第一部分 生物启发的人工智能 1
第1章 人工智能发展简况 1
1.1 人工智能领域主要研究成就回顾 1
1.1.1 1956年：人工智能的信息处理观 2
1.1.2 20世纪60年代：启发式搜索与知识表示 3
1.1.3 20世纪80年代：人工神经网络 4
1.1.4 20世纪90年代：物化与多代理系统 5
1.1.5 21世纪：符号动力学 5
1.1.6 我国的人工智能研究 6
1.2 人工智能的发展 10
1.2.1 从图灵测试到IBM的沃森 10
1.2.2 谷歌的智能机器未来 12
1.2.3 百度大脑 14
1.2.4 微软智能生态 16
1.2.5 脸书的深脸 18
1.2.6 三大突破让人工智能近在眼前 19
1.3 生物启发的人工智能发展里程碑 20
1.3.1 遗传算法与进化计算 21
1.3.2 神经网络 21
1.3.3 群体智能 22
1.4 小结 22
参考文献 23
第2章 进化计算、遗传算法与人工生命 25
2.1 受生物启发的计算 25
2.1.1 受生物启发的计算科学：康庄大道还是荆棘丛生？ 25
2.1.2 什么是受生物启发的计算？ 26
2.1.3 生物学在计算科学研究中的多重角色 27
2.2 进化计算 28
2.2.1 什么是进化计算？ 28
2.2.2 进化计算的基本框架与主要特点 30
2.2.3 进化计算的分类 32
2.2.4 进化计算的若干关键问题 32
2.3 遗传算法 35
2.3.1 遗传算法的概述 36
2.3.2 遗传算法的理论基础 38
2.3.3 遗传算法的基本思想 40
2.3.4 遗传算法的一个简单的应用实例 44
2.4 人工生命 46
2.4.1 机器人学1：包容性架构 48
2.4.2 机器人学2：受细菌活动启发的机器人趋向性技术 49
2.4.3 机器人学3：能量和容错性控制 50
2.5 小结 51
参考文献 51
第3章 神经计算 52
3.1 人工神经网络相关介绍 52
3.1.1 人工神经网络的起源与发展 52
3.1.2 人工神经网络的应用 53
3.1.3 小结 54
3.2 Hopfield神经网络 54
3.2.1 Hopfield神经网络概述 54
3.2.2 Hopfield神经网络联想记忆 55
3.3 博弈与神经网络的结合 57
3.3.1 博弈论概述 57
3.3.2 博弈模型与神经网络模型结合的学习模型 58
3.4 自组织特征映射网络（SOM） 65
3.4.1 快速SOM文本聚类法 65
3.4.2 朴素贝叶斯与SOM相结合的混合聚类算法 66
3.5 神经芯片与人工生命 67
3.5.1 神经芯片的发展及其应用 68
3.5.2 人工生命的相关应用 69
3.6 深度学习 71
3.6.1 深度学习的基本思想 71
3.6.2 深度学习的典型结构 71
3.6.3 深度学习的应用 77
3.6.4 深度学习现状及前景分析 80
3.7 人工神经网络与医学影像 81
3.7.1 人工神经网络与医学影像概述 81
3.7.2 基于人工神经网络的脑成像分类模型介绍 82
参考文献 84
第4章 群体智能 87
4.1 群体智能基本思想 87
4.1.1 思想来源 87
4.1.2 群体智能的优点及求解问题类型 88
4.2 蚁群算法 88
4.2.1 蚁群算法主要思想 89
4.2.2 蚁群算法基本实现 90
4.2.3 蚁群算法应用 93
4.3 粒子群优化算法 95
4.3.1 基本粒子群优化算法原理 95
4.3.2 粒子群优化算法的改进研究 97
4.3.3 粒子群优化算法的相关应用 99
参考文献 101
第5章 变形虫模型与应用 105
5.1 变形虫的生物学机理 105
5.1.1 迷宫实验 106
5.1.2 自适应网络设计实验 107
5.2 变形虫模型 109
5.2.1 Jones多Agent模型说明 109
5.2.2 Gunji等CELL模型说明 110
5.2.3 Tero等数学模型说明 112
5.3 多Agent模型系统 113
5.3.1 系统相关介绍 114
5.3.2 模拟变形虫网络 118
5.3.3 迷宫求解 120
5.4 变形虫IBTM模型系统 122
5.4.1 IBTM改进策略介绍 122
5.4.2 IBTM模型算法描述 125
5.4.3 IBTM模型仿真实验 125
