計算智能導論（第2版）

第I部分 引言
第1章 計算智能簡介
1.1 計算智能典型方法
1.1.1 人工神經(jīng)網(wǎng)絡
1.1.2 進化計算
1.1.3 群體智能
1.1.4 人工免疫系統(tǒng)
1.1.5 模糊系統(tǒng)
1.2 簡短歷史
1.3 習題
第Ⅱ部分 人工神經(jīng)網(wǎng)絡
第2章 人工神經(jīng)元
2.1 計算網(wǎng)絡輸入信號
2.2 激活函數(shù)
2.3 人工神經(jīng)元幾何構型
2.4 人工神經(jīng)元學習
2.4.1 增廣向量
2.4.2 梯度下降學習規(guī)則
2.4.3 Widrow-Hoff學習規(guī)則
2.4.4 廣義delta學習規(guī)則
2.4.5 誤差修正學習規(guī)則
2.5 習題
第3章 監(jiān)督學習神經(jīng)網(wǎng)絡
3.1 神經(jīng)網(wǎng)絡的類型
3.1.1 前饋神經(jīng)網(wǎng)絡
3.1.2 函數(shù)鏈神經(jīng)網(wǎng)絡
3.1.3 乘積單元神經(jīng)網(wǎng)絡
3.1.4 簡單反饋神經(jīng)網(wǎng)絡
3.1.5 時延神經(jīng)網(wǎng)絡
3.1.6 級聯(lián)神經(jīng)網(wǎng)絡
3.2 監(jiān)督學習規(guī)則
3.2.1 監(jiān)督學習問題
3.2.2 梯度下降優(yōu)化
3.2.3 尺度化共軛梯度
3.2.4 LeapFrog優(yōu)化
3.2.5 粒子群優(yōu)化
3.3 隱層單元的功能
3.4 集成神經(jīng)網(wǎng)絡
3.5 習題
第4章 非監(jiān)督學習神經(jīng)網(wǎng)絡
4.1 背景
4.2 Hebbian學習規(guī)則
4.3 主成分學習規(guī)則
4.4 學習向量量化-I
4.5 自組織特征映射
4.5.1 隨機訓練規(guī)則
4.5.2 批映射
4.5.3 可生長SOM
4.5.4 加快收斂速度
4.5.5 聚類和可視化
4.5.6 使用SOM
4.6 習題
第5章 徑向基函數(shù)網(wǎng)絡
5.1 學習向量量化.II
5.2 徑向基函數(shù)神經(jīng)網(wǎng)絡
5.2.1 徑向基函數(shù)網(wǎng)絡結構
5.2.2 徑向基函數(shù)
5.2.3 訓練算法
5.2.4 徑向基函數(shù)網(wǎng)絡的變體
5.3 習題
第6章 增強學習
6.1 通過獎勵學習
6.2 無模型增強學習模型
6.2.1 即時差分學習
6.2.2 Q學習
6.3 神經(jīng)網(wǎng)絡和增強學習
6.3.1 RPROP
6.3.2 梯度下降增強學習
6.3.3 連接主義的O-學習
6.4 習題
第7章 監(jiān)督學習的性能問題
7.1 性能準則
7.1.1 精度
7.1.2 復雜度
7.1.3 收斂性
7.2 性能分析
7.3 性能因素
7.3.1 數(shù)據(jù)預備
7.3.2 權值初始化
7.3.3 學習率和沖量
7.3.4 優(yōu)化方法
7.3.5 結構選擇
7.3.6 自適應激活函數(shù)
7.3.7 主動學習
7.4 習題
第Ⅲ部分 進化計算
第8章 進化計算導論
8.1 一般進化算法
8.2 染色體的表示
8.3 初始種群
8.4 適應度函數(shù)
8.5 選擇
8.5.1 選擇壓力
8.5.2 隨機選擇
8.5.3 比例選擇
8.5.4 錦標賽選擇
8.5.5 排序選擇
8.5.6 波爾茲曼選擇
8.5.7 (u+r)選擇
8.5.8 精英選擇
8.5.9 名人堂
8.6 繁殖算子
8.7 終止條件
8.8 進化計算與經(jīng)典優(yōu)化算法
8.9 題
第9章 遺傳算法
9.1 經(jīng)典遺傳算法
9.2 交叉
9.2.1 二進制表示
9.2.2 浮點表示
9.3 變異
9.3.1 二進制表示
9.3.2 浮點表示
9.3.3 宏變異算子.無頭雞
9.4 控制參數(shù)
9.5 遺傳算法的變體
9.5.1 代溝方法
9.5.2 雜亂遺傳算法
9.5.3 交互進化
9.5.4.島嶼遺傳算法
9.6 前沿專題
9.6.1 小生境遺傳算法
9.6.2 約束處理
9.6.3 多目標優(yōu)化
9.6.4.動態(tài)環(huán)境
9.7 應用
9.8 作業(yè)
