本书结合了分布式计算、大数据、机器学习、深度学习、强化学习等技术，以群体智能为主线，讲述了分布式人工智能的原理和应用。它介绍了分布式计算的框架技术、智能核心、分布式体系与架构。本书介绍了大数据的框架、高速计算、海量存储；介绍了人工智能的经典算法，并且结合分布式技术，进行大规模分布式架构与演进；介绍了群体智能与博弈，结合分布式、大数据、智能核心，讲解了群体智能技术系统的发展方向与开发方式。
本书内容通俗易懂，案例丰富，实用性强，特别适合分布式、人工智能、大数据相关的入门读者和进阶读者阅读，也适合游戏开发、推荐系统、群体智能底层研究者等阅读。另外，本书也适合作为相关培训机构的教材使用。
广告语：
资深技术专家力作，人工智能与金融领域7位专家力荐，中国建设银行建信金融科技人工智能平台团队大力支持！全面涵盖基础概念、计算框架、分布式AI算法及AI智能系统开发
在大数据的大量应用之前，研究者致力于研究提高机器学习效率的方法，他们主要使用多个处理器进行工作，这类似于一种“并行计算”的方式，通过任务拆解、分配处理单元和归并的方式解决问题，其效率依然较低。
随着大数据和机器学习的发展，分布式机器学习也随之兴起，它可以从大数据中总结规律，归纳整个人类的知识库。例如，谷歌公司通过分布式机器学习，建立了语义学习系统，通过分布式的方式，从上千亿个文本和大规模的用户数据中进行机器学习，归纳语义，形成了相关的训练模型。它可以在1ms之内解析语句，并理解语句中存在的歧义，极大地提升了广告系统、搜索引擎和推荐系统的理解能力。
目前，以分布式机器学习为基础的分布式人工智能还属于比较前沿的研究方向，国内也没出版过系统论述该领域知识的图书。作为一个深耕该领域的研究人员，笔者觉得有责任把自己的研究成果介绍给需要的读者，于是花费近一年的时间编写本书，系统地介绍分布式计算、大数据、机器学习及群体智能等相关领域的知识。本书中有笔者的理念，也有笔者的专利和获奖论文介绍，还有笔者对一些算法的改造等。另外，分布式人工智能涉及多项技术，有新技术，也有传统技术，如何综合应用这些技术来解决问题是关键，笔者对其做了广泛研究和探索。相信阅读完本书，读者将对分布式人工智能的相关知识有一个全新的认识，相应的研发能力也会有质的提升。
本书特色
1．内容新颖、全面，知识体系完整
本书详细介绍分布式人工智能和群体智能的相关知识，涵盖分布式人工智能的基础概念和计算框架，以及多智能体分布式AI算法和分布式AI智能系统开发等知识，能够帮助读者全面学习分布式人工智能和群体智能的相关知识。
2．讲解由浅入深，适合初学者阅读
本书按照“基础知识→计算框架→算法分析→实战开发”的模式，由浅入深、循序渐进地进行讲解，带领读者先掌握基础知识，再深入理解技术原理，最后进行算法应用与实战开发。本书学习梯度很平滑，非常适合初学分布式人工智能的读者阅读。
3．以实例引导学习，上手快
本书结合实例，图文并茂地讲解技术要点，并对系统开发过程中的难点和痛点做了重点讲解，帮助读者融会贯通地快速理解相关方法与原理，让整个学习过程轻松、愉悦。
4．提供大量的原理图
俗话说，一图胜千言。本书在讲解相关的底层原理时绘制了多幅原理图，帮助读者更加深入、清晰地理解相关内容，避免读者被晦涩的文字“绕晕”。
5．提供完整的工程级性能源代码
本书提供完整的工程级性能源代码，所提供的源代码基于笔者开发的工程级系统简化而来，并且结合相关前沿技术，完成从基础知识到工程应用的研发落地，可以帮助读者从0到1全面学习分布式人工智能的相关知识，并带领读者实际开发相关的工程应用。
本书内容
第1篇 基础概念（第1、2章）
第1章主要介绍分布式系统的概念与发展，以及并行计算、边缘计算、超算系统、分布式多智能体、单体人工智能、多人博弈、群体智能决策及价值等内容。
第2章主要介绍分布式系统的框架构成、体系结构、算法模型、AI算法模型的分布式改造、计算的核心原理与组成等内容。
第2篇 计算框架（第3～5章）
第3章主要对TensorFlow深度学习框架做必要介绍。在分布式人工智能系统中，子系统和智能体算法都需要自我进化能力，于是需要一个神经网络库来提供深度学习的能力，TensorFlow作为深度学习的主要功能库非常适合。
