新書推薦：
《
地图中的战争史.海战篇（世界知名历史学家杰里米·布莱克口碑之作！）
》
售價：NT$
755.0
《
预见6G
》
售價：NT$
449.0
《
全球视野下的投资机会
》
售價：NT$
449.0
《
地图中的战争史.陆战篇（一本书看透军事地图对500余年来近现代世界的塑造）
》
售價：NT$
857.0
《
我们的箱根驿传
》
售價：NT$
332.0
《
思想的手法：如何“做中国哲学”
》
售價：NT$
398.0
《
图说新质生产力2：智能制造 落地化解读新质生产力的内涵和精髓
》
售價：NT$
301.0
《
日本公司法（第四版）
》
售價：NT$
913.0
|
| 編輯推薦： |
|
本书在介绍进化计算主要算法的同时，着重介绍了分布式进化计算的方法、场景、实现环境与应用。本书由基础概念到具体算法，再到实际应用，层层递进，有助于读者对分布式进化计算的理解、实现和应用。
|
| 內容簡介： |
|
物联网蓬勃发展催生出的分布式优化问题已成为并行分布式进化计算方法研究中的一大研究方向，本书将给出该类分布式优化问题的系统定义，包括维度分布式、数据分布式和目标分布式的分布式优化问题，并介绍在这三类优化问题中现有的有关分布式进化计算方法的研究。本书共6章，内容包括：进化计算的基础算法、求解复杂优化问题的进化计算方法，并行分布式进化计算的物理计算环境、实现环境、通信模型、描述与评估方法，以及高维大规模优化、多智能体协作、数据安全与隐私保护的分布式进化计算方法。
|
| 關於作者： |
|
陈伟能华南理工大学计算机科学与工程学院教授、博士生导师、副院长。主要研究方向是群体智能、进化学习、智能优化及其应用。已发表IEEE Trans.长文100余篇。牵头主持国家科技创新2030——“新一代人工智能”重大项目、国家自然科学基金企业创新联合基金重点支持项目、国家重点研发计划国际合作交流项目、国家自然科学基金-英国皇家学会牛顿基金项目等，任大数据与计算智能粤港联合创新平台负责人。2016年获国家优秀青年科学基金资助，2015年获广东省杰出青年科学基金资助，2018年获霍英东青年教师奖。现任IEEE广州分会副主席，IEEE SMC广州分支主席，中国计算机学会协同计算专业委员会常务委员、人工智能与模式识别专业委员会委员，国际期刊IEEE Transactions on Evolutionary Computation、IEEE Transactions on Neural Networks and Learning Systems及Complex & Intelligent Systems副编辑。魏凤凤华南理工大学计算机科学与工程学院助理教授、硕士生导师。主要研究方向是群体智能、分布式进化计算、数据驱动进化计算及其应用。已在国际期刊和国际会议上发表论文30余篇，其中IEEE Trans.长文15篇。主持国家自然科学基金青年科学基金项目、中国博士后科学基金面上项目、广东省自然科学基金面上项目等。获广东省人工智能产业协会科学技术奖自然科学奖一等奖、第四届国际分布式人工智能会议最佳论文奖。现任中国计算机学会协同计算专业委员会委员。
|
| 目錄：
|
|
目录前言第1章进化计算基础11.1进化算法11.1.1遗传算法11.1.2演化策略61.1.3遗传规划81.1.4差分进化算法101.1.5分布估计算法131.2群智能优化算法151.2.1粒子群优化算法151.2.2蚁群优化算法18第2章求解复杂优化问题的进化计算方法232.1多目标优化的进化计算方法232.1.1问题定义232.1.2基于非支配排序的多目标进化算法242.1.3基于分解的多目标进化算法282.1.4基于指标的多目标进化计算方法302.2约束优化的进化计算方法322.2.1问题定义322.2.2基于惩罚值的约束处理技术332.2.3基于可行性支配准则的约束处理技术342.2.4基于多目标支配的约束处理技术352.2.5其他约束处理技术352.3昂贵优化的进化计算方法362.3.1问题定义362.3.2基于代理辅助的昂贵优化进化计算方法362.3.3代理模型选择382.3.4代理模型管理432.4高维大规模优化的进化计算方法442.4.1问题定义442.4.2基于整体演化的高维大规模优化的进化计算方法452.4.3基于分解的高维大规模优化的协同进化计算方法482.5动态优化的进化计算方法522.5.1问题定义522.5.2变化检测策略552.5.3历史档案策略562.5.4多样性控制策略572.5.5种群管理策略582.6多任务优化的进化计算方法592