計算智能

定　價：￥59.80

作　者：	畢曉君著
出版社：	人民郵電出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥59.80)

ISBN：	9787115534767	出版時間：	2020-06-01	包裝：	平裝
開本：	16開	頁數(shù)：	300	字數(shù)：

內(nèi)容簡介

　　計算智能是人工智能領域較為前沿的研究方向，它是受“大自然智慧”啟發(fā)而被設計出的一類算法的統(tǒng)稱。計算智能所具有的全局搜索、高效并行等優(yōu)點為解決復雜優(yōu)化問題提供了新思路和新手段，引起了國內(nèi)外學者的廣泛重視并掀起了研究熱潮。目前，計算智能的相關技術已成功應用于信息處理、調(diào)度優(yōu)化、工程控制、經(jīng)濟管理等眾多領域。本書在歸納近年來計算智能研究成果的基礎上，系統(tǒng)且詳細地介紹了計算智能中較為典型的9種算法——人工神經(jīng)網(wǎng)絡、遺傳算法、蟻群算法、人工免疫算法、粒子群優(yōu)化算法、人工蜂群算法、生物地理學優(yōu)化算法、多目標優(yōu)化算法以及約束優(yōu)化算法，并給出了各個算法基于MATLAB軟件的仿真實現(xiàn)過程和在信號與通信領域的應用實例，這使本書知識點的講解通俗易懂、直觀生動，易于讀者快速掌握。本書可作為高等學校信號與信息處理、計算機應用技術、人工智能、模式識別與智能系統(tǒng)、自動化等專業(yè)本科生和研究生的教材，也可供計算智能相關領域的研究人員學習參考。

作者簡介

　　畢曉君，中央民族大學信息工程學院教授、博導，哈爾濱工程大學信息與通信工程學院兼職教授。長期從事信息智能處理技術與數(shù)字電子技術方向的課程教學工作，主要研究領域涉及智能優(yōu)化算法、機器學習、數(shù)字圖像處理等。

圖書目錄

01 緒論
1．1　概述　2
1．2　最優(yōu)化問題及其數(shù)學模型　2
1．3　最優(yōu)化問題的分類　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　計算智能方法　7
1．4．3　計算智能方法的特點　11
1．5　計算智能方法的未來發(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　習題　14
02　人工神經(jīng)網(wǎng)絡理論
2．1　概述　16
2．2　人工神經(jīng)網(wǎng)絡基本理論　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)絡結(jié)構　19
2．2．3　人工神經(jīng)網(wǎng)絡的學習　20
2．3　前饋型神經(jīng)網(wǎng)絡的主要算法　22
2．3．1　感知器　23
2．3．2　BP網(wǎng)絡　25
2．3．3　RBF網(wǎng)絡　33
2．4　反饋型神經(jīng)網(wǎng)絡的主要算法　44
2．4．1　Hopfield網(wǎng)絡算法　44
2．4．2　自組織映射網(wǎng)絡算法　51
2．5　基于MATLAB語言的人工神經(jīng)網(wǎng)絡工具箱　54
2．5．1　基本功能介紹　55
2．5．2　BP網(wǎng)絡的MATLAB實現(xiàn)　55
2．5．3　RBF網(wǎng)絡的設計實例　63
2．5．4　人工神經(jīng)網(wǎng)絡工具箱中的圖形用戶界面　78
2．6　人工神經(jīng)網(wǎng)絡的應用實例　89
2．7　本章小結(jié)　91
2．8　習題　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　生物的進化過程　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　遺傳算法應用中的常見問題　104
3．3．1　染色體長度和初始種群的確定問題　104
3．3．2　控制參數(shù)的選取問題　104
3．3．3　遺傳算子的具體操作問題　105
3．3．4　收斂判據(jù)的確定問題　105
3．4　遺傳算法的應用實例　106
3．5　本章小結(jié)　112
3．6　習題　112
04　蟻群算法
4．1　概述　116
4．2　螞蟻群體的覓食過程　117
4．3　蟻群算法的基本原理　118
4．3．1　蟻群算法的數(shù)學模型　119
4．3．2　蟻群算法的具體實現(xiàn)流程　122
4．4　蟻群算法的參數(shù)選擇　124
4．5　改進的蟻群算法　125
4．5．1　ACS模型　125
4．5．2　MMAS模型　127
4．6　蟻群算法的應用實例　128
4．7　本章小結(jié)　134
4．8　習題　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基礎　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　人工免疫算法的應用實例　155
5．5　本章小結(jié)　163
5．6　習題　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　174
6．3．1　帶慣性權重的PSO算法　174
6．3．2　帶收縮因子的PSO算法　175
6．3．3　基于種群分類與動態(tài)學習因子的PSO改進算法　176
6．4　粒子群優(yōu)化算法的應用實例　178
6．5　本章小結(jié)　180
6．6　習題　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　改進的人工蜂群算法　187
7．3．1　針對高維復雜單目標優(yōu)化問題的改進人工蜂群算法　187
7．3．2　針對多峰優(yōu)化問題的小生境人工蜂群算法　188
7．4　人工蜂群算法的應用實例　193
7．5　本章小結(jié)　198
7．6　習題　198
08　生物地理學優(yōu)化算法
8．1　概述　200
8．2　生物地理學優(yōu)化算法的基本原理　200
8．3　生物地理學優(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　改進的生物地理學優(yōu)化算法　207
8．4．1　混合型遷移操作　207
8．4．2　局部化生物地理學優(yōu)化算法　209
8．4．3　生態(tài)地理學優(yōu)化算法　213
8．5　生物地理學優(yōu)化算法的應用實例　216
8．6　本章小結(jié)　220
8．7　習題　220
09　多目標優(yōu)化算法
9．1　概述　222
9．2　三代多目標優(yōu)化算法　223
9．2．1　第一代多目標優(yōu)化算法　223
9．2．2　第二代多目標優(yōu)化算法　223
9．2．3　第三代多目標優(yōu)化算法　229
9．3　高維多目標優(yōu)化算法　233
9．3．1　基于分解的多目標優(yōu)化算法　233
9．3．2　NSGA-III　236
9．3．3　NSGA-III-OSD　240
9．4　多目標優(yōu)化算法的測試函數(shù)和評價指標　242
9．4．1　測試函數(shù)　242
9．4．2　評價指標　246
9．5　多目標優(yōu)化算法的測試實例和應用實例　247
9．6　本章小結(jié)　253
9．7　習題　253
10　約束優(yōu)化算法
10．1　概述　256
10．2　約束處理技術　258
10．2．1　懲罰函數(shù)法　258
10．2．2　隨機排序法　258
10．2．3　可行性準則　259
10．2．4　ε約束法　260
10．2．5　多目標優(yōu)化法　260
10．2．6　雙種群存儲技術　261
10．3　約束單目標優(yōu)化算法　261
10．3．1　基于隨機排序法的約束單目標優(yōu)化算法　262
10．3．2　基于ε約束法的約束單目標優(yōu)化算法　263
10．3．3　基于雙種群存儲技術的約束單目標優(yōu)化算法　264
10．3．4　約束單目標優(yōu)化測試函數(shù)　267
10．4　約束多目標優(yōu)化算法　269
10．4．1　基于隨機排序法的約束多目標優(yōu)化算法　269
10．4．2　基于雙種群存儲技術的約束多目標優(yōu)化算法　270
10．4．3　基于ε約束法的約束多目標優(yōu)化算法　273
10．4．4　約束多目標優(yōu)化測試函數(shù)　277
10．5　約束優(yōu)化算法的應用實例　279
10．6　本章小結(jié)　283
10．7　習題　283
參考文獻　285