第4章主要对SintolRTOS框架做详细介绍。人工智能的发展需要相关的底层技术，而在分布式人工智能方面，SintolRTOS框架具有一定的突破性和创新性，基于该框架可以解决一些群体智能方面的问题。
第5章主要介绍分布式人工智能系统中需要用到的大数据技术及相关存储框架。分布式人工智能应用大部分面对的是复杂而庞大的群体智能问题，针对这样的问题，无论是训练AI智能体，还是常规的系统运作，都会产生并存储大量的数据，需要有相应的技术加以解决。
第3篇 多智能体分布式AI算法（第6～8章）
第6章主要介绍机器学习的监督学习算法，并且完成它的分布式改造，让其可以适应更大规模、更为复杂的应用场景。基于分布式系统，如何应用和改造监督学习算法是本章重点探讨的问题。
第7章主要介绍人工智能发展的重要分支——生成对抗网络和强化学习的相关知识，涉及群体智能系统中的智能博弈、对抗及协作等最重要的算法。
第8章作为第7章的进阶内容，主要探讨强化学习在对抗、博弈和群体智能方面的算法发展与应用。
第4篇 分布式AI智能系统开发实战（第9、10章）
第9章带领读者进入系统开发的实战演练环节，让读者首先体验游戏化的群体智能对抗仿真环境，然后使用本书所学知识搭建《星际争霸2》的仿真开发环境，并提供相关的API对游戏的特征进行获取，从而创建用于强化学习的环境。
第10章主要介绍强化智能开发的相关知识，通过强化学习算法与智能强化博弈实现分布式多智能体博弈。
本书读者对象
* 分布式计算的开发和研究人员；
* 机器学习、人工智能的开发和研究人员；
* 大数据领域的开发和研究人员；
* 计算机、大数据和人工智能专业的学生和实习生；
* 需要学习分布式人工智能开发的人员；
* 需要整体了解群体智能系统的人员；
* 人工智能和群体智能领域相关研究人员；
* 其他对分布式、大数据和人工智能感兴趣的人员。
配书资料获取方式
本书涉及的源代码文件等配书资料需要读者自行下载。请在华章官网（www.hzbook. com）上搜索到本书，然后单击“资料下载”按钮，即可在本书页面上找到相关下载链接。
另外，本书第4章介绍的SintolRTOS已经开源了部分组件和演示Demo，网址为http:// www.github.com/SintolRTOS。
售后支持
本书由王静逸编写，由舒展和建行建信金融科技人工智能平台团队等各位领导和同事审核。虽然笔者致力于分布式智能计算的研发，对该领域的相关技术有广泛的研究和独到的见解，但由于本书内容庞杂，加之写作时间有限，书中难免有疏漏和不当之处，敬请广大读者指正。
最后祝你读书快乐！
计算机/人工智能/机器学习
大咖赞誉
本书讲述了分布式人工智能和群体智能开发所需要的相关技术。这些技术对人工智能领域的一些实际项目开发具有指导意义，需要相关技术人员和研究者系统学习和掌握。
——中国建设银行建信金融科技人工智能平台负责人 舒展
本书详细地介绍了分布式人工智能的相关技术，并对人工智能的前沿领域和面向未来的人工智能应用做了展望，推荐相关领域的研究人员和爱好者阅读。
——中国建设银行建信金融科技分布式平台负责人 邢磊
本书介绍了基于TensorFlow、RTOS及群体智能体系的理论和实践，涉及分布式系统、大数据框架和人工智能算法等前沿技术，在理论学习和实际应用方面都具有指导意义。
——中国建设银行建信金融科技人工智能实验室总经理 王雪
本书以分布式人工智能和群体智能为主线，对未来新一代人工智能的大规模应用提出了创新理念，并详细介绍了相关的技术框架和算法开发等技术，有助于相关领域的研发人员更好地将人工智能技术应用于新基建等未来的应用场景中。
——中国建设银行建信金融科技人工智能工程团队负责人 吴磊
本书详细地介绍了分布式人工智能与群体智能技术，并面向新一代人工智能提出了作者自己提供的计算加速技术与算法决策技术，是人工智能领域不可多得的一本好书，推荐相关研究人员阅读。
——华中科技大学计算机学院副院长、教授、博士生导师/华中科技大学计算机学院信息安全研究所所长 李瑞轩
本书介绍了分布式人工智能涉及的框架、算法及工程开发等相关知识，并结合群体智能等前沿技术进行实践，推荐对分布式人工智能感兴趣的开发人员进行阅读。
——吉大正元公司CTO/前微软移动业务技术总监 刘岵
