軟件可靠性工程中的計算智能方法

前言
第1章 軟件可靠性
1.1　軟件可靠性工程簡介
1.1.1 軟件危機與軟件可靠性工程
l.1.2 軟件可靠性概念
1.1.3 軟件可靠性工程的定義
1.2 軟件可靠性建模
1.2.1 軟件可靠性理論
1.2.2 軟件可靠性模型
1.2.3 軟件可靠性建模方法
1.3 計算智能概述
1.3.1 計算智能簡介
1.3.2 模型優(yōu)化
參考文獻
第2章 人工神經(jīng)網(wǎng)絡(luò)
2.1 人工神經(jīng)元
2.1.1 神經(jīng)元構(gòu)成及其行為機理
2.1.2 神經(jīng)元的數(shù)學模型
2.1.3 人工神經(jīng)幾何
2.1.4 人工神經(jīng)元學習
2.2 有監(jiān)督學習神經(jīng)網(wǎng)絡(luò)
2.2.1 神經(jīng)網(wǎng)絡(luò)類型
2.2.2 監(jiān)督學習規(guī)則
2.2.3 單層神經(jīng)網(wǎng)絡(luò)
2.2.4 組合神經(jīng)網(wǎng)絡(luò)
2.2.5 混合專家系統(tǒng)
2.3 無監(jiān)督學習神經(jīng)網(wǎng)絡(luò)
2.3.1 背景
2.3.2 赫伯學習規(guī)則
2.3.3 主成分學習規(guī)則
2.3.4 學習向量量化
2.3.5 自組織特征映射
2.3.6 聚類分析
2.4 徑向基函數(shù)網(wǎng)絡(luò)
2.4.1 學習向量量化
2.4.2 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)
2.5 遞歸式神經(jīng)網(wǎng)絡(luò)
2.5.1 全局反饋神經(jīng)網(wǎng)絡(luò)
2.5.2 局部反饋神經(jīng)網(wǎng)絡(luò)
2.5.3 學習算法
2.6 增強學習
2.6.1 增強學習原理和結(jié)構(gòu)
2.6.2 模型無關(guān)的增強學習
2.6.3 增強學習在神經(jīng)網(wǎng)絡(luò)訓練中的應(yīng)用
思考題
參考文獻
第3章 模糊系統(tǒng)
3.1 模糊集
3.1.1 定義
3.1.2 隸屬函數(shù)
3.1.3 模糊算子
3.1.4 模糊集特征
3.1.5 模糊性和隨機性
3.2　 模糊邏輯和推理
3.2.1 模糊邏輯
3.2.2 模糊推理
3.3 模糊控制器
3.3.1 模糊控制器組件
3.3.2 模糊控制器類型
3.4　粗糙集
3.4.1 粗糙集概念
3.4.2 粗糙集的模糊性
3.4.3 粗糙集的不確定性
思考題
參考文獻
第4章 演化計算
4.1　 演化計算的基本框架
4.1.1演化算法的基本框架
4.1.2 個體的表示
4.1.3 群體初始化
4.1.4 適應(yīng)度函數(shù)
4.1.5 遺傳操作
4.1.5 停止條件
4.2　遺傳算法
4.2.1 標準遺傳算法
4.2.2　選擇
4.2.3　交叉
4.2.4 變異
4.2.5 控制參數(shù)
4.2.6 遺傳算法的變種
4.2.7 高級主題
4.3　演化策略
4.3.1 （I+I）ES
4.3.2 演化策略的一般算法
4.3.3 策略參數(shù)和自適應(yīng)
4.3.4 演化策略操作
4.3.5 高級主題
4.4　演化規(guī)劃
4.4.1 基本演化規(guī)劃
4.4.2 演化規(guī)劃操作
4.4.3 策略參數(shù)
4.4.4 演化規(guī)劃的實現(xiàn)
4.4.5.高級主題
4.5遺傳程序設(shè)計
4.5.1 樹型表示
4.5.2 初始化群體
4.5.3 適應(yīng)度函數(shù)
4.5.4 交叉操作
4.5.5 變異操作
4.6　差分演化
