計算智慧型(2020年06月人民郵電出版社出版的圖書)

計算智慧型(2020年06月人民郵電出版社出版的圖書)

本詞條是多義詞,共4個義項
更多義項 ▼ 收起列表 ▲

《計算智慧型》是2020年06月人民郵電出版社出版的圖書,作者是畢曉君,本書在歸納近年來計算智慧型研究成果的基礎上,系統且詳細地介紹了計算智慧型中較為典型的9種算法。

基本介紹

  • 書名:計算智慧型
  • 作者:畢曉君
  • 出版社:人民郵電出版社
  • ISBN:9787115534767
內容簡介,圖書目錄,作者簡介,

內容簡介

計算智慧型是人工智慧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。計算智慧型所具有的全局搜尋、高效並行等優點為解決複雜最佳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並掀起了研究熱潮。目前,計算智慧型的相關技術已成功套用於信息處理、調度最佳化、工程控制、經濟管理等眾多領域。 本書在歸納近年來計算智慧型研究成果的基礎上,系統且詳細地介紹了計算智慧型中較為典型的9種算法——人工神經網路、遺傳算法、蟻群算法、人工免疫算法、粒子群最佳化算法、人工蜂群算法、生物地理學最佳化算法、多目標最佳化算法以及約束最佳化算法,並給出了各個算法基於MATLAB軟體的仿真實現過程和在信號與通信領域的套用實例,這使本書知識點的講解通俗易懂、直觀生動,易於讀者快速掌握。 本書可作為高等學校信號與信息處理、計算機套用技術、人工智慧、模式識別與智慧型系統、自動化等專業本科生和研究生的教材,也可供計算智慧型相關領域的研究人員學習參考。

圖書目錄

01 緒論
1.1 概述 2
1.2 化問題及其數學模型 2
1.3 化問題的分類 3
1.4 化方法的發展及分類 5
1.4.1 傳統最佳化方法 6
1.4.2 計算智慧型方法 7
1.4.3 計算智慧型方法的特點 11
1.5 計算智慧型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 人工神經網路理論
2.1 概述 16
2.2 人工神經網路基本理論 17
2.2.1 人工神經元基本模型 17
2.2.2 人工神經網路結構 19
2.2.3 人工神經網路的學習 20
2.3 前饋型神經網路的主要算法 22
2.3.1 感知器 23
2.3.2 BP網路 25
2.3.3 RBF網路 33
2.4 反饋型神經網路的主要算法 44
2.4.1 Hopfield網路算法 44
2.4.2 自組織映射網路算法 51
2.5 基於MATLAB語言的人工神經網路工具箱 54
2.5.1 基本功能介紹 55
2.5.2 BP網路的MATLAB實現 55
2.5.3 RBF網路的設計實例 63
2.5.4 人工神經網路工具箱中的圖形用戶界面 78
2.6 人工神經網路的套用實例 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 遺傳算法套用中的常見問題 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 遺傳運算元的具體操作問題 105
3.3.4 收斂判據的確定問題 105
3.4 遺傳算法的套用實例 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 蟻群算法的套用實例 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 免疫規划算法的基本原理 146
5.3.4 克隆選擇算法的基本原理 150
5.4 人工免疫算法的套用實例 155
5.5 本章小結 163
5.6 習題 163
06 粒子群最佳化算法
6.1 概述 166
6.2 粒子群最佳化算法的基本原理 166
6.3 粒子群最佳化算法的改進 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 基於種群分類與動態學習因子的PSO改進算法 176
6.4 粒子群最佳化算法的套用實例 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 針對高維複雜單目標最佳化問題的改進人工蜂群算法 187
7.3.2 針對多峰最佳化問題的小生境人工蜂群算法 188
7.4 人工蜂群算法的套用實例 193
7.5 本章小結 198
7.6 習題 198
08 生物地理學最佳化算法
8.1 概述 200
8.2 生物地理學最佳化算法的基本原理 200
8.3 生物地理學最佳化算法的基本流程 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 改進的生物地理學最佳化算法 207
8.4.1 混合型遷移操作 207
8.4.2 局部化生物地理學最佳化算法 209
8.4.3 生態地理學最佳化算法 213
8.5 生物地理學最佳化算法的套用實例 216
8.6 本章小結 220
8.7 習題 220
09 多目標最佳化算法
9.1 概述 222
9.2 三代多目標最佳化算法 223
9.2.1 第 一代多目標最佳化算法 223
9.2.2 第二代多目標最佳化算法 223
9.2.3 第三代多目標最佳化算法 229
9.3 高維多目標最佳化算法 233
9.3.1 基於分解的多目標最佳化算法 233
9.3.2 NSGA-III 236
9.3.3 NSGA-III-OSD 240
9.4 多目標最佳化算法的測試函式和評價指標 242
9.4.1 測試函式 242
9.4.2 評價指標 246
9.5 多目標最佳化算法的測試實例和套用實例 247
9.6 本章小結 253
9.7 習題 253
10 約束最佳化算法
10.1 概述 256
10.2 約束處理技術 258
10.2.1 懲罰函式法 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 多目標最佳化法 260
10.2.6 雙種群存儲技術 261
10.3 約束單目標最佳化算法 261
10.3.1 基於隨機排序法的約束單目標最佳化算法 262
10.3.2 基於ε約束法的約束單目標最佳化算法 263
10.3.3 基於雙種群存儲技術的約束單目標最佳化算法 264
10.3.4 約束單目標最佳化測試函式 267
10.4 約束多目標最佳化算法 269
10.4.1 基於隨機排序法的約束多目標最佳化算法 269
10.4.2 基於雙種群存儲技術的約束多目標最佳化算法 270
10.4.3 基於ε約束法的約束多目標最佳化算法 273
10.4.4 約束多目標最佳化測試函式 277
10.5 約束最佳化算法的套用實例 279
10.6 本章小結 283
10.7 習題 283
參考文獻 285

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。長期從事信息智慧型處理技術與數字電子技術方向的課程教學工作,主要研究領域涉及智慧型最佳化算法、機器學習、數字圖像處理等。

相關詞條

熱門詞條

聯絡我們