本书作者长期从事分布式人工智能和群体智能的相关工作，有深厚的技术功底，对相关领域的前沿技术有深入研究。他编写的这本书对学习和研究分布式人工智能很有价值，值得该领域的从业人员和技术爱好者阅读。
——西北大学计算机科学技术系主任/新型网络智能信息服务国家地方联合工程中心副主任 王海
前言
第1篇 基础概念
第1章 分布式系统简介 2
1.1 什么是分布式系统 2
1.2 分布式系统的历史与未来 10
1.3 分布式系统与并行计算 13
1.4 分布式系统与边缘计算 17
1.5 分布式与超算系统 20
1.6 分布式多智能体 21
1.7 单体人工智能 22
1.7.1 TensorFlow的分布式方案 22
1.7.2 Spark分布式机器学习 24
1.7.3 Google联合学习方案 26
1.8 分布式与多人博弈 27
1.9 分布式与群体智能决策 29
1.10 分布式与群体智能的未来和价值 30
1.11 本章小结 31
第2章 分布式智能计算基础 33
2.1 常用的分布式计算框架 33
2.2 Spark分布式框架介绍 37
2.3 HLA高层联邦体系 41
2.4 Multi-Agent体系 44
2.5 RTI与RTOS分布式计算核心 47
2.6 分布式计算的原理和常用方法 52
2.6.1 分布式计算规则 52
2.6.2 分布式与同步 55
2.6.3 分布式与异步 59
2.6.4 处理同步与异步延时 64
2.7 计算模型与任务分发 70
2.8 代理模型与HLA智能体 75
2.9 分布式与决策模型 79
2.10 底层计算核心RTOS 84
2.11 分布式智能计算的价值 86
2.12 本章小结 89
第2篇 计算框架
第3章 TensorFlow框架介绍 92
3.1 什么是TensorFlow 92
3.2 TensorFlow的结构和应用概念 94
3.3 Graph与并行计算模型 99
3.4 Session会话层 108
3.5 TensorFlow中的数据类型与计算函数 112
3.6 TensorFlow与卷积神经网络 120
3.7 准备TensorFlow的系统环境 128
3.8 下载和安装TensorFlow 135
3.9 启动第一个测试程序 138
3.10 使用TensorFlow构建算法框架 148
3.10.1 使用CIFAR-10构建卷积神经网络 148
3.10.2 使用RNN构建记忆网络 155
3.10.3 搭建生成对抗网络 160
3.11 TensorFlow的发展与价值 165
3.12 本章小结 166
第4章 分布式智能计算核心 167
4.1 什么是SintolRTOS 167
4.2 SintolRTOS支持的组织协议体系 168
4.2.1 HLA高层联邦体系 168
4.2.2 数据分发服务 171
4.2.3 Multi-Agent体系结构 173
4.3 SintolRTOS核心组件和系统架构 176
4.3.1 Core Soft Plateform 178
4.3.2 Open Soft Plateform 182
4.4 使用SintolRTOS系统组件的工作环境 183
4.5 下载和安装SintolRTOS 183
4.6 SintolRTOS的分布式RTOSNode节点原理 191
4.7 SintolRTOS的联邦模型和文件定义 196
4.7.1 FED联邦模型文件定义 196
4.7.2 IDL主题模型文件定义 197
4.7.3 Agent代理模型定义 199
4.8 编写AI联邦模型和Agent代理 200
4.9 分布式计算层的模型与数据 204
4.9.1 重构联邦实体的处理类 204
4.9.2 DQN神经网络与PSintolSDK构建计算层 208
4.10 SintolRTOS智能计算组织Demo 213
4.10.1 Demo分布式联邦智能架构设计 213
4.10.2 使用UnrealRTOS和CSintolSDK搭建仿真演练场景 214
4.10.3 运行UnrealRTOS多智能体进行联邦对抗 217
4.11 SintolRTOS与分布式人工智能的未来 219
4.12 本章小结 220
第5章 大数据与存储系统框架 221
