面向過程的軟件設(shè)計及優(yōu)化技術(shù)

第1部分 問題的邏輯化過程
第1章 問題的符號化
1.1 命題邏輯
1.1.1 命題符號化過程
1.1.2 命題符號化規(guī)則
1.2 符號化過程中的等價問題
1.2.1 常用的等價關(guān)系
1.2.2 等價問題的推理
1.3 推理規(guī)則
1.3.1 基本原理
1.3.2 主要推理方式
1.3.3 句型模式
1.3.4 正確性
第2章 基于推理規(guī)則的邏輯結(jié)構(gòu)設(shè)計技術(shù)
2.1 推理規(guī)則
2.1.1 推理規(guī)則原理
2.1.2 緊致性定理
2.2 不確定性理論
2.2.1 專家系統(tǒng)MYCIN
2.2.2 主觀Bayes方法
2.3 模糊推理
2.3.1 模糊推理的理論基礎(chǔ)
2.3.2 模糊推理技術(shù)研究
2.4 證據(jù)理論
2.4.1 D-S理論的數(shù)學基礎(chǔ)
2.4.2 證據(jù)理論的推理模型
2.5 非單調(diào)推理
2.6 基于規(guī)則演繹推理技術(shù)研究
2.6.1 正向規(guī)則演繹推理技術(shù)研究
2.6.2 逆向涫繹椎瑚技術(shù)研究
2.6.3 演繹推理的探索分析

第2部分 邏輯結(jié)構(gòu)的優(yōu)化技術(shù)
第3章 學習規(guī)則及應(yīng)用技術(shù)
3.1 機器學習技術(shù)
3.1.1 學習問題的描述
3.1.2 機器學習系統(tǒng)的基本結(jié)構(gòu)
3.1.3 機器學習的應(yīng)用實例
3.2 概念學習技術(shù)
3.2.1 概念學習的任務(wù)
3.2.2 概念學習算法
3.3 決策樹學習技術(shù)
3.3.1 決策樹的工作原理
3.3.2 決策樹的關(guān)鍵技術(shù)
3.3.3 C4.5 對ID3的改進算法
3.3.4 決策樹算法的系統(tǒng)實現(xiàn)與修剪優(yōu)化
3.4 基于學習規(guī)則的幾種算法研究
第4章 搜索策略的應(yīng)用及改進技術(shù)
4.1 基于圖的搜索技術(shù)
4.1.1 一般圖搜索
4.1.2 啟發(fā)式搜索
4.1.3 啟發(fā)式搜索的關(guān)鍵技術(shù)
4.2 搜索技術(shù)在數(shù)據(jù)優(yōu)化算法中的應(yīng)用
4.2.1 一種網(wǎng)絡(luò)入侵算法
4.2.2 最小二乘原理在數(shù)據(jù)優(yōu)化技術(shù)中的應(yīng)用
4.2.3 模糊數(shù)學在數(shù)據(jù)優(yōu)化技術(shù)中的應(yīng)用
4.3 一種隨機數(shù)的生成技術(shù)
4.4 搜索過程中的模式匹配問題