第10章 遺傳編程
10.1 基于樹的表示
10.2 初始群體
10.3 適應度函數(shù)
10.4 交叉算子
10.5 變異算子
10.6 積木塊遺傳規(guī)劃
10.7 應用
10.8 習題
第11章 進化規(guī)劃
11.1 基本進化規(guī)劃
11.2 進化規(guī)劃算子
11.2.1 變異算子
11.2.2 選擇算子
……
11.3 策略參數(shù) 148
11.4 進化規(guī)劃的實現(xiàn) 153
11.5 前沿專題 157
11.7 習題 161
第12章 進化策略 162
12.1 (1+1)-進化策略 162
12.2 一般進化策略算法 163
12.3 策略參數(shù)和自適應 164
12.4 進化策略算子 168
12.5 進化策略變種 172
12.6 高級話題 174
1261 約束處理方法 175
12.7 進化策略的應用 179
12.8 習題 180
第13章 差分進化 181
13.1 基本的差分進化 181
13.2 差分進化/x/y/z 186
13.3 基本差分進化的變種 187
13.4 離散值問題的差分進化 193
13.5 高級話題 195
13.6 應用 198
13.7 習題 199
第14章 文化算法 200
14.1 文化和人工文化 200
14.2 基本的文化算法 201
14.3 信念空間 202
14.4 模糊文化算法 206
14.5 高級話題 208
14.6 應用 210
14.7 習題 211
第15章 協(xié)同進化 212
15.1 協(xié)同進化類型 212
15.2 競爭協(xié)同進化 213
15.3 協(xié)作協(xié)同進化 217
15.4 習題 218
第Ⅳ部分 計算群體智能
第16章 粒子群優(yōu)化 221
16.1 基本粒子群優(yōu)化 221
16.2 社會網(wǎng)絡結構 229
16.3 基本變種 231
16.4 基本PSO 的參數(shù) 238
16.5 單解粒子群優(yōu)化 240
16.6 高級專題 260
16.7 應用 269
16.8 習題 272
第17章 螞蟻算法 273
17.1 蟻群優(yōu)化元啟發(fā) 273
17.2 墓地組織與育雛 293
17.3 分工 298
17.4 高級專題 302
17.5 應用 309
17.6 習題 313
第Ⅴ部分 人工免疫系統(tǒng)
第18章 自然免疫系統(tǒng) 317
18.1 經(jīng)典模型 317
18.2 抗體與抗原 318
18.3 白細胞 318
18.4 免疫類型 321
18.5 抗原結構的學習 321
18.6 網(wǎng)絡理論 322
18.7 危險理論 322
18.8 習題 323
第19章 人工免疫模型 324
19.1 人工免疫系統(tǒng)算法 324
19.2 經(jīng)典模型 326
19.2 進化方法 327
19.3 克隆選擇理論模型 328
19.4 網(wǎng)絡理論模型 333
19.5 危險理論 340
19.6 應用及其他AIS 模型 343
19.7 習題 343
第Ⅵ部分 模糊系統(tǒng)
第20章 模糊集 347
20.1 正式定義 347
20.2 隸屬函數(shù) 348
20.3 模糊算子 350
20.4 模糊集的特性 353
20.5 模糊和概率 354
20.6 習題 354
第21章 模糊邏輯和模糊推理 356
21.1 模糊邏輯 356
21.2 模糊推理 359
21.3 習題 362
第22章 模糊控制器 364
22.1 模糊控制器的部件 364
22.2 模糊控制器類型 365
22.3 習題 366
第23章 粗糙集 368
23.1 辨別力的概念 369
23.2 粗糙集中的模糊 370
23.3 模糊集中的不確定性 370
23.4 習題 371
參考文獻 372
附錄A 優(yōu)化理論 431
A.1 優(yōu)化問題的基本要素 431
A.2 優(yōu)化問題分類 431
A.3 最優(yōu)值類型 432
A.4 優(yōu)化方法分類 433
A.5 非約束優(yōu)化 434
A.6 約束優(yōu)化 438
A.7 多解問題 443
A.8 多目標優(yōu)化 445
A.9 動態(tài)優(yōu)化問題 449
術語表 453