本书从仿生学的角度,阐述AI面临的挑战和前沿研究方向,同时融入作者在AI研究中部分最新成果。反映了人工智能发展的最新动态，为生物信息学或其他学科的特征分析提供手段和方法，为研究和开发更高层次的human-like智能打下基础。本书强调新视野、先进性、实用性和可读性，书中涉及的经典例子和算法都将提供程序实现，附在随书光盘中。

更多科学出版社服务，请扫码获取。

目录
第一部分 生物启发的人工智能
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 NetLogo138
6.1.2 Swarm138
6.1.3 Repast138
6.1.4 TNG Lab139
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
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AI187
7.6.3 逻辑学研究热点（2）——结合逻辑与统计概率AI188
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
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