 |
-- 會員 / 註冊 --
|
 |
|
|
|
計算智能 ( 簡體 字) |
| 作者：畢曉君 | 類別：1. -> 程式設計 -> 人工智慧 |
| 譯者： |
| 出版社：人民郵電出版社 |  3dWoo書號： 52927
詢問書籍請說出此書號！【缺書】
NT售價： 300 元 |
| 出版日：6/1/2020 |
| 頁數：286 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787115534767 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
| 前言： |
內容簡介：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”啟發而被設計出的一類算法的統稱。計算智能所具有的全局搜索、高效并行等優點為解決復雜優化問題提供了新思路和新手段，引起了國內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、調度優化、工程控制、經濟管理等眾多領域。
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——人工神經網絡、遺傳算法、蟻群算法、人工免疫算法、粒子群優化算法、人工蜂群算法、生物地理學優化算法、多目標優化算法以及約束優化算法，并給出了各個算法基于MATLAB軟件的仿真實現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、自動化等專業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。 |
目錄：01 緒論
1.1 概述 2
1.2 最優化問題及其數學模型 2
1.3 最優化問題的分類 3
1.4 最優化方法的發展及分類 5
1.4.1 傳統優化方法 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展方向 12
1.6 章節安排介紹 12
1.7 本章小結 14
1.8 習題 14
02 人工神經網絡理論
2.1 概述 16
2.2 人工神經網絡基本理論 17
2.2.1 人工神經元基本模型 17
2.2.2 人工神經網絡結構 19
2.2.3 人工神經網絡的學習 20
2.3 前饋型神經網絡的主要算法 22
2.3.1 感知器 23
2.3.2 BP網絡 25
2.3.3 RBF網絡 33
2.4 反饋型神經網絡的主要算法 44
2.4.1 Hopfield網絡算法 44
2.4.2 自組織映射網絡算法 51
2.5 基于MATLAB語言的人工神經網絡工具箱 54
2.5.1 基本功能介紹 55
2.5.2 BP網絡的MATLAB實現 55
2.5.3 RBF網絡的設計實例 63
2.5.4 人工神經網絡工具箱中的圖形用戶界面 78
2.6 人工神經網絡的應用實例 89
2.7 本章小結 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 收斂判據的確定問題 105
3.4 遺傳算法的應用實例 106
3.5 本章小結 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 蟻群算法的數學模型 119
4.3.2 蟻群算法的具體實現流程 122
4.4 蟻群算法的參數選擇 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 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 生物免疫系統的基本定義 140
5.2.2 生物免疫系統的工作原理 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 163
5.6 習題 163
06 粒子群優化算法
6.1 概述 166
6.2 粒子群優化算法的基本原理 166
6.3 粒子群優化算法的改進 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學習因子的PSO改進算法 176
6.4 粒子群優化算法的應用實例 178
6.5 本章小結 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化問題的改進人工蜂群算法 187
7.3.2 針對多峰優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 198
7.6 習題 198
08 生物地理學優化算法
8.1 概述 200
8.2 生物地理學優化算法的基本原理 200
8.3 生物地理學優化算法的基本流程 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化算法 209
8.4.3 生態地理學優化算法 213
8.5 生物地理學優化算法的應用實例 216
8.6 本章小結 220
8.7 習題 220
09 多目標優化算法
9.1 概述 222
9.2 三代多目標優化算法 223
9.2.1 第 一代多目標優化算法 223
9.2.2 第二代多目標優化算法 223
9.2.3 第三代多目標優化算法 229
9.3 高維多目標優化算法 233
9.3.1 基于分解的多目標優化算法 233
9.3.2 NSGA-III 236
9.3.3 NSGA-III-OSD 240
9.4 多目標優化算法的測試函數和評價指標 242
9.4.1 測試函數 242
9.4.2 評價指標 246
9.5 多目標優化算法的測試實例和應用實例 247
9.6 本章小結 253
9.7 習題 253
10 約束優化算法
10.1 概述 256
10.2 約束處理技術 258
10.2.1 懲罰函數法 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 多目標優化法 260
10.2.6 雙種群存儲技術 261
10.3 約束單目標優化算法 261
10.3.1 基于隨機排序法的約束單目標優化算法 262
10.3.2 基于ε約束法的約束單目標優化算法 263
10.3.3 基于雙種群存儲技術的約束單目標優化算法 264
10.3.4 約束單目標優化測試函數 267
10.4 約束多目標優化算法 269
10.4.1 基于隨機排序法的約束多目標優化算法 269
10.4.2 基于雙種群存儲技術的約束多目標優化算法 270
10.4.3 基于ε約束法的約束多目標優化算法 273
10.4.4 約束多目標優化測試函數 277
10.5 約束優化算法的應用實例 279
10.6 本章小結 283
10.7 習題 283
參考文獻 285 |
| 序： |
|
