前言

智能计算与优化涉及计算机科学、数学、工程学、经济学等多个学科的知识，随着物联网、大数据与人工智能技术的深度融合，智能计算与优化技术正逐步从实验室走向实际工程场景，其核心价值在于为复杂系统提供高效、灵活的智能决策支持，推动城市治理、工业生产等领域的智能化升级，在智能制造等领域，通过智能算法与工业控制系统的无缝集成，实现全流程智能优化。

1. 高校智能计算与优化领域人才培养的社会需求

当前，通信智能、智能制造等行业的迅猛发展推动了产业结构向智能化转型，对掌握跨学科知识、具备实践创新能力的人才需求量显著增长。此外，全球技术竞争加剧促使企业将高层次复合型人才的技能标准升级，除技术研发能力外，创新思维、跨学科协作等综合素质成为考量的关键。智能计算与优化领域作为人工智能、大数据等技术的核心应用方向，其人才培养须紧密对接产业变革与技术创新需求。为适应人工智能时代的教育教学，须结合学科发展动态与教育实践需求，构建传统计算机科学、数学优化方法与人工智能技术跨学科知识体系，培养学生的实践与创新能力，推动智能计算与优化领域教材从理论导向向“理论实践创新”三位一体模式转型，以适应智能计算与优化领域快速发展的复合型人才培养要求。

2. 智能计算与优化领域教材存在的问题

当前智能计算与优化领域的教材在知识体系、内容时效性和实践引导等方面存在一定局限性，具体可归纳为以下几方面。

(1) 有的教材内容偏向于智能计算与优化的理论推导，本科生较难掌握，不能应用智能计算与优化算法去解决实际问题，从而导致更难理解和掌握智能计算与优化算法。

(2) 有的教材内容偏向于智能计算与优化的程序设计及应用，学生没有理解算法的原理与本质，从而导致解决实际问题时缺少创新能力，不能很好地结合实际设计具有创新性的优化算法。

(3) 有的教材内容只是调用MATLAB、Python封装函数实现智能计算与优化的应用实例，没有从智能计算与优化的原理去设计、开发源代码，导致读者难以拥有将智能计算与优化算法的理论转换为实际应用的能力，从而导致学生在以后学习及工作中创新能力不足。

(4) 教材的知识结构需要进行更合理的安排。需要厘清高等数学微积分优化理论、最优化理论、梯度类迭代优化、群智能优化、机器学习优化、深度学习优化之间的逻辑关系。微积分优化理论主要面向有表达式的多元函数优化理论及求解，而机器学习优化、深度学习优化主要以最小二乘法的思想构造模型的损失函数，问题转换为求解损失函数的最优。通常，主要有梯度类单点梯度方向搜索技术、群智能群体随机搜索优化技术两类算法来优化损失函数和学习模型的参数。

以上问题的改进需结合多元微积分优化理论、最优化理论以及规划理论、梯度类迭代优化算法、群智能优化算法、基于最小二乘法思想的机器学习的损失函数优化以及深度学习的损失函数优化，编写从理论导向向“理论实践创新”三位一体模式转型的智能计算与优化教材，培养智能计算与优化领域的高层次复合型人才。

3. 本书的内容

本书第1章介绍最小二乘法的基本原理，以最小二乘法的Python源代码解决具体的应用实例，以便读者深入理解最小二乘法在曲线拟合、回归分析、参数估计、BP神经网络以及卷积神经网络的损失函数设计中的作用。第2章深入阐述梯度类迭代优化算法的基本原理以及迭代公式，将梯度类迭代优化算法的Python源代码应用于约束、非约束优化问题求解。第3章、第4章分别阐述BP神经网络、卷积神经网络的模型及参数配置。第5～7章深入阐述群智能算法，包括粒子群算法、遗传算法、蚁群算法的基本原理以及Python源代码实例应用。第8章、第9章分别介绍模糊集与模糊逻辑的基本理论，以及Python源代码实例应用等，通过实例阐述置信度推理，以Python实现模糊推理及模糊控制。本书可作为本科高年级学生的“智能计算与优化”相关课程的教材，也可以作为研究生及智能计算爱好者整体了解智能计算及人工智能领域的参考书。

4. 本书的特色

(1) 优化算法理论与Python源代码有效融合: 简略阐述智能计算与优化主要算法的基本理论，以Python源代码实现这些算法的具体实例，以便读者深入理解这些算法的原理与本质，学会应用这些算法去设计新的智能算法解决实际问题，培养学生的创新能力。

(2) 坚持易学、易掌握、会应用的教学理念: 经过精心设计，组织编写有助于理解智能计算与优化的基本原理、有助于掌握算法的Python源代码开发的教材内容。力争让读者理解梯度类单点梯度方向搜索技术、群智能算法的原理，掌握用Python源代码实现这些算法的具体实例，以便读者结合这些算法去设计新算法解决实际问题。

(3) 丰富的实验教学实例: 设置了8个实验教学实例,读者可以通过上机实验加深对算法原理及设计的理解，从而提升实际应用能力。通过实验驱动教学，帮助读者提升对智能计算与优化算法理论的理解能力，强化算法设计与创新能力。

(4) 通过最小二乘法思想将知识有效串联: 以最小二乘法的思想将曲线拟合、回归分析、参数估计、机器学习优化、深度学习优化有效串联，以梯度类单点梯度方向搜索技术、群智能算法实现这些问题的迭代优化和学习。

(5) 涵盖人工智能领域的主要知识: 主要阐述BP神经网络及卷积神经网络的模型、模糊集与模糊逻辑的基本理论，应用Python通过具体的实例将BP神经网络的梯度学习算法、卷积神经网络的特征提取及分类能力翔实地展现给读者。

(6) 构建完整的优化知识体系: 课程设置覆盖多元微积分优化理论、最优化理论及规划理论、梯度类迭代优化算法、群智能优化算法、基于最小二乘法思想的机器学习的损失函数优化及深度学习的损失函数优化，贯彻教材编写从理论导向向“理论实践创新”三位一体模式转型的思想。

5. 本书的使用

本书适合讲授32课时、上机实验16课时，总48课时，有些内容可以结合实际情况进行适当的选讲，8个实验可以选作为课程设计。本书的编写汇集了作者多年的教学经验以及本科生、研究生提出的非常有价值的意见和建议，在此对这些同学表示衷心的感谢。

由于编者学识有限，书中不当之处在所难免。如果读者发现不当之处，请不吝指教,编者将不胜感激。与本书配套的相关资源可以从清华大学出版社网站下载,包括PPT课件、教学大纲、习题答案、实例与实验的Python源码等，供讲授及学习时参考。

编者2026年6月