融合群智涌现机理66<br/>3.3.1  群落生态学69<br/>3.3.2  异构群集动力学73<br/>3.3.3  人机物演化动力学75<br/>3.3.4  人机物共融智能79<br/>3.3.5  人机物不错物种集群83<br/>3.4  本章总结和展望86<br/>习题87<br/>参考文献87<br/>第4章  人机物群智涌现动力学模型100<br/>4.1  群集动力学模型101<br/>4.1.1  生物群集动力学建模102<br/>4.1.2  群集动力学系统建模109<br/>4.2  群智演化博弈动力学模型111<br/>4.2.1  生物集群演化博弈动力学模型111<br/>4.2.2  人工集群演化博弈动力学模型114<br/>4.3  人机物融合群智系统动力学建模117<br/>4.3.1  人机物融合群集动力学系统建模117<br/>4.3.2  人机物融合演化动力学建模123<br/>4.3.3  不错物种集群构建130<br/>习题136<br/>参考文献136<br/>第5章  人机物协作群智感知146<br/>5.1  群智感知新发展148<br/>5.1.1  人机物协作群智感知的基本概念148<br/>5.1.2  人机物协作群智感知的系统架构149<br/>5.2  人机物协作任务分配152<br/>5.2.1  人机物协作任务分配问题152<br/>5.2.2  人机物协作任务分配框架155<br/>5.2.3  人机物协作任务分配方法157<br/>5.2.4  研究趋势展望168<br/>5.3  感知数据的高效汇聚168<br/>5.3.1  终端感知数据质量评估169<br/>5.3.2  冗余数据优选171<br/>5.3.3  数据高效汇聚173<br/>5.4  人机物协作群智感知的应用175<br/>5.5  本章总结和展望177<br/>习题178<br/>参考文献179<br/>第6章  多源异构群智数据融合184<br/>6.1  跨模态群智数据关联185<br/>6.1.1  何为跨模态群智数据185<br/>6.1.2  跨模态群智数据表示188<br/>6.1.3  跨模态群智数据耦合关系学习191<br/>6.1.4  跨模态群智数据融合研究实践194<br/>6.2  群智知识集聚与发现196<br/>6.2.1  群智数据集聚198<br/>6.2.2  群智知识发现204<br/>6.3  群智融合时空预测208<br/>6.3.1  群智融合时空预测任务208<br/>6.3.2  群智融合时空预测研究实践211<br/>6.4  本章总结和展望216<br/>习题217<br/>参考文献218<br/>第7章  自学习增强与自适应演化224<br/>7.1  强化学习与自主决策226<br/>7.1.1  何为强化学习227<br/>7.1.2  深度Q网络229<br/>7.1.3  策略梯度231<br/>7.1.4  演员-评论家架构231<br/>7.1.5  分层强化学习232<br/>7.1.6  元强化学习233<br/>7.2  深度计算方法的自适应演化235<br/>7.2.1  模型性能指标量化235<br/>7.2.2  模型的自适应压缩238<br/>7.2.3  模型运行时自适应244<br/>7.2.4  多平台自适应分割246<br/>7.2.5  自适应网络架构搜索250<br/>7.3  深度计算方法的自学习增强演化 254<br/>7.3.1  自学习增强演化254<br/>7.3.2  何为终身学习256<br/>7.3.3  灾难性遗忘259<br/>7.3.4  终身学习研究262<br/>7.4  本章总结和展望277<br/>习题278<br/>参考文献279<br/>第8章  群智能体分布式学习方法287<br/>8.1  传统分布式机器学习288<br/>8.1.1  数据与模型划分289<br/>8.1.2  分布式通信策略293<br/>8.1.3  数据与模型聚合297<br/>8.1.4  主流分布式机器学习平台300<br/>8.1.5  人机物群智能体分布式学习新挑战300<br/>8.2  群智能体联邦学习301<br/>8.2.1  横向联邦学习303<br/>8.2.2  纵向联邦学习307<br/>8.2.3  个性化联邦学习309<br/>8.3  群智能体深度强化学习313<br/>8.3.1  群智能体环境315<br/>8.3.2  群智能体协作316<br/>8.3.3  群智能体竞争319<br/>8.3.4  群智能体通信323<br/>8.4  群智能体协同计算326<br/>8.4.1  协同计算的基本方法327<br/>8.4.2  串行协同计算328<br/>8.4.3  并行协同计算331<br/>8.4.4  混合协同计算333<br/>8.5  本章总结和展望335<br/>习题336<br/>参考文献337<br/>第9章  人机混合学习方法343<br/>9.1  参与式样本标注345<br/>9.1.1  参与式样本标注的概念345<br/>9.1.2  参与式样本标注的框架与方法346<br/>9.1.3  参与式样本标注的成本控制350<br/>9.1.4  