1. 人工智慧入門書籍推薦
1.《深度學習》
深度學習領御奠基性的經典暢銷書，長期位居亞馬遜AI和機器學習類圖書榜首。
2.《人工智慧》
智能革命時代先行者李開復解讀AI如何重塑個人、商業與社會的未來圖譜。
3.《人工智慧簡史》
全方位解讀人工智慧的起源、神經網路、遺傳演算法、深度學習、自然語言處理等知識，深度點評AI歷史趨勢。
4.《人工智慧的未來》
揭秘人類思維的奧秘，奇點大學校長、谷歌工程總監、《奇點臨近》作者雷·庫茲韋爾全面解析「人工智慧」創建原理的顛覆力作。
5.《人工智慧：國家人工智慧戰略行動抓手》
比爾·蓋茨、埃隆·馬斯克、扎克伯格、李彥宏、馬化騰、李開復、雷軍、劉慶峰等跨界大咖都在關注的科技新革命，騰訊攜手工信部打造國家人工智慧戰略行動抓手。
6.《極簡人工智慧：你一定愛讀的AI通識書》
全方位呈現「AI」全景藍圖：群體智能、神經網路、智能代理、情感機器、智能計算、智能機器人等。
7.《區塊鏈 人工智慧 數字貨幣：黑科技讓生活更美好》
《紐約時報》暢銷書，跟進未來趨勢，用技術重構世界，解密正在全面爆發的區塊鏈、人工智慧和數字貨幣等黑科技。
8.《高級人工智慧（第三版）》
9.《終極演算法：機器學習和人工智慧如何重塑世界》
比爾·蓋茨年度推薦書籍，沃爾特·艾薩克森、車品覺、曹歡歡聯袂推薦！
10.《人工智慧新時代：全球人工智慧應用真實落地50例》
2. 進化演算法入門讀書筆記（一）
這里我參考學習的書籍是：
《進化計算的理論和方法》，王宇平，科學出版社
《進化優化演算法：基於仿生和種群的計算機智能方法》，[美]丹·西蒙，清華大學出版社。
進化演算法是 求解優化問題 的一種演算法，它是 模仿生物進化與遺傳原理 而設計的一類隨機搜索的優化演算法。
不同的作者稱進化演算法有不同的術語，以下。註：這里僅列舉出了我自己比較容易混淆的一些，並未全部列出。
進化計算： 這樣能強調演算法需要在 計算機上 實施，但進化計算也可能指不用於優化的演算法（最初的遺傳演算法並不是用於優化本身，而是想用來研究自然選擇的過程）。因此，進化優化演算法比進化計算更具體。
基於種群的優化： 它強調進化演算法一般是讓問題的候選解 種群 隨著時間的進化以得到問題的更好的解。然而許多進化演算法每次迭代只有單個候選解。因此，進化演算法比基於種群的優化更一般化。
計算機智能/計算智能： 這樣做常常是為了區分進化演算法與專家系統，在傳統上專家系統一直被稱為人工智慧。專家系統模仿演繹推理，進化演算法則模仿歸納推理。進化演算法有時候也被看成是人工智慧的一種。計算機智能是比進化演算法更一般的詞，它包括神經計算、模糊系統、人工生命這樣的一些技術，這些技術可應用於優化之外的問題。因此，進化計算可能比計算機智能更一般化或更具體。
由自然啟發的計算/仿生計算： 像差分進化和分布估計演算法這些進化演算法可能並非源於自然，像進化策略和反向學習這些進化演算法與自然過程聯系甚微。因此，進化演算法比由自然啟發的演算法更一般化，因為進化演算法包括非仿生演算法。
機器學習： 機器學習研究由經驗學到的計算機演算法，它還包括很多不是進化計算的演算法，如強化學習、神經網路、分簇、SVM等等。因此，機器學習比進化演算法更廣。
群智能演算法： 一些人認為群智能演算法應與進化演算法區分開，一些人認為群智能演算法是進化演算法的一個子集。因為群智能演算法與進化演算法有相同的執行方式，即，每次迭代都改進問題的候選解的性能從而讓解的種群進化。因此，我們認為群智能演算法是一種進化演算法。
進化演算法的簡單定義可能並不完美。在進化演算法領域術語的不統一會讓人困惑，一個演算法是進化演算法如果它通常被認為是進化演算法，這個戲謔的、循環的定義一開始有些麻煩，但是一段時間後，這個領域工作的人就會習慣了。
優化幾乎適用於生活中的所有領域。除了對如計算器做加法運算這種過於簡單的問題，不必用進化演算法的軟體，因為有更簡單有效的演算法。此外對於每個復雜的問題，至少應該考慮採用進化演算法。
一個優化問題可以寫成最小化問題或最大化問題，這兩個問題在形式上很容易互相轉化：
函數 被稱為目標函數，向量 被稱為獨立變數，或決策變數。我們稱 中元素的個數為問題的維數。
優化問題常常帶有約束。即在最小化某個函數 時，對 可取的值加上約束。不舉例。
實際的優化問題不僅帶有約束，還有多個目標。這意味著我們想要同時最小化不止一個量。
例子：
這里評估這個問題的一種方式是繪制 作為函數 的函數的圖：
如圖，對在實線上的 的值，找不到能同時使 和 減小的 的其他值，此實線被稱為 帕累托前沿 ，而相應的 的值的集合被稱為帕累托集。（此處的帕累托最優問題十分重要，可以參考這個鏈接來學習和理解： 多目標優化之帕累托最優 - 知乎 ，非常清晰易懂。）
該例子是一個非常簡單的多目標優化問題，它只有兩個目標。實際的優化問題通常涉及兩個以上的模目標，因此很難得到它的帕累托前沿，由於它是高維的，我們也無法將它可視化。後面的章節將會仔細討論多目標進化優化。
多峰優化問題是指問題不止一個局部最小值。上例中的 就有兩個局部最小值，處理起來很容易，有些問題有很多局部最小值，找出其中的全局最小值就頗具挑戰性。
對於前面的簡單例子，我們能用圖形的方法或微積分的方法求解，但是許多實際問題除了有更多獨立變數、多目標，以及帶約束之外更像上面的Ackley函數這樣，對於這類問題，基於微積分或圖形的方法就不夠用了，而進化演算法卻能給出更好的結果。
到現在為止我們考慮的都是連續優化問題，也就是說，允許獨立變數連續地變化。但有許多優化問題中的獨立變數智能在一個離散集合上取值。這類問題被稱為組合優化問題。如旅行商問題。
對於有 個城市的旅行商問題，有 個可能的解。對於一些過大的問題，硬算的方法不可行，像旅行商這樣的組合問題沒有連續的獨立變數，因此不能利用導數求解。除非對每個可能的解都試一遍，不然就無法確定所得到的組合問題的解是否就是最好的解。進化演算法對這類大規模、多維的問題，它至少能幫我們找出一個好的解（不一定是最好的）。
3. 啟發式演算法的相關書籍 我是想系統的學習一下。最好能解釋一些難易程度不同的書。
我向你推薦兩本，一是：《現代優化計算方法》；二是：《智能優化演算法及其應用》。這兩本書都不錯，其中前者算是入門的書籍，講解清晰易懂。禁忌搜索、模擬退火、遺傳演算法、人工神經網路等啟發式演算法都有講到。