第Ⅰ部分引言
第1 章计算智能简介 3
11 计算智能典型方法 4
111 人工神经网络 4
112 进化计算 6
113 群体智能 7
114 人工免疫系统 7
115 模糊系统 7
12 简短历史 8
13 习题10
第Ⅱ部分人工神经网络
第2 章人工神经元 13
21 计算网络输入信号 13
22 激活函数 14
23 人工神经元几何构型 15
24 人工神经元学习 17
241 增广向量 17
242 梯度下降学习规则 18
243 Widrow-Hoff 学习规则 19
244 广义delta 学习规则 19
245 误差修正学习规则 19
25 习题19
第3 章监督学习神经网络 21
31 神经网络的类型 21
311 前馈神经网络 21
312 函数链神经网络 22
313 乘积单元神经网络 23
314 简单反馈神经网络 25
315 时延神经网络 26
316 级联神经网络 27
32 监督学习规则 28
321 监督学习问题 28
322 梯度下降优化 29
323 尺度化共轭梯度 34
324 LeapFrog 优化 38
325 粒子群优化 38
33 隐层单元的功能 40
34 集成神经网络 40
35 习题42
第4 章非监督学习神经网络 43
41 背景43
42 Hebbian 学习规则 44
43 主成分学习规则 45
44 学习向量量化-I 46
45 自组织特征映射 48
451 随机训练规则 49
452 批映射 51
453 可生长SOM 51
454 加快收敛速度 53
455 聚类和可视化 54
456 使用SOM 55
46 习题56
第5 章径向基函数网络 57
51 学习向量量化-II 57
52 径向基函数神经网络 57
521 径向基函数网络结构 57
522 径向基函数 58
523 训练算法 59
524 径向基函数网络的变体 62
53 习题63
第6 章增强学习 64
61 通过奖励学习 64
62 无模型增强学习模型 66
621 即时差分学习 66
622 Q 学习 66
63 神经网络和增强学习 67
631 RPROP 67
632 梯度下降增强学习 68
633 连接主义的Q-学习 69
64 习题70
第7 章监督学习的性能问题 71
71 性能准则 71
711 精度 71
712 复杂度 74
713 收敛性 75
72 性能分析 75
73 性能因素 76
731 数据预备 76
732 权值初始化 81
733 学习率和冲量 81
734 优化方法 83
735 结构选择 83
736 自适应激活函数 88
737 主动学习 89
74 习题95
第Ⅲ部分进化计算
第8 章进化计算导论 99
81 一般进化算法 100
82 染色体的表示 101
83 初始种群 103
84 适应度函数 103
85 选择 104
851 选择压力 105
852 随机选择 105
853 比例选择 105
854 锦标赛选择 106
855 排序选择 107
856 波尔兹曼选择 107
857 (μ+, λ)选择 108
858 精英选择 108
859 名人堂 108
86 繁殖算子 108
87 终止条件 109
88 进化计算与经典优化算法 109
89 习题 110
第9 章遗传算法 111
91 经典遗传算法 111
92 交叉 111
921 二进制表示 112
922 浮点表示 113
93 变异 119
931 二进制表示 119
932 浮点表示 120
933 宏变异算子-无头鸡 120
94 控制参数 120
95 遗传算法的变体 122
951 代沟方法 122
952 杂乱遗传算法 122
953 交互进化 124
954 岛屿遗传算法 125
96 前沿专题 127
961 小生境遗传算法 127
962 约束处理 130
963 多目标优化 130
964 动态环境 133
97 应用 133
98 作业 134
第10 章遗传编程 136
101 基于树的表示 136
102 初始群体 138
103 适应度函数 138
104 交叉算子 138
105 变异算子 139
106 积木块遗传规划 141
107 应用 141
108 习题 142
第11 章进化规划 143
111 基本进化规划 143
112 进化规划算子 144
1121 变异算子 144
1122 选择算子 147
113 策略参数 148
1131 静态策略参数 149
1132 动态策略参数 149
1133 自适应 151
114 进化规划的实现 153
1141 经典进化规划 153
1142 快速进化规划 153
1143 指数进化规划 153
1144 加速进化规划 154
1145 动量进化规划 154
1146 具有局部搜索的进化规划 155
1147 带灭绝的进化规划 156
1148 与粒子群优化的混合 157
115 前沿专题 157
1151 约束处理方法 157
1152 多目标优化与小生境 158
1153 动态环境 158
116 应用 158
1161 有限状态机 158
1162 函数优化 160
1163 训练神经网络 160
1164 实际应用 160
117 习题 161
第12 章进化策略 162
121 (1+1)-进化策略 162
122 一般进化策略算法 163
123 策略参数和自适应 164
1231 策略参数类型 164
1232 策略参数变种 165
1233 自适应策略 167
124 进化策略算子 168
1241 选择算子 168
1242 交叉算子 169
1243 变异算子 170
125 进化策略变种 172
1251 极进化策略 172
1252 带方向变量的进化策略 173
1253 增量进化策略 174
1254 替代进化策略 174
126 高级话题 174
1261 约束处理方法 175
1262 多目标优化 176
1263 动态环境和噪声环境 178
1264 小生境 178
127 进化策略的应用 179
128 习题 180
第13 章差分进化 181
131 基本的差分进化 181
1311 差异向量 181
1312 变异 182
1313 交叉 182
1314 选择 183
1315 一般差分进化算法 184
1316 控制参数 184
1317 几何演示 185
132 差分进化/x/y/z 186
133 基本差分进化的变种 187
1331 混合差分进化策略 187
1332 基于种群的差分进化 192
1333 自适应差分进化 192
