計(jì)算智能

01 緒論
1．1　概述　2
1．2　最優(yōu)化問(wèn)題及其數(shù)學(xué)模型　2
1．3　最優(yōu)化問(wèn)題的分類　3
1．4　最優(yōu)化方法的發(fā)展及分類　5
1．4．1　傳統(tǒng)優(yōu)化方法　6
1．4．2　計(jì)算智能方法　7
1．4．3　計(jì)算智能方法的特點(diǎn)　11
1．5　計(jì)算智能方法的未來(lái)發(fā)展方向　12
1．6　章節(jié)安排介紹　12
1．7　本章小結(jié)　14
1．8　習(xí)題　14
02　人工神經(jīng)網(wǎng)絡(luò)理論
2．1　概述　16
2．2　人工神經(jīng)網(wǎng)絡(luò)基本理論　17
2．2．1　人工神經(jīng)元基本模型　17
2．2．2　人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)　19
2．2．3　人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)　20
2．3　前饋型神經(jīng)網(wǎng)絡(luò)的主要算法　22
2．3．1　感知器　23
2．3．2　BP網(wǎng)絡(luò)　25
2．3．3　RBF網(wǎng)絡(luò)　33
2．4　反饋型神經(jīng)網(wǎng)絡(luò)的主要算法　44
2．4．1　Hopfield網(wǎng)絡(luò)算法　44
2．4．2　自組織映射網(wǎng)絡(luò)算法　51
2．5　基于MATLAB語(yǔ)言的人工神經(jīng)網(wǎng)絡(luò)工具箱　54
2．5．1　基本功能介紹　55
2．5．2　BP網(wǎng)絡(luò)的MATLAB實(shí)現(xiàn)　55
2．5．3　RBF網(wǎng)絡(luò)的設(shè)計(jì)實(shí)例　63
2．5．4　人工神經(jīng)網(wǎng)絡(luò)工具箱中的圖形用戶界面　78
2．6　人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用實(shí)例　89
2．7　本章小結(jié)　91
2．8　習(xí)題　91
03　遺傳算法
3．1　概述　94
3．2　遺傳算法的基本原理　95
3．2．1　生物的進(jìn)化過(guò)程　95
3．2．2　遺傳算法的基本思想　95
3．2．3　遺傳算法的具體步驟　96
3．3　遺傳算法應(yīng)用中的常見(jiàn)問(wèn)題　104
3．3．1　染色體長(zhǎng)度和初始種群的確定問(wèn)題　104
3．3．2　控制參數(shù)的選取問(wèn)題　104
3．3．3　遺傳算子的具體操作問(wèn)題　105
3．3．4　收斂判據(jù)的確定問(wèn)題　105
3．4　遺傳算法的應(yīng)用實(shí)例　106
3．5　本章小結(jié)　112
3．6　習(xí)題　112
04　蟻群算法
4．1　概述　116
4．2　螞蟻群體的覓食過(guò)程　117
4．3　蟻群算法的基本原理　118
4．3．1　蟻群算法的數(shù)學(xué)模型　119
4．3．2　蟻群算法的具體實(shí)現(xiàn)流程　122
4．4　蟻群算法的參數(shù)選擇　124
4．5　改進(jìn)的蟻群算法　125
4．5．1　ACS模型　125
4．5．2　MMAS模型　127
4．6　蟻群算法的應(yīng)用實(shí)例　128
4．7　本章小結(jié)　134
4．8　習(xí)題　135
05　人工免疫算法
5．1　概述　138
5．2　人工免疫算法的生物學(xué)基礎(chǔ)　139
5．2．1　生物免疫系統(tǒng)的基本定義　140
5．2．2　生物免疫系統(tǒng)的工作原理　141
5．3　人工免疫算法的基本原理　142
5．3．1　人工免疫算法的基本框架　143
5．3．2　否定選擇算法的基本原理　144
5．3．3　免疫規(guī)劃算法的基本原理　146
5．3．4　克隆選擇算法的基本原理　150
5．4　人工免疫算法的應(yīng)用實(shí)例　155
5．5　本章小結(jié)　163
5．6　習(xí)題　163
06　粒子群優(yōu)化算法
6．1　概述　166
6．2　粒子群優(yōu)化算法的基本原理　166
