计算智能

01 绪论
1．1　概述　2
1．2　最优化问题及其数学模型　2
1．3　最优化问题的分类　3
1．4　最优化方法的发展及分类　5
1．4．1　传统优化方法　6
1．4．2　计算智能方法　7
1．4．3　计算智能方法的特点　11
1．5　计算智能方法的未来发展方向　12
1．6　章节安排介绍　12
1．7　本章小结　14
1．8　习题　14
02　人工神经网络理论
2．1　概述　16
2．2　人工神经网络基本理论　17
2．2．1　人工神经元基本模型　17
2．2．2　人工神经网络结构　19
2．2．3　人工神经网络的学习　20
2．3　前馈型神经网络的主要算法　22
2．3．1　感知器　23
2．3．2　BP网络　25
2．3．3　RBF网络　33
2．4　反馈型神经网络的主要算法　44
2．4．1　Hopfield网络算法　44
2．4．2　自组织映射网络算法　51
2．5　基于MATLAB语言的人工神经网络工具箱　54
2．5．1　基本功能介绍　55
2．5．2　BP网络的MATLAB实现　55
2．5．3　RBF网络的设计实例　63
2．5．4　人工神经网络工具箱中的图形用户界面　78
2．6　人工神经网络的应用实例　89
2．7　本章小结　91
2．8　习题　91
03　遗传算法
3．1　概述　94
3．2　遗传算法的基本原理　95
3．2．1　生物的进化过程　95
3．2．2　遗传算法的基本思想　95
3．2．3　遗传算法的具体步骤　96
3．3　遗传算法应用中的常见问题　104
3．3．1　染色体长度和初始种群的确定问题　104
3．3．2　控制参数的选取问题　104
3．3．3　遗传算子的具体操作问题　105
3．3．4　收敛判据的确定问题　105
3．4　遗传算法的应用实例　106
3．5　本章小结　112
3．6　习题　112
04　蚁群算法
4．1　概述　116
4．2　蚂蚁群体的觅食过程　117
4．3　蚁群算法的基本原理　118
4．3．1　蚁群算法的数学模型　119
4．3．2　蚁群算法的具体实现流程　122
4．4　蚁群算法的参数选择　124
4．5　改进的蚁群算法　125
4．5．1　ACS模型　125
4．5．2　MMAS模型　127
4．6　蚁群算法的应用实例　128
4．7　本章小结　134
4．8　习题　135
05　人工免疫算法
5．1　概述　138
5．2　人工免疫算法的生物学基础　139
5．2．1　生物免疫系统的基本定义　140
5．2．2　生物免疫系统的工作原理　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　否定选择算法的基本原理　144
5．3．3　免疫规划算法的基本原理　146
5．3．4　克隆选择算法的基本原理　150
5．4　人工免疫算法的应用实例　155
5．5　本章小结　163
5．6　习题　163
06　粒子群优化算法
6．1　概述　166
6．2　粒子群优化算法的基本原理　166
6．3　粒子群优化算法的改进　174
6．3．1　带惯性权重的PSO算法　174
6．3．2　带收缩因子的PSO算法　175
6．3．3　基于种群分类与动态学习因子的PSO改进算法　176
6．4　粒子群优化算法的应用实例　178
6．5　本章小结　180
6．6　习题　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　改进的人工蜂群算法　187
7．3．1　针对高维复杂单目标优化问题的改进人工蜂群算法　187
7．3．2　针对多峰优化问题的小生境人工蜂群算法　188
7．4　人工蜂群算法的应用实例　193
7．5　本章小结　198
7．6　习题　198
08　生物地理学优化算法
8．1　概述　200
8．2　生物地理学优化算法的基本原理　200
8．3　生物地理学优化算法的基本流程　204
8．3．1　迁移操作　204
8．3．2　变异操作　205
8．3．3　算法框架　206
8．4　改进的生物地理学优化算法　207
8．4．1　混合型迁移操作　207
8．4．2　局部化生物地理学优化算法　209
8．4．3　生态地理学优化算法　213
8．5　生物地理学优化算法的应用实例　216
8．6　本章小结　220
8．7　习题　220
09　多目标优化算法
9．1　概述　222
9．2　三代多目标优化算法　223
9．2．1　第 一代多目标优化算法　223
9．2．2　第二代多目标优化算法　223
9．2．3　第三代多目标优化算法　229
9．3　高维多目标优化算法　233
9．3．1　基于分解的多目标优化算法　233
9．3．2　NSGA-III　236
9．3．3　NSGA-III-OSD　240
9．4　多目标优化算法的测试函数和评价指标　242
9．4．1　测试函数　242
9．4．2　评价指标　246
9．5　多目标优化算法的测试实例和应用实例　247
9．6　本章小结　253
9．7　习题　253
10　约束优化算法
10．1　概述　256
10．2　约束处理技术　258
10．2．1　惩罚函数法　258
10．2．2　随机排序法　258
10．2．3　可行性准则　259
10．2．4　ε约束法　260
10．2．5　多目标优化法　260
10．2．6　双种群存储技术　261
10．3　约束单目标优化算法　261
10．3．1　基于随机排序法的约束单目标优化算法　262
10．3．2　基于ε约束法的约束单目标优化算法　263
10．3．3　基于双种群存储技术的约束单目标优化算法　264
10．3．4　约束单目标优化测试函数　267
10．4　约束多目标优化算法　269
10．4．1　基于随机排序法的约束多目标优化算法　269
10．4．2　基于双种群存储技术的约束多目标优化算法　270
10．4．3　基于ε约束法的约束多目标优化算法　273
10．4．4　约束多目标优化测试函数　277
10．5　约束优化算法的应用实例　279
10．6　本章小结　283
10．7　习题　283
参考文献　285