134 离散值问题的差分进化 193
1341 角度模型差分进化 194
1342 二值差分进化 194
135 高级话题 195
1351 约束控制方法 196
1352 多目标优化 196
1353 动态环境 197
136 应用 198
137 习题 199
第14 章文化算法 200
141 文化和人工文化 200
142 基本的文化算法 201
143 信念空间 202
1431 知识成分 202
1432 接受函数 203
1433 调整信念空间 204
1434 影响函数 205
144 模糊文化算法 206
1441 模糊接受函数 206
1442 模糊化信念空间 207
1443 模糊影响函数 208
145 高级话题 208
1451 约束控制 208
1452 多目标优化 210
1453 动态环境 210
146 应用 210
147 习题 211
第15 章协同进化 212
151 协同进化类型 212
152 竞争协同进化 213
1521 竞争适应度 213
1522 一般竞争协同进化算法 215
1523 竞争协同进化的应用 216
153 协作协同进化 217
154 习题 218
第Ⅳ部分计算群体智能
第16 章粒子群优化 221
161 基本粒子群优化 221
1611 全局最佳粒子群优化 222
1612 局部最佳粒子群优化 223
1613 比较gbest PSO 与lbest PSO 223
1614 速度成分 224
1615 几何描述 225
1616 算法有关方面 226
162 社会网络结构 229
163 基本变种 231
1631 速度箝位 232
1632 惯性权重 233
1633 约束系数 236
1634 同步更新与异步更新 236
1635 速度模型 237
164 基本PSO 的参数 238
165 单解粒子群优化 240
1651 保证收敛的PSO 240
1652 基于社会的PSO 241
1653 混合算法 244
1654 基于子群的PSO 248
1655 多次开始PSO 算法 254
1656 排斥方法 257
1657 二元PSO 259
166 高级专题 260
1661 约束处理方法 260
1662 多目标优化 261
1663 动态环境 263
1664 小生境PSO 266
167 应用 269
1671 神经网络 269
1672 结构选择 271
1673 游戏学习 271
168 习题 272
第17 章蚂蚁算法 273
171 蚁群优化元启发 273
1711 蚂蚁的觅食行为 274
1712 激发工作和人工信息素 276
1713 简单蚁群优化算法 277
1714 蚂蚁系统 280
1715 蚁群系统 283
1716 最大最小蚂蚁系统 285
1717 蚂蚁-Q 288
1718 快速蚂蚁系统 289
1719 蚂蚁禁忌表 289
17110 蚂蚁排名系统 290
17111 逼近的非确定树搜索 290
17112 参数设置 292
172 墓地组织与育雏 293
1721 基本蚁群聚类模型 293
1722 一般化后的蚁群聚类模型 294
1723 蚁群聚类的最小模型 298
173 分工 298
1731 昆虫群落的分工 299
1732 基于反应阈值的分配 300
1733 动态任务分配和专业化 301
174 高级专题 302
1741 连续蚁群优化算法 302
1742 多目标优化算法 304
1743 动态环境 307
175 应用 309
1751 旅行商问题 310
1752 二次分配问题 311
1753 其他应用 313
176 习题 313
第Ⅴ部分人工免疫系统
第18 章自然免疫系统 317
181 经典模型 317
182 抗体与抗原 318
183 白细胞 318
184 免疫类型 321
185 抗原结构的学习 321
186 网络理论 322
187 危险理论 322
188 习题 323
第19 章人工免疫模型 324
191 人工免疫系统算法 324
192 经典模型 326
192 进化方法 327
193 克隆选择理论模型 328
1931 克隆选择算法 329
1932 动态克隆选择 330
1933 多层AIS 330
194 网络理论模型 333
1941 人工免疫网络 333
1942 自稳定AIS 335
1943 增强型人工免疫网络 336
1944 动态加权B 细胞AIS 337
1945 自适应人工免疫网络 338
1946 aiNet 网络模型 338
195 危险理论 340
1951 移动自组网络 340
1952 自适应邮箱 341
1953 入侵检测 343
196 应用及其他AIS 模型 343
197 习题 343
第Ⅵ部分模糊系统
第20 章模糊集 347
201 正式定义 347
202 隶属函数 348
203 模糊算子 350
204 模糊集的特性 353
205 模糊和概率 354
206 习题 354
第21 章模糊逻辑和模糊推理 356
211 模糊逻辑 356
2111 语言学变量和限定 356
2112 模糊规则 358
212 模糊推理 359
2121 模糊化 359
2122 推理 360
2123 去模糊化 360
213 习题 362
第22 章模糊控制器 364
221 模糊控制器的部件 364
222 模糊控制器类型 365
2221 基于表的控制器 365
2222 Mamdani 模糊控制器 366
2223 Takagi-Sugeno 控制器 366
223 习题 366
第23 章粗糙集 368
231 辨别力的概念 369
232 粗糙集中的模糊 370
233 模糊集中的不确定性 370
234 习题 371
参考文献 372
附录A 优化理论 431
A1 优化问题的基本要素 431
A2 优化问题分类 431
A3 最优值类型 432
A4 优化方法分类 433
A5 非约束优化 434
A51 问题定义 434
A52 优化算法 434
A53 例子测试问题 437
A6 约束优化 438
A61 问题定义 438
A62 约束处理方法 439
A63 例子测试问题 442
A7 多解问题 443
A71 问题定义 443
A72 小生境算法分类 443
A73 例子测试问题 444
A8 多目标优化 445
A81 多目标问题 445
A82 加权聚合方法 446
A83 帕累托最优 446
A9 动态优化问题 449
A91 定义 449
A92 动态环境类型 450
A93 例子测试问题 452
术语表 453