.6.1问题定义592.6.2多任务优化框架602.6.3基于单种群的多任务优化的进化计算方法622.6.4基于多种群的多任务优化的进化计算方法64第3章并行分布式进化计算基础663.1并行分布式进化计算的物理计算环境663.1.1GPU架构663.1.2集群系统673.1.3点对点网络683.1.4云计算693.1.5边缘计算703.1.6其他计算环境713.2并行分布式进化计算的软件实现环境723.2.1并行分布式计算的基本概念723.2.2MPI编程模型733.2.3OpenMP编程模型753.2.4MapReduce编程模型763.2.5CUDA编程环境783.2.6其他编程模型803.3并行分布式进化计算的通信模型803.3.1通信的基本定义与类别813.3.2主从模型823.3.3池模型823.3.4岛屿模型833.3.5蜂窝模型843.3.6多智能体模型853.3.7混合模型863.4分布式进化计算的描述与评估873.4.1分布式系统的描述873.4.2分布式算法的评估指标88第4章以加速为目标的并行分布式进化计算方法934.1并行分布式整体演化944.1.1适应值评价并行的进化计算944.1.2群体演化过程并行的进化计算964.2并行分布式协同演化1054.2.1并行协同演化框架1064.2.2协同优化策略107第5章以多智能体协作为目标的分布式进化计算方法1155.1针对数据分布场景的分布式进化计算1165.1.1问题的定义与挑战1165.1.2优化框架1175.1.3模型管理1215.2针对维度分布场景的分布式进化计算1285.2.1问题的定义与挑战1285.2.2非重叠维度分布式优化1285.2.3重叠维度分布式优化1305.3针对目标分布场景的分布式进化算法1315.3.1问题的定义与挑战1315.3.2目标协同1315.3.3目标冲突1335.3.4目标关联138第6章数据安全与隐私保护的分布式进化计算方法1446.1基本思想与描述框架1446.2进化计算即服务的隐私保护1466.2.1进化计算即服务场景下的隐私保护问题定义1476.2.2算法流程1486.2.3安全计算协议1486.3多智能体进化计算的隐私保护1506.3.1多智能体进化计算场景下的隐私保护问题定义1506.3.2隐私保护的多智能体粒子群优化算法1516.3.3安全计算协议152参考文献155
|
| 內容試閱：
|
|
前言进化计算（Evolutionary Computation，EC）作为计算智能领域的一个活跃研究领域，在过去几十年中取得了长足的发展，并被广泛应用于解决复杂的优化问题。进化计算是受自然界生物进化过程的启发，以“物竞天择，适者生存”为选择机制而设计的一类算法集合，主要包括进化算法（Evolutionary Algorithm，EA），如遗传算法（Genetic Algorithm，GA）、遗传规划（Genetic Programming，GP）等，以及群智能（Swarm Intelligence，SI）算法，如蚁群优化（Ant Colony Optimization，ACO）算法、粒子群优化（Particle Swarm Optimization，PSO）算法等。由于具有良好的探索性、自学习、自组织、自适应性等特点，进化计算方法能够有效地解决具有规则或不规则搜索空间的复杂优化问题。然而，随着变量维数的增加，搜索空间呈爆炸式增长，基于迭代式的进化范式会导致进化算法在求解此类大规模复杂优化问题时的计算效率降低，使得传统进化计算方法难以在大规模优化问题中得到有效运用。进化计算方法具有内在并行性，使其天然具有能够和并行分布式计算系统相结合的优势，为提高大规模复杂优化问题的求解效率提供了良机。随着多处理器系统（Multi-Processor System，MPS）、图形处理单元（Graphical Processing Unit，GPU）、集群（cluster）技术等高性能计算技术的快速发展，大量学者利用进化计算方法的内在并行性，将进化计算方法与高性能计算技术相结合，用以提高进化计算方法在解决大规模复杂优化问题时的效率。这类方法或将进化计算的种群进化过程并行化计算，即将种群中的不同个体或子种群放在不同的处理器或计算节点来计算，称为种群并行；或将待解问题的不同决策维度优化过程并行化计算，即将问题拆分为若干子问题，每个子问题的进化优化过程放在不同的处理器或计算节点来计算，称为维度并行；或将进化计算的进化过程向量化、矩阵化或张量化，从而可采用GPU及众核计算等提升进化计算方法的效率。