本书介绍了机器人的基础知识，并通过大量的仿真实例，对机器人机械臂的运动学、动力学、运动轨迹规划、关节控制进行了详细分析，后讨论了机械系统中常用的仿真方法，并附有必要的计算程序和仿真流程。
本书中部分仿真实例给出了演示视频，读者可扫描二维码观看。
本书内容精炼，由浅入深，实例丰富，注重理论与实际相结合。本书可作为普通高等院校机械、自动化、人工智能等相关专业的教材，也可供从事机器人研究、开发和应用的科学技术人员参考。

本书主要从优化的角度设计多机器人协同算法, 并通过 ROS 2实现 Python 3程序代码.本书分别从理论分析、算法仿真和实物验证三个方面对非线性优化与多机器人协同进行理论介绍和实践演示.内容由浅入深, 注重理论与实践相结合, 既有理论方面的系统性介绍,又有结合 ROS 2 和 Python 3 代码的工程实践 . 期望能在多机器人协同优化的理论和实践研究中起到抛砖引玉的作用.

本书既可作为对非线性优化和多机器人编队感兴趣的研究人员的入门自学材料, 又可作为高等院校相关专业

大约在一百年前，电气化改变了交通运输行业、制造业、医疗行业、通信行业，如今AI带来了同样巨大的改变。AI的各个分支中发展为迅速的方向之一就是深度学习。
本书主要涉及以下内容：第1部分是神经网络的基础，学习如何建立神经网络，以及如何在数据上面训练它们。第2部分进行深度学习方面的实践，学习如何构建神经网络与超参数调试、正则化以及一些高级优化算法。第3部分学习卷积神经网络(CNN)，以及如何搭建模型、有哪些经典模型。它经常被用于图像领域，此外目标检测、风格迁移等应用也将涉及。后在第4部

本书全面讲述人工智能算法的理论基础和案例编程实现。第1章简要介绍机器学习的发展及其应用。第2章和第3章主要介绍机器学习经典分类算法、聚类算法、集成算法和随机森林算法，以及这些算法的具体内容、算法原理和案例编程实现。第4章介绍了深度学习的概念、原理、研究现状，以及典型的神经网络及其相关网络的案例编程实现。第5章介绍了强化学习的发展及其相关算法，包括Q-学习算法、蒙特卡洛算法和动态规划算法，以及这些算法的原理和案例编程实现。第6章介绍了迁移学习的发展及其相关算法，主要包括TrAdaBoost算法和层

本书是机器学习领域的入门教材，详细阐述了机器学习的基本理论和方法。全书由12 章组成，包括绪论、线性模型与逻辑斯谛回归、决策树、贝叶斯分类器、k 近邻算法、支持向量机、人工神经网络、线性判别分析、主成分分析法、聚类、EM 算法与高斯混合聚类、集成学习等。 对每一种机器学习算法，均从算法原理的理论推导和MATLAB 实现两方面进行介绍。本书既注意保持理论分析的严谨性, 又注重机器学习算法的实用性，同时强调机器学习算法的思想和原理在计算机上的实现。全书内容选材恰当，系统性强，行文通俗流畅，具有较强的

计算神经科学作为脑科学与人工智能之间的桥梁，是一门高速发展的新兴交叉学科。本书采用理论与实践结合的方式为读者讲述计算神经科学的基础知识。它从基础的数学和物理原理出发，详细介绍了各类神经元模型、突触模型，以及具有不同结构和功能的网络模型，如兴奋—抑制平衡网络、决策网络、连续吸引子网络、库网络等。本书不仅讲解了理论知识，还基于BrainPy（专门针对计算神经科学设计的编程框架）提供了实践代码，使读者能够动手模拟和分析神经系统的行为和性质。本书既可以作为计算神经科学的教材，也可以作为对该领域感兴趣的读

本书主要对近年来新生的多种仿生智能计算理论与方法进行了研究，包括生物地理进化算法、 萤火虫算法、差分进化算法以及灰狼优化算法等，并基于这些人工仿生智能计算方法对片上系统的可测性设计进行了研究。本书共6章，主要内容包括片上系统可测性设计概述、基于生物地理进化算法的扫描链平衡理论与方法、基于多目标智能算法的三维Wrapper扫描链设计、基于灰狼优化算法的三维堆叠SoC测试规划方法研究等。
本书可供计算机、自动化、人工智能、测控技术与仪器等方向的工程技术人员参考，也可作为高等院校相关专

形式语言与自动机理论是计算机类专业的一门重要课程。本书是作者结合其近40年来在大学讲授该门课程的经验和体会，选择和组织有关内容撰写而成。基于计算机问题求解的需要讨论正则语言和上下文无关语言的文法、识别模型及其性质，图灵机的基本知识。其内容特点是抽象和形式化，既有严格的理论证明，又具有很强的构造性。叙述中特别注意引导读者分析与解决问题，以培养学生的形式化描述和抽象思维能力，使学生了解和初步掌握“问题、形式化、自动化（计算机化）”的解题思路。为了便于学生对内容的掌握，附录A还给出了建议的教学设计。

本书重点讲解基于云平台的超参数优化、神经构架搜索以及算法选择等内容，是自动机器学习的基本任务。介绍了基于三个主要云服务提供商（包括 Microsoft Azure、Amazon Web Services (AWS) 和 Google Cloud Platform）进行 AutoML，同时部署 ML 模型和管道，具有较强的实用性。在应用场景中评估 AutoML 方面，例如算法选择、自动特征化和超参数调整，并区分云和 OSS 产品等。本书适用于从事机器学习或人工智能方向的数据科学家或工程师学习，也适

本书作为《形式语言与自动机理论（第4版）》（主教材）的配套教学辅导用书，按照主教材的结构编写而成。本书包括有关内容的讲解、学习要点、问题分析、求解思路和方法、注意事项。考虑到该课程习题求解具有相当的难度，以及给出全部习题解答又不利于学生学习，本书只给出了典型习题的解析。为了引导读者及时总结学习内容，按照小节给出知识点和主要内容解读，为读者学习和掌握主教材中的知识点和问题求解方法，体会问题求解的核心思想提供帮助，对教师和学生来说，阅读这些内容都是很有意义的。