本书较系统全面地讨论了人工神经网络与模拟进化计算的理论和工程应用，特别在学习理论和网络结构选择、动态神经网络、贝叶斯方法的应用以及模拟进化计算中的一些理论问题等方面的论述更为系统深入。讲解中力求讲清物理概念，以便读者深入理解一些主要方法的思路。 第2版加强了关于统计学习理论、核方法与支持向量机、自组织网络的灵活应用，盲信号处理等方面的内容;增加了神经网络在生物信息学和金融方面应用的实例，以及最近的一些参考文献，以便反映这一领域的新进展;为了便于掌握主要内容，对章节顺序也做了调整,模拟进化计算部分增加了分布估计算法一章。 本书适合用作研究生课程教材，或作为希望深入学习神经网络和进化计算的科技工作者的自学参考书。

自本书（第1版）出版以来，神经网络和模拟进化计算又有了很大发展。特别是统计学习理论和核方法的引入，使得对学习问题的研究更加深入和系统化。同时，应用领域也不断扩展。在第2版中主要做了如下修改： 1. 较系统地介绍了统计学习理论、核方法与支持向量机。除必要的数学推导外，力求讲清楚物理概念及与其他方法的联系。加强了对自组织映射的分析和独立成分分析的讨论。 2. 增加了一章“分布估计算法”，该算法是对遗传算法的发展，也是进化计算的一个重要组成部分。该章讲述中强调方法的系统性以及各种方法之间的联系。 3. 根据目前各种模型的发展及应用情况，对章节顺序作了一些调整，并增加了一些在生物信息学以及金融领域中的应用实例。 本书各章安排如下。 第1～3章介绍基本概念和前馈网络；第4，5章讨论学习问题、核方法和支持向量机；第6～8章讨论自组网络、主成分分析、自组织映射以及独立成分分析；第9章讨论动态信号和系统的处理；第10章介绍多网络集成及有关算法；第11,12章讨论单层全连接的反馈网络及其在联想存储和优化计算中的应用；第13章讨论了反馈网络中的动力学问题并简单介绍了混沌神经网络；第14~16章进一步讨论了误差函数、参数优化、贝叶斯方法以及神经网络在信号处理中的应用。 第17～22章的内容是模拟进化计算。第17章讲述基本概念；第18～21章讨论遗传算法的理论、算法设计和实现以及在神经网络和作业调度中的应用；第22章较系统地讨论了分布估计算法。 这一领域发展很快，新的理论和应用还会不断出现。限于编者水平，遗漏和不当之处在所难免，欢迎读者给予批评指正。前言 作者2005年2月 ...