5.1 什么是大数据 221
5.2 大数据的关键技术 222
5.3 大数据与机器学习 224
5.4 Hadoop与分布式存储框架 225
5.5 搭建Spark运行环境 228
5.6 Spark、Hadoop与TensorFlow结合 245
5.6.1 分布式的图像数据处理和识别平台 245
5.6.2 分布式机器学习与分布式数据平台 252
5.7 分布式大数据与机器学习的未来 252
5.8 本章小结 253
第3篇 多智能体分布式AI算法
第6章 机器学习算法与分布式改进 256
6.1 逻辑回归 256
6.2 支持向量机 263
6.3 决策树 271
6.4 分布式多算法结构的决策树 279
6.5 多任务并行计算算法改进 281
6.5.1 数据并行 282
6.5.2 模型并行 284
6.6 单体算法与分布式算法的优化 287
6.6.1 单体算法优化 287
6.6.2 分布式异步随机梯度下降 290
6.7 机器学习算法的维数灾难 293
6.8 深度学习的内在发展需求 294
6.8.1 解决维数灾难 295
6.8.2 算法架构设计 295
6.8.3 深度学习与多任务学习 297
6.9 自适应学习神经网络算法 304
6.9.1 Momentum算法与优化 305
6.9.2 RMSProp算法与优化 305
6.9.3 Adam算法与优化 307
6.10 分布式与机器学习算法规模化的发展与价值 310
6.11 本章小结 312
第7章 生成网络和强化学习 314
7.1 生成对抗网络 314
7.2 深度卷积生成对抗网络 316
7.3 分布式与多智能体对抗算法MADDPG 330
7.4 常用的强化学习算法结构 336
7.5 Q-learning算法 337
7.6 Sarsa-lamba算法 346
7.6.1 Sarsa算法原理 346
7.6.2 Sarsa-lamda算法的改进 347
7.6.3 算法实现 347
7.7 深度Q网络 349
7.7.1 DQN算法原理 349
7.7.2 DQN的模型训练 350
7.7.3 训练DQN 351
7.7.4 算法实现与分析 352
7.8 其他强化学习基础算法 354
7.9 强化学习算法的发展与价值 356
7.10 本章小结 357
第8章 对抗和群体智能博弈 358
8.1 群体智能的历史 358
8.2 博弈矩阵 360
8.2.1 博弈矩阵简介 360
8.2.2 博弈的线性规划和纳什均衡 363
8.2.3 博弈的学习算法 364
8.2.4 WoLF-IGA和WoLF-PHC算法 366
8.2.5 分布式博弈矩阵 368
8.2.6 学习自动机 369
8.2.7 仿真博弈环境 371
8.3 网格博弈 375
8.4 多智能体Q-learning算法 378
8.5 无限梯度上升 380
8.6 EMA Q-learning 381
8.7 仿真群智博弈环境 382
8.8 Multi-Agent系统开发 384
8.9 群体智能的发展与价值 416
8.10 本章小结 418
第4篇 分布式AI智能系统开发实战
第9章 体验群体智能对抗仿真环境 420
9.1 群体智能仿真系统环境介绍 420
9.2 导入多人对抗智能和仿真环境 423
9.3 启动分布式多智能体和仿真环境 432
9.4 启动人与多智能体进行对抗 434
9.5 启动数据回放 436
9.6 启动多个智能体集团博弈 439
9.7 群体博弈仿真系统环境的代码模块 441
9.8 本章小结 495
第10章 开发群体智能仿真对抗系统 496
10.1 智能体强化学习的算法工程 496
10.2 算法框架模块功能说明 497
10.3 训练智能体实现任务AI交互 514
10.4 使用训练好的模型进行任务处理 518
10.5 多智能体协作算法与RTOS结合 523
10.5.1 多智能体协作算法MADDPG的应用 523
10.5.2 结合RTOS实现MADDPG的分布式结构 525
10.6 行为状态机与AI结合 529
10.7 分布式群体智能的计算与存储 531
10.8 本章小结 534
后记 535
