《計算智慧型導論》這本書由清華大學出版社於2010年6月1日出版，作者是（南非）英吉布雷切特（Andries.P.Engelbrecht） 譯者是譚營。
基本介紹
- 書名：計算智慧型導論
- 又名：Computational Intelligence: An Introduction,2E
- ISBN：7302222053, 9787302222057
- 類別：世界著名計算機教材精選
- 頁數：471頁
- 出版社：清華大學出版社
- 裝幀：平裝
- 開本： 16
內容簡介,目錄,
內容簡介
《計算智慧型導論(第2版)》導論性地介紹了計算智慧型的5 個典型範例：人工神經網路、進化計算、計算群體智慧型、人工免疫系統和模糊系統。它們分別是對生物神經系統、生物進化過程、社會組織的群體行為、自然免疫系統和人類思維過程的成功建模。這些範例已經得到了廣泛深入的研究，人們在取得了很大的成功之後，已將研究成果廣泛地套用到了眾多的實際套用領域。極大提高了人們發現問題，求解問題，尤其是求解複雜科學與工程問題的能力。
通過閱讀《計算智慧型導論(第2版)》，讀者可以全面地了解到目前計算智慧型研究的主要成果和最新進展，對相關專業的研究生、高年級本科生、高校教師、科研人員和工程技術人員都具有很好的參考價值，故我們決定將該書的英文版第2 版翻譯成中文出版，希望《計算智慧型導論(第2版)》中文版的出版能夠推動計算智慧型在我國的普及和廣泛深入的研究，促進我國智慧型科學的發展和進步。
全書分成6個部分共23章和1個附錄。
目錄
第I部分 引言
第1章 計算智慧型簡介
1.1 計算智慧型典型方法
1.1.1 人工神經網路
1.1.2 進化計算
1.1.3 群體智慧型
1.1.4 人工免疫系統
1.1.5 模糊系統
1.2 簡短歷史
1.3 習題
第Ⅱ部分 人工神經網路
第2章 人工神經元
2.1 計算網路輸入信號
2.2 激活函式
2.3 人工神經元幾何構型
2.4 人工神經元學習
2.4.1 增廣向量
2.4.2 梯度下降學習規則
2.4.3 Widrow-Hoff學習規則
2.4.4 廣義delta學習規則
2.4.5 誤差修正學習規則
2.5 習題
第3章 監督學習神經網路
3.1 神經網路的類型
3.1.1 前饋神經網路
3.1.2 函式鏈神經網路
3.1.3 乘積單元神經網路
3.1.4 簡單眼饋神經網路
3.1.5 時延神經網路
3.1.6 級聯神經網路
3.2 監督學習規則
3.2.1 監督學習問題
3.2.2 梯度下降最佳化
3.2.3 尺度化共軛梯度
3.2.4 LeapFrog最佳化
3.2.5 粒子群最佳化
3.3 隱層單元的功能
3.4 集成神經網路
3.5 習題
第4章 非監督學習神經網路
4.1 背景
4.2 Hebbian學習規則
4.3 主成分學習規則
4.4 學習向量量化-I
4.5 自組織特徵映射
4.5.1 隨機訓練規則
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 徑向基函式網路
5.1 學習向量量化.II
5.2 徑向基函式神經網路
5.2.1 徑向基函式網路結構
5.2.2 徑向基函式
5.2.3 訓練算法
5.2.4 徑向基函式網路的變體
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 神經網路和增強學習
6.3.1 RPROP
6.3.2 梯度下降增強學習
6.3.3 連線主義的O-學習
6.4 習題
第7章 監督學習的性能問題
7.1 性能準則
7.1.1 精度
7.1.2 複雜度
7.1.3 收斂性
7.2 性能分析
7.3 性能因素
7.3.1 數據預備
7.3.2 權值初始化
7.3.3 學習率和衝量
7.3.4 最佳化方法
7.3.5 結構選擇
7.3.6 自適應激活函式
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 適應度函式
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 繁殖運算元
8.7 終止條件
8.8 進化計算與經典最佳化算法
8.9 題
第9章 遺傳算法
9.1 經典遺傳算法
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 宏變異運算元.無頭雞
9.4 控制參數
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 互動進化
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 多目標最佳化
9.6.4.動態環境
9.7 套用
9.8 作業
第10章 遺傳編程
10.1 基於樹的表示
10.2 初始群體
10.3 適應度函式
10.4 交叉運算元
10.5 變異運算元
10.6 積木塊遺傳規劃
10.7 套用
10.8 習題
第11章 進化規劃
11.1 基本進化規劃
11.2 進化規划算子
11.2.1 變異運算元
11.2.2 選擇運算元
……
11.3 策略參數 148
11.4 進化規劃的實現 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 策略參數和自適應 164
12.4 進化策略運算元 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 進化策略的套用 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 套用 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 套用 210
14.7 習題 211
第15章 協同進化 212
15.1 協同進化類型 212
15.2 競爭協同進化 213
15.3 協作協同進化 217
15.4 習題 218
第Ⅳ部分 計算群體智慧型
第16章 粒子群最佳化 221
16.1 基本粒子群最佳化 221
16.2 社會網路結構 229
16.3 基本變種 231
16.4 基本PSO 的參數 238
16.5 單解粒子群最佳化 240
16.6 高級專題 260
16.7 套用 269
16.8 習題 272
第17章 螞蟻算法 273
17.1 蟻群最佳化元啟發 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 套用 309
17.6 習題 313
第Ⅴ部分 人工免疫系統
第18章 自然免疫系統 317
18.1 經典模型 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 網路理論 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 人工免疫系統算法 324
19.2 經典模型 326
19.2 進化方法 327
19.3 克隆選擇理論模型 328
19.4 網路理論模型 333
19.5 危險理論 340
19.6 套用及其他AIS 模型 343
19.7 習題 343
第Ⅵ部分 模糊系統
第20章 模糊集 347
20.1 正式定義 347
20.2 隸屬函式 348
20.3 模糊運算元 350
20.4 模糊集的特性 353
20.5 模糊和機率 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 最佳化理論 431
A.1 最佳化問題的基本要素 431
A.2 最佳化問題分類 431
A.3 最優值類型 432
A.4 最佳化方法分類 433
A.5 非約束最佳化 434
A.6 約束最佳化 438
A.7 多解問題 443
A.8 多目標最佳化 445
A.9 動態最佳化問題 449
術語表 453