5.5 数学模型系统应用 129
5.5.1 变形虫多入口多出口数学模型 129
5.5.2 基于变形虫多入口多出口模型改进蚁群算法 129
5.5.3 实验分析 130
5.6 小结 134
参考文献 135
第6章 智能Agent与多Agent系统 137
6.1 智能Agent与Agent模拟软件 137
6.1.1 NetLogo 138
6.1.2 Swarm 138
6.1.3 Repast 138
6.1.4 TNG Lab 139
6.2 基于Agent的生物免疫系统模拟 139
6.2.1 生物免疫系统建模的基本方法 139
6.2.2 生物免疫系统建模的方法对比 141
6.2.3 基于Agent的生物免疫系统建模方法 142
6.2.4 基于Agent免疫系统建模展望 145
6.3 基于Agent的经济模拟 146
6.3.1 经济与复杂性 146
6.3.2 基于Agent的计算经济学 147
6.3.3 经济系统模拟案例 150
参考文献 159
第二部分 人工智能热门研究问题 161
第7章 AI研究热点 161
7.1 人工智能与机器学习 161
7.1.1 机器学习简述 162
7.1.2 机器学习研究热点（1）——表示学习 162
7.1.3 机器学习研究热点（2）——机器学习理论研究 163
7.1.4 机器学习研究热点（3）——基于人类认知的学习方法 164
7.1.5 机器学习研究热点（4）——复杂问题的遗传编程求解 165
7.2 人工智能与交叉学科 166
7.2.1 人工智能在交叉学科中的应用简述 166
7.2.2 人工智能在交叉学科中的应用（1）——AI与经济学 166
7.2.3 人工智能在交叉学科中的应用（2）——AI与算法生物学 168
7.2.4 人工智能在交叉学科中的应用（3）——AI与人类计算 169
7.3 人工智能与自然语言处理 170
7.3.1 自然语言处理简述 170
7.3.2 自然语言处理研究热点（1）——AI与语言学 170
7.3.3 自然语言处理研究热点（2）——AI与自然语言理解 171
7.4 人工智能与数据科学 172
7.4.1 异构数据的信息提取 172
7.4.2 社交网络中的信任关系研究 173
7.4.3 大规模社交媒体数据分析 174
7.4.4 基于社交媒体的应用（1）——事件检测与预测 175
7.4.5 基于社交媒体的应用（2）——市场预测 177
7.5 人工智能与多Agent系统 178
7.5.1 多Agent系统的理论研究（1）——奖励机制 178
7.5.2 多Agent系统的理论研究（2）——协作机制 179
7.5.3 多Agent系统的理论研究（3）——联盟机制 180
7.5.4 多Agent系统的理论研究（4）——优化选择 182
7.5.5 人工智能与机器人研究（1）——自动驾驶汽车 183
7.5.6 人工智能与机器人研究（2）——与机器人对话 184
7.5.7 人工智能与机器人研究（3）——多机器人控制 185
7.6 人工智能与逻辑学 186
7.6.1 逻辑学简述 186
7.6.2 逻辑学研究热点（1）——人类级AI 187
7.6.3 逻辑学研究热点（2）——结合逻辑与统计概率AI 188
7.6.4 逻辑学研究热点（3）——验证信息物理融合系统 190
7.6.5 逻辑学研究热点（4）——AI与描述逻辑 191
7.7 人工智能与语义学 192
7.7.1 语义学简述 192
7.7.2 语义学研究热点（1）——语义网络 192
7.7.3 语义学研究热点（2）——多模态感知人类非语言行为 194
7.7.4 语义学研究热点（3）——AI和本体技术 195
7.7.5 语义学研究热点（4）——语义技术应用 196
7.7.6 语义学研究热点（5）——关联数据分析 197
7.8 人工智能与可视化 198
7.8.1 可视化简述 198
7.8.2 可视化研究热点（1）——可视化搜索与分析 198
7.8.3 可视化研究热点（2）——计算摄影中的图像统计 199
7.8.4 可视化研究热点（3）——视觉场景的学习表示 201
7.9 小结 202
参考文献 202
第8章 Turing开创性工作对人工智能研究的启示 208
8.1 Turing与人工智能 208