4.6.1 差分演化基本理論
4.6.2 DE／z／y／z
4.6.3 基本差分演化變體
4.6.4 高級主題
4.7　協(xié)同演化
4.7.1 協(xié)同演化的類型
4.7.2 競爭演化
4.7.3 協(xié)作演化
思考題
參考文獻
第5章 計算群體智能
5.1　粒子群優(yōu)化算法
5.1.1 基本原理
5.1.2 拓撲結(jié)構(gòu)
5.1.3 工作流程及參數(shù)設(shè)置
5.1.4 算法改進
5.1.5 高級主題
5.2 蟻群優(yōu)化算法
5.2.1 基本原理
5.2.2 工作流程
5.2.3 算法改進
5.3 蜂群算法
思考題
參考文獻
第6章 人工免疫系統(tǒng)
6.1　自然免疫系統(tǒng)
6.1.1 經(jīng)典觀點
6.1.2 抗體和抗原
6.1.3 白細胞
6.1.4 免疫類型
6.1.5 學習中的抗原結(jié)構(gòu)
6.1.6 網(wǎng)絡(luò)理論
6.1.7 危險理論
6.2 人工免疫模型
6.2.1 人工免疫系統(tǒng)算法
6.2.2　經(jīng)典觀點模型
6.2.3　克隆選擇理論模型
6.2.4 網(wǎng)絡(luò)理論模型
6.2.5 危險理論模型
6.2.6 人工免疫系統(tǒng)的應(yīng)用和其他模型
思考題
參考文獻
第7章 統(tǒng)計學習方法
7.1　統(tǒng)計學習
7.1 1統(tǒng)計學習理論
7.1.2 監(jiān)督學習
7.1.3 非監(jiān)督學習
7.1.4 半監(jiān)督學習
7.1.5 集成學習
7.1_6用于計算智能的其他統(tǒng)計學習方法
7.2 支持向量機
7.2.1 支持向量機的基本問題
7.2.2　兩類SVM
7.2.3　多類SVM
7.2.4　SVM的應(yīng)用
7.3　聚類分析
7.3.1 聚類的基本問題
7.3.2　K均值和模糊c均值聚類算法
7.3.3　K_meol010s聚類算法
7.3.4 密切關(guān)系傳播算法
思考題
參考文獻
第8章 計算智能在軟件可靠性工程中的應(yīng)用
8.1計算智能與軟件可靠性
8.2　人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用
8.2.1 基于人工神經(jīng)網(wǎng)絡(luò)的可靠性模型
8.2.2　可靠性模型的選擇
8.2.3　可靠性模型的組合
8.2.4 混合專家系統(tǒng)模型
8.2.5 存在的問題
8.3　演化計算在可靠性工程中的應(yīng)用
8.3.1 基于遺傳程序設(shè)計的可靠性模型
8.3.2 可靠性模型的優(yōu)化
8.4　模糊邏輯在軟件可靠性工程中的應(yīng)用
8.4.1 基于模糊推斷系統(tǒng)的可靠性預(yù)測
8.4.2 模糊神經(jīng)網(wǎng)絡(luò)
8.4.3 模糊度量
8.5　支持向量機在軟件可靠性工程中的應(yīng)用
8.5.1 基于支持向量機的二分類可靠性模型
8.5.2 基于模擬退火的支持向量機模型
8.5.3 支持向量回歸
8.6 無監(jiān)督學習方法在軟件可靠性工程中的應(yīng)用
8.6.1 基于Gaussian混合模型的可靠性模型
8.6.2 聚類方法的應(yīng)用
思考題
參考文獻
附錄A 矩陣運算
A1 矩陣的基本性質(zhì)
A2 矩陣的微分
A2.1 矩陣對數(shù)值變量的微分
A2.2　矩陣函數(shù)對矩陣的微分
A2.3　常用的微分公式
A3 矩陣的特征值和特征向量
附錄B Gallssian積分
B1 單變量的GaLlsslan積分
B2 多變量的Gausslan積分
B3 帶有線性項的Gauissian積分
附錄C Lagrange乘子法