例如，在种群并行方面，Tan等人利用分布在网络中的计算节点，设计了一种基于种群分布的分布式协同进化算法；在维度并行方面，Jia等人在多处理器系统上提出了一个双层分布式算法，既在维度级别上具有分布式并行性，又在种群级别上具有分布式并行性；在矩阵及张量计算方面，Zhan等人通过将进化计算方法矩阵化，实现了细粒度的基于维度分布的分布式进化算法。这类算法可以在保证算法性能的情况下极大地提高优化效率。此外，并行分布式进化计算方法在工业中也得到应用，例如电磁学、虚拟网络嵌入、车辆路由问题等。随着大数据时代的到来和物联网的发展，边缘计算、云计算、多智能体系统（Multi-Agent System，MAS）等新型分布式计算技术不断涌现并引起了人们广泛的研究兴趣。在新场景下，大量的信息以分布式的形式生成、收集、处理和存储，但由于高昂的计算成本和有限的存储空间，同时出于对隐私保护的考虑，这些数据难以被聚合到一个数据中心进行共享利用。因此，分布式优化问题应运而生。与上述数据集中、信息可进行全局共享的集中式优化问题不同，在信息分布的分布式优化问题中，算法中的个体对整个问题没有全局信息，不能进行统筹控制，需要通过分布式节点之间的合作进行全局优化。虽然与面向集中式优化问题的并行分布式进化计算相比，面向分布式优化问题的分布式进化计算方法的研究较少，但它正在成为一个有吸引力的研究方向。综上所述，一方面，进化计算方法与并行计算的结合显著提高了进化计算在大规模优化问题上的效率和可扩展性；另一方面，并行分布式进化计算方法在物联网、多智能体等分布式计算环境下的优化问题中已初步显示出潜力。本书将对并行分布式进化计算进行系统和全面的介绍，具体如下。首先，本书从两个角度来考虑并行分布式的进化计算方法，包括面向集中式优化问题的并行分布式进化计算方法和面向分布式优化问题的并行分布式进化计算方法两大类。在面向集中式优化问题的并行分布式进化计算方法中，算法的个体或子种群共享相同的内存和数据，其目的通常是利用并行和分布式计算平台来提高优化效率。而在面向分布式优化问题的并行分布式进化计算方法中，算法的个体或子种群有自己的存储器来保存本地数据和信息，它们无法与其他个体或子种群共享记忆，需要通过特定的策略进行合作，以实现全局优化。物联网的蓬勃发展催生出的分布式优化问题已成为并行分布式进化计算方法研究中的一大研究方向，因此，本书将给出该类分布式优化问题的系统定义，包括维度分布式、数据分布式和目标分布式的分布式优化问题，并介绍在这三类优化问题中现有的有关并行分布式进化计算方法的研究。其次，本书从问题特征、实现环境、通信模型和算法结构这四个部分来阐述并行分布式进化计算方法。在分布式计算环境中，并行分布式进化计算方法的设计应符合分布式优化问题的特点，其中与问题相关的信息，如环境数据、变量维度和问题目标等具有天然的分布式特性。此外，算法优化过程中的问题分解、节点通信、局部优化等具有较强的局部自主性，难以被全局控制。受到集中式和分布式优化问题特征的限制，其优化算法的实现环境各不相同。基于不同的实现环境，通信模型和算法结构在集中式环境和分布式环境中也有所不同。最后，本书将讨论并行分布式进化计算方法所面临的挑战和该研究领域的前景。分布式计算环境中问题的分布式特征给并行分布式进化计算方法带来了巨大挑战，特别是在理论分析、新型并行分布式基础设施、大数据优化、隐私和安全性等方面。特别地，数据隐私和一致性共识进化对于并行分布式进化计算是全新的挑战，现有的针对集中式优化的并行分布式进化计算方法并没有考虑该类问题。本书对这些挑战进行讨论，并提出有潜力的研究方向，希望能促进并行分布式进化计算的发展。本书章节设置如下。第1章对进化计算基础方法进行介绍，帮助读者掌握基础的进化计算方法；第2章根据优化问题类型介绍多类求解复杂优化问题的进化计算方法，帮助读者学习进化计算对复杂优化问题的求解；第3章从物理计算环境、实现环境、通信模型、描述与评估几个方面介绍并行分布式进化计算基础，帮助读者了解分布式进化计算的整体实现；第4章介绍了以加速为目标的并行分布式进化计算，包括并行分布式整体演化以及并行分布式协同演化的进化计算方法，使读者能够了解经典的并行分布式进化计算方法；第5章介绍以多智能体协作为目标的并行分布式进化计算方法，包括数据分布、维度分布、目标分布的分布式进化计算方法，为读者展示新型分布式进化计算研究方向；第6章介绍数据安全与隐私保护的并行分布式进化计算，使读者了解大数据环境下并行分布式进化计算隐私保护的动机、需求与方法。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