6．3　粒子群優(yōu)化算法的改進(jìn)　174
6．3．1　帶慣性權(quán)重的PSO算法　174
6．3．2　帶收縮因子的PSO算法　175
6．3．3　基于種群分類與動(dòng)態(tài)學(xué)習(xí)因子的PSO改進(jìn)算法　176
6．4　粒子群優(yōu)化算法的應(yīng)用實(shí)例　178
6．5　本章小結(jié)　180
6．6　習(xí)題　180
07　人工蜂群算法
7．1　概述　182
7．2　人工蜂群算法的基本原理　183
7．3　改進(jìn)的人工蜂群算法　187
7．3．1　針對(duì)高維復(fù)雜單目標(biāo)優(yōu)化問(wèn)題的改進(jìn)人工蜂群算法　187
7．3．2　針對(duì)多峰優(yōu)化問(wèn)題的小生境人工蜂群算法　188
7．4　人工蜂群算法的應(yīng)用實(shí)例　193
7．5　本章小結(jié)　198
7．6　習(xí)題　198
08　生物地理學(xué)優(yōu)化算法
8．1　概述　200
8．2　生物地理學(xué)優(yōu)化算法的基本原理　200
8．3　生物地理學(xué)優(yōu)化算法的基本流程　204
8．3．1　遷移操作　204
8．3．2　變異操作　205
8．3．3　算法框架　206
8．4　改進(jìn)的生物地理學(xué)優(yōu)化算法　207
8．4．1　混合型遷移操作　207
8．4．2　局部化生物地理學(xué)優(yōu)化算法　209
8．4．3　生態(tài)地理學(xué)優(yōu)化算法　213
8．5　生物地理學(xué)優(yōu)化算法的應(yīng)用實(shí)例　216
8．6　本章小結(jié)　220
8．7　習(xí)題　220
09　多目標(biāo)優(yōu)化算法
9．1　概述　222
9．2　三代多目標(biāo)優(yōu)化算法　223
9．2．1　第 一代多目標(biāo)優(yōu)化算法　223
9．2．2　第二代多目標(biāo)優(yōu)化算法　223
9．2．3　第三代多目標(biāo)優(yōu)化算法　229
9．3　高維多目標(biāo)優(yōu)化算法　233
9．3．1　基于分解的多目標(biāo)優(yōu)化算法　233
9．3．2　NSGA-III　236
9．3．3　NSGA-III-OSD　240
9．4　多目標(biāo)優(yōu)化算法的測(cè)試函數(shù)和評(píng)價(jià)指標(biāo)　242
9．4．1　測(cè)試函數(shù)　242
9．4．2　評(píng)價(jià)指標(biāo)　246
9．5　多目標(biāo)優(yōu)化算法的測(cè)試實(shí)例和應(yīng)用實(shí)例　247
9．6　本章小結(jié)　253
9．7　習(xí)題　253
10　約束優(yōu)化算法
10．1　概述　256
10．2　約束處理技術(shù)　258
10．2．1　懲罰函數(shù)法　258
10．2．2　隨機(jī)排序法　258
10．2．3　可行性準(zhǔn)則　259
10．2．4　ε約束法　260
10．2．5　多目標(biāo)優(yōu)化法　260
10．2．6　雙種群存儲(chǔ)技術(shù)　261
10．3　約束單目標(biāo)優(yōu)化算法　261
10．3．1　基于隨機(jī)排序法的約束單目標(biāo)優(yōu)化算法　262
10．3．2　基于ε約束法的約束單目標(biāo)優(yōu)化算法　263
10．3．3　基于雙種群存儲(chǔ)技術(shù)的約束單目標(biāo)優(yōu)化算法　264
10．3．4　約束單目標(biāo)優(yōu)化測(cè)試函數(shù)　267
10．4　約束多目標(biāo)優(yōu)化算法　269
10．4．1　基于隨機(jī)排序法的約束多目標(biāo)優(yōu)化算法　269
10．4．2　基于雙種群存儲(chǔ)技術(shù)的約束多目標(biāo)優(yōu)化算法　270
10．4．3　基于ε約束法的約束多目標(biāo)優(yōu)化算法　273
10．4．4　約束多目標(biāo)優(yōu)化測(cè)試函數(shù)　277
10．5　約束優(yōu)化算法的應(yīng)用實(shí)例　279
10．6　本章小結(jié)　283
10．7　習(xí)題　283
參考文獻(xiàn)　285