กลับสู่คอร์สเรียน
AI009L
ปริญญาโท
《神经和形态发育系统的演化计算及应用——通向通用人工智能的新途径》（15节课）
本书从计算建模的角度研究神经系统与形态（身体）的协同演化与发育。内容涵盖演化算法、基因调控网络、多细胞生长模型、神经可塑性规则以及脑-体协同演化等，旨在为通向通用人工智能（AGI）提供一种基于生物自适应机制的新途径。
5.0
45.0h
1067 ผู้เรียน
15 บทเรียน
16 การถูกใจ
ปัญญาประดิษฐ์
ภาพรวมคอร์สเรียน
Content Summary
本书从计算建模的角度研究神经系统与形态（身体）的协同演化与发育。内容涵盖演化算法、基因调控网络、多细胞生长模型、神经可塑性规则以及脑-体协同演化等，旨在为通向通用人工智能（AGI）提供一种基于生物自适应机制的新途径。
探索生物演化与发育的计算奥秘，开辟通向通用人工智能的协同演化新路径。
Author: 金耀初
Acknowledgments: 本书汇集了作者自2006年以来在“演化发育系统”领域的研究成果。感谢Bernhard Sendhoff对书中所提想法的贡献，感谢颜学明博士的翻译工作，同时感谢Springer出版社的编辑及德国联邦教育与研究部提供的亚历山大·冯·洪堡人工智能教席奖资助。
Learning Objectives
- 能够描述通用演化算法的标准流程，并区分直接编码与间接编码的优劣。
- 理解并应用协方差矩阵自适应演化策略 (CMA-ES) 进行复杂参数优化。
- 掌握基因调控网络的数学建模方法（布尔网络与常微分方程）及多细胞发育模拟。
- 理解与应用演化算法核心机制： 掌握通用演化算法的编码方法（直接/间接）、重组、突变及选择算子，并理解CMA-ES等高级演化策略。
- 掌握多目标优化理论： 能够定义帕累托前沿并进行分类，识别高维多目标优化（MaOP）中的挑战及用户偏好的应用。
- 构建生物启发式模型： 理解基因调控网络的布尔网络与微分方程模型，掌握多细胞生长及神经塑性规则（如Hebb、Oja、STDP等）的数学表示与应用。
- 能够对比并应用布尔网络和常微分方程（ODE）对基因调控网络进行数学建模。
- 掌握通用演化算法的核心算子及去随机化协方差矩阵自适应演化策略（CMA-ES）在复杂优化中的原理。
- 理解直接表示与间接表示的区别，并能设计基于虚拟DNA（vDNA）的间接编码方案。
- 理解并能够区分演化算法中的直接表示与间接表示方法，掌握CMA-ES等高级演化策略及多目标优化原理。