第3部分 基于神經(jīng)網(wǎng)絡(luò)及遺傳、免疫算法優(yōu)化技術(shù)的應(yīng)用
第5章 神經(jīng)網(wǎng)絡(luò)在軟件邏輯結(jié)構(gòu)優(yōu)化中的應(yīng)用
5.1 神經(jīng)網(wǎng)絡(luò)基本原理
5.1.1 神經(jīng)網(wǎng)絡(luò)的基本屬性
5.1.2 神經(jīng)網(wǎng)絡(luò)信息處理的數(shù)學過程
5.2 BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用
5.2.1 基本原理
5.2.2 DPS數(shù)據(jù)處理系統(tǒng)操作步驟
5.2.3 應(yīng)用實例
5.3 RBF神經(jīng)網(wǎng)絡(luò)應(yīng)用
5.4 生物網(wǎng)絡(luò)結(jié)構(gòu)模型的設(shè)計與實現(xiàn)
5.4.1 生物網(wǎng)絡(luò)結(jié)構(gòu)的概念
5.4.2 生物網(wǎng)絡(luò)平臺的設(shè)計與實現(xiàn)
5.5 免疫網(wǎng)絡(luò)的計算模型
5.6 基于神經(jīng)網(wǎng)絡(luò)的應(yīng)用技術(shù)
5.6.1 譯碼技術(shù)研究
5.6.2 基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘技術(shù)應(yīng)用
5.7 神經(jīng)網(wǎng)絡(luò)發(fā)展趨勢及研究熱點
第6章 遺傳算法在軟件邏輯結(jié)構(gòu)優(yōu)化中的應(yīng)用
6.1 遺傳算法原理
6.2 遺傳算法的應(yīng)用
6.2.1 遺傳算法應(yīng)用的關(guān)鍵技術(shù)
6.2.2 遺傳算法在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用
6.2.3 并行遺傳算法應(yīng)用
6.3 基于遺傳算法的計算優(yōu)化問題
6.3.1 基本概念
6.3.2 遺傳算法的應(yīng)用案例
6.4 基于遺傳算法的單一函數(shù)優(yōu)化問題
6.4.1 評價遺傳算法性能的測試函數(shù)
6.4.2 De Jong的研究結(jié)論
6.5 基于遺傳算法的多目標函數(shù)優(yōu)化問題
6.5.1 多目標優(yōu)化問題的數(shù)學模型
6.5.2 基于遺傳算法多目標優(yōu)化問題的求解
第7章 人工免疫算法、否定選擇算法、克隆選擇算法在邏輯結(jié)構(gòu)優(yōu)化中的應(yīng)用
7.1 人工免疫算法
7.1.1 人工免疫算法屬性簡介
7.1.2 基本免疫方法
7.1.3 基于最基本免疫機制的免疫算法
7.1.4 免疫算法中的親和力計算方法
7.1.5 免疫算法與遺傳算法
7.2 否定選擇算法
7.2.1 否定選擇算法簡介
7.2.2 否定選擇算法關(guān)鍵因素
7.2.3 否定選擇算法流程
7.3 否定選擇算法應(yīng)用技術(shù)
7.4 克隆選擇算法
7.4.1 克隆選擇算法描述
7.4.2 克隆算法應(yīng)用中的關(guān)鍵技術(shù)
7.5 一種免疫、克隆算法的應(yīng)用技術(shù)
7.5.1 免疫、克隆算法描述
7.5.2 基于免疫、克隆算法的案例設(shè)計
7.6 一種基于免疫算法的函數(shù)優(yōu)化技術(shù)
7.7 基于免疫網(wǎng)絡(luò)克隆優(yōu)化算法的函數(shù)優(yōu)化

第4部分 數(shù)據(jù)優(yōu)化與仿真技術(shù)
第8章 基于統(tǒng)計分析的算法及數(shù)據(jù)優(yōu)化技術(shù)
8.1 數(shù)據(jù)挖掘技術(shù)
8.1.1 基本概念
8.1.2 數(shù)據(jù)挖掘的方法
8.2 基于數(shù)據(jù)倉庫的數(shù)據(jù)挖掘技術(shù)的算法設(shè)計
8.2.1 數(shù)據(jù)倉庫與數(shù)據(jù)挖掘的基本原理及概念
8.2.2 算法設(shè)計
8.2.3 算法的實現(xiàn)
8.2.4 結(jié)果分析
8.3 基于統(tǒng)計分析技術(shù)的幾類問題的算法設(shè)計
8.3.1 常規(guī)數(shù)學化問題的數(shù)據(jù)挖掘思路
8.3.2 幾類數(shù)學化問題的算法設(shè)計及實現(xiàn)
8.4 《計算方法》中幾類問題的算法設(shè)計與實現(xiàn)
第9章 基于McMc和Mauab的算法設(shè)計與仿真
9.1 蒙特卡羅方法
9.1.1 基本思想
9.1.2 蒙特卡羅方法的解題步驟
9.2 馬爾可夫鏈
9.3 基于Matlab方法的案例仿真
9.3.1 仿真軟件Matlab
9.3.2 仿真案例設(shè)計
9.3.3 仿真案例的改進設(shè)計
9.4 基于McMc方法的案例仿真
9.4.1 案例基本結(jié)構(gòu)設(shè)計
9.4.2 案例的仿真示例
9.4.3 仿真案例的改進設(shè)計
參考文獻