参与式样本标注的质量控制352<br/>9.2  示范模仿学习354<br/>9.2.1  何为模仿学习354<br/>9.2.2  行为克隆355<br/>9.2.3  交互式模仿学习356<br/>9.2.4  逆强化学习358<br/>9.2.5  生成对抗式模仿学习360<br/>9.2.6  单样本模仿学习362<br/>9.3  人类指导强化学习363<br/>9.3.1  基于人为评估反馈的指导364<br/>9.3.2  基于人类偏好的指导366<br/>9.3.3  基于人类注意力的指导367<br/>9.4  本章总结和展望370<br/>习题371<br/>参考文献371<br/>第10章  群智能体知识迁移方法375<br/>10.1  基于知识蒸馏的群智知识迁移376<br/>10.1.1  教师-学生迁移模式376<br/>10.1.2  学生互学习迁移模式381<br/>10.2  基于域自适应的群智知识迁移383<br/>10.2.1  样本自适应知识迁移385<br/>10.2.2  特征自适应知识迁移387<br/>10.2.3  深度网络自适应知识迁移389<br/>10.2.4  对抗自适应知识迁移390<br/>10.3  基于多任务学习的群智知识共享397<br/>10.3.1  多任务联合学习398<br/>10.3.2  辅助任务学习403<br/>10.4  基于元学习的群智知识迁移405<br/>10.4.1  何为元学习406<br/>10.4.2  基于优化的元学习知识迁移409<br/>10.4.3  基于模型的元学习知识迁移416<br/>10.4.4  基于度量的元学习知识迁移418<br/>10.5  基于联邦迁移学习的群智知识迁移422<br/>10.5.1  何为联邦迁移学习422<br/>10.5.2  联邦迁移系统框架423<br/>10.5.3  典型应用428<br/>10.6  基于分层学习的群智技能迁移431<br/>10.6.1  何为技能迁移432<br/>10.6.2  分层强化学习432<br/>10.6.3  模块化分层学习437<br/>10.7  多智能体强化学习中的群智知识迁移438<br/>10.7.1  多智能体经验迁移学习439<br/>10.7.2  多智能体交互迁移学习442<br/>10.8  本章总结和展望445<br/>习题446<br/>参考文献446<br/>第11章  隐私、信任与社会因素455<br/>11.1  激励机制455<br/>11.1.1  移动群智感知中的激励机制456<br/>11.1.2  人机物融合群智计算中的激励机制457<br/>11.1.3  激励机制的典型案例460<br/>11.2  隐私保护462<br/>11.2.1  人机物融合的隐私问题463<br/>11.2.2  人机物融合的隐私解决方案467<br/>11.3  信任计算476<br/>11.3.1  人机物融合的多元信任计算477<br/>11.3.2  人机协同信任机制481<br/>11.3.3  人机物动态环境下的信任构建482<br/>11.4  基于区块链的人机物融合安全可信群智计算架构484<br/>11.4.1  区块链技术研究概述485<br/>11.4.2  典型案例与场景应用488<br/>11.4.3  人机物融合安全可信群智计算架构492<br/>11.5  本章总结和展望494<br/>习题495<br/>参考文献496<br/>第12章  CrowdHMT开放平台506<br/>12.1  研究背景与需求507<br/>12.2  典型主流平台与开放资源分析509<br/>12.2.1  智能物联网平台509<br/>12.2.2  智慧城市平台511<br/>12.2.3  群智感知计算平台512<br/>12.2.4  开放共享资源513<br/>12.3  人机物融合群智计算平台522<br/>12.3.1  通用系统架构523<br/>12.3.2  CrowdHMT自研平台524<br/>12.4  “太易”分布式人机物链中间件539<br/>12.5  应用领域与典型场景541<br/>12.5.1  智能制造541<br/>12.5.2  智慧旅游542<br/>12.5.3  智能家居544<br/>12.5.4  智慧城市546<br/>12.5.5  智慧交通550<br/>12.5.6  军事智能551<br/>习题552<br/>参考文献552

概述：随着物联网和人工智能技术的快速发展与加速融合，智能物联网（AI in IoT, AIoT）正成长为一个具有具有广泛发展前景的新兴前沿领域。物联网智能应用和服务已经逐步融入国家重大需求和民生的各个领域，如智慧城市、智能制造、无人驾驶、智慧农业、健康卫生、国防军事等。在智能物联网背景下，人（智能手机、可穿戴设备等）、机（云设备/边缘设备）、物（物联网终端）这三种基础要素正在走向协作和融合，迈向人机物融合群智计算时代。人机物融合群智计算（CrowdHMI）是指利用人/机/物感知能力的差异性、计算资源的互补性、节点间的交互性，通过协同感知、分布式学习、群智知识迁移等来解决单独利用某种智能难以解决的复杂问题，进而构建具有自学习、自组织、自适应、可迁移能力的智慧