李荣鹏，博士，浙江大学信息与电子工程学院副教授、博士生导师，主要从事人工智能与通信网络交叉融合的应用基础研究。入选首批博士后创新人才支持计划，主持浙江省杰出青年基金项目，曾获吴文俊人工智能优秀青年奖。


赵志峰，博士，之江实验室总工程师、研究员，浙江省“万人计划”科技创新领军人才，任国家广播电视总局科技委委员、中国通信学会理事、IEEE VTS 南京分会副主席、ACM 杭州分会副理事长、杭州计算机学会副理事长。研究方向为新一代移动通信网、群体智能。

本书以群体智能与智能网联的应用为牵引，通过原理、算法、技术应用三个篇章为大家介绍群体智能与智能网联相关的基础理论、概念模型、关键技术和前沿应用。具体而言，原理篇会介绍群体智能的通信方式与组网、知识表征、因果涌现机理等内容；算法篇则从多主体强化学习、多智能体合作式梯度更新方法、图神经网络、蚁群算法等群体智能领域的代表性算法；应用篇则讨论6G与内生智能、车联网与自动驾驶、工业控制网络群体智能技术的应用。

目录
前言
第 1 章 绪论　　　　　　　　　　1
1.1 群体智能与智能网联概述　　　 1
1.2 国内外研究现状　　　　　　 4
1.2.1 群体智能优化算法　　　　4
1.2.2 多智能体系统　　　　　　5
1.2.3 广义群体智能　　　　　 11
1.3 本书结构　　　　　　　12
参考文献　　　　　　　　　　13
第一篇 原理篇
第 2 章 群体智能的通信与网络模式　　20
2.1 多智能体通信　　　　　　　20
2.1.1 直接通信　　　　　　21
2.1.2 间接通信　　　　　　24
2.2 组网方式　　　　　　　30
2.2.1 集中式结构　　　　　 30
2.2.2 去中心化结构　　　　　 31
2.2.3 自组织网络　　　　　 32
2.3 多智能体学习　　　　　　　33
2.3.1 多智能体强化学习的 3 种
组织架构　　　　　　34
2.3.2 基于通信的多智能体强化
学习　　　　　　　　35
参考文献　　　　　　　　　　38
第 3 章 群体智能知识表征、知识表达
与计算　　　　　　　　　40
3.1 知识表征与计算　　　　　　40
3.1.1 知识表征方法　　　　　 41
3.1.2 知识传递与迁移　　　　 47
3.1.3 角色与任务分解　　　　 53
3.2 知识表达与计算　　　　　　56
3.2.1 IEML 的基本概念　　　57
3.2.2 IEML 模型　　　　　 60
3.2.3 IEML 算法结构　　　　 63
3.2.4 IEML 语义计算　　　　 68
参考文献　　　　　　　　　　69
第 4 章 因果涌现与群体智能　　　76
4.1 涌现的定义与分类　　　　76
4.2 因果涌现建模理论　　　　81
4.2.1 基本理论框架　　　　　 81
4.2.2 信息转换观点　　　　　 86
4.2.3 获得微观到宏观的最佳
抽象　　　　　　　　89
V
4.3 深度学习中的因果涌现　　 91
4.3.1 神经网络可解释性　　　91
4.3.2 神经网络与有效信息　　　92
4.4 群体智能中的涌现　　　　93
4.4.1 鸟群中的涌现　　　　　 94
4.4.2 鱼群中的涌现　　　　　 96
参考文献　　　　　　　　　　97
第二篇 算法篇
第 5 章 多智能体强化学习　　　　　100
5.1 融合共识主动性机制的独立
强化学习　　　　　　　　102
5.1.1 SIRL 算法概述　　　　102
5.1.2 SIRL 算法模块简介　　103
5.1.3 SIRL 算法性能　　　　111
5.2 基于平均场理论的多智能体
强化学习　　　　　　　　114
5.2.1 平均场理论　　　　　114
5.2.2 非合作场景中的平均场
近似　　　　　　　116
5.2.3 合作场景中的平均场
近似　　　　　　　119
参考文献　　　　　　　　　123
第 6 章 合作式梯度更新　　　　126
6.1 基本原理　　　　　　　　126
6.1.1 随机梯度下降　　　　　127
6.1.2 联邦学习　　　　　127
6.1.3 联邦周期平均方法　　 129
6.2 更新方式的影响　　　　　130
6.2.1 同步更新　　　　　132
6.2.2 异步更新　　　　　134
6.3 优化方法　　　　　　　　135
6.3.1 基于衰减的优化方法　　 136
6.3.2 基于共识的优化方法　　 139
参考文献　　　　　　　　　141
第 7 章 图神经网络　　　　　　　143
7.1 图的基本概念　　　　　　 143
7.1.1 图的定义　　　　　143
7.1.2 图的拉普拉斯矩阵　　 145
7.1.3 图网络的任务　　　　　147
7.2 常见的图神经网络模型　　　 148
7.2.1 谱域图神经网络模型　　 149
7.2.2 空域图神经网络模型　　 152
7.2.3 时变图神经网络模型　　 157
7.3 图神经网络与机器学习　　　 161
7.3.1 图神经网络与深度学习　 161
7.3.2 图神经网络与强化学习　 164
7.3.3 图神经网络与联邦学习　 168
参考文献　　　　　　　　　173
第 8 章 仿生物智能学习　　　　176
8.1 蚁群算法　　　　　　　　176
8.1.1 蚁群算法描述　　　　　176
8.1.2 蚁群算法的改进　　　　 182
8.2 群体学习　　　　　　　　185
8.2.1 群体学习框架　　　　　185
8.2.2 群体学习性能分析　　 187
VI
参考文献　　　　　　　　　188
第三篇 应用篇
第 9 章 6G 与内生智能　　　　　192
9.1 移动通信网络发展趋势　　　 192
9.1.1 5G 能力浅析　　　　192
9.1.2 6G 远景展望　　　　194
9.2 内生智能架构初探　　　　　196
9.2.1 独立数据面与数据治理
框架　　　　　　　197
9.2.2 智能面　　　　　　　198
9.2.3 网络功能面　　　　　201
9.2.4 一切即服务平台　　　　 202
9.3 智能通信网络典型场景　　　 202
9.3.1 算法介绍　　　　　203
9.3.2 性能分析　　　　　204
参考文献　　　　　　　　　208
第 10 章 车联网与自动驾驶　　　210
10.1 无人驾