8.1.1 孕育人工智能的自然科学 208
8.1.2 承载人工智能的计算机科学 211
8.1.3 激励人工智能的交叉学科 212
8.2 人工智能的发展 213
8.3 计算机界的诺贝尔奖——Turing奖 214
参考文献 214
第三部分 建模、模拟与应用 215
第9章 社会网络分析 215
9.1 基于微博的热点信息发现 215
9.1.1 研究内容 216
9.1.2 利用外部知识库挖掘热点话题 216
9.1.3 基于MA-LDA挖掘热点话题 217
9.1.4 基于LDA与MA-LDA挖掘热点话题比较 217
9.2 中文微博情感分析 222
9.2.1 研究内容 222
9.2.2 情感分析模型 222
9.2.3 文本预处理与词典构建 223
9.2.4 特征值统计方法 223
9.2.5 多模型分类结果比较 224
9.3 中文微博实体链接 225
9.3.1 研究内容 225
9.3.2 链接整体框架 225
9.3.3 构建实体词典 226
9.3.4 模型设计 227
9.5 社交网络推荐系统 230
9.5.1 研究内容 230
9.5.2 基于社交标注网络的推荐系统 230
9.5.3 基于隐马尔可夫模型的位置推荐系统 232
9.5.4 信任传播推荐系统 233
9.5.5 基于多属性的概率矩阵分解推荐系统 238
9.6 链接预测 241
9.6.1 研究内容 241
9.6.2 社会化网络的链接预测 241
9.7 小结 243
参考文献 244
第10章 语义网技术及其应用 245
10.1 语义网技术及其在资源整合中的应用 245
10.1.1 语义网的概念和体系结构 245
10.1.2 本体简介 247
10.1.3 基于语义网技术的资源整合方法 250
10.1.4 语义网技术在资源整合中的应用 251
10.2 语义网技术在农业农村信息化中的应用 257
10.2.1 农业农村信息化 257
10.2.2 语义网技术在柑橘种植中的应用 257
10.2.3 基于语义网技术的柑橘施肥决策支持系统 260
10.3 语义网技术／语义整合在复杂网络中的应用 262
10.3.1 语义网技术在社会网络中的应用 262
10.3.2 语义网技术在物联网中的应用 263
10.4 小结 265
参考文献 266
第11章 信息融合 267
11.1 信息融合的发展历史与现状 267
11.2 多传感器系统的特点与控制结构 268
11.3 信息融合的主要方法与当前的研究热点 270
11.3.1 信息融合主要模型 270
11.3.2 信息融合的主要算法 272
11.3.3 当前的研究热点 274
11.4 Dempster-Shafer证据理论 274
11.4.1 辨识框架 275
11.4.2 基本信任分配函数 275
11.4.3 信任函数 276
11.4.4 似然函数 276
11.4.5 证据理论的组合规则 277
11.5 信息融合应用举例 278
11.5.1 信息融合在工业机器人当中的应用 278
11.5.2 信息融合的在线手写签名中的应用 278
11.5.3 信息融合在飞行器中的应用 278
11.6 小结 279
参考文献 279
第12章 人工智能技术在生物信息学中的应用 280
12.1 生物信息学概述 280
12.1.1 什么是生物信息学？ 280
12.1.2 生物信息学研究对象 281
12.1.3 生物信息学研究内容 282
12.1.4 生物信息学新进展 284
12.2 基因组序列分析与功能预测 285
12.2.1 基因组序列分析 285
12.2.2 基因及基因区域预测 287
12.3 基因表达与调控信息分析 288
12.3.1 什么是基因表达调控 289
12.3.2 基因表达调控网络的计算特性 289
12.3.3 基于基因芯片的表达数据分析方法 291
12.3.4 非编码区域分析和调控元件识别 293
12.4 分子进化：系统发育分析 296
12.4.1 系统发育树基本概念 297
12.4.2 DNA进化及进化模型 298
12.4.3 系统发育树构建方法 304
12.5 蛋白质结构和功能预测 307
12.5.1 蛋白质结构预测 308
12.5.2 蛋白质功能预测 312
12.6 小结 314
参考文献 315