計算智能

畢曉君

  • 出版商: 人民郵電
  • 出版日期: 2020-06-01
  • 定價: $359
  • 售價: 8.5$305
  • 語言: 簡體中文
  • 頁數: 300
  • 裝訂: 平裝
  • ISBN: 7115534764
  • ISBN-13: 9787115534767
  • 相關分類: 人工智慧
  • 立即出貨 (庫存 < 3)

  • 計算智能-preview-1
  • 計算智能-preview-2
計算智能-preview-1

買這商品的人也買了...

相關主題

商品描述

計算智能是人工智能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。
計算智能所具有的全局搜索、高效並行等優點為解決複雜優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,計算智能的相關技術已成功應用於信息處理、調度優化、工程控制、經濟管理等眾多領域。
本書在歸納近年來計算智能研究成果的基礎上,
系統且詳細地介紹了計算智能中較為典型的9種算法——人工神經網絡、遺傳算法、蟻群算法、
人工免疫算法、粒子群優化算法、人工蜂群算法、生物地理學優化算法、多目標優化算法以及約束優化算法,
並給出了各個算法基於MATLAB軟件的仿真實現過程和在信號與通信領域的應用實例,
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、計算機應用技術、人工智能、
模式識別與智能係統、自動化等專業本科生和研究生的教材,也可供計算智能相關領域的研究人員學習參考。

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。
長期從事信息智能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能優化算法、機器學習、數字圖像處理等。

目錄大綱

目錄:
01緒論
1.1概述2
1.2 *優化問題及其數學模型2
1.3 *優化問題的分類3
1.4 *優化方法的發展及分類5
1.4.1傳統優化方法6
1.4.2計算智能方法7
1.4.3計算智能方法的特點11
1.5計算智能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人工神經網絡理論
2.1概述16
2.2人工神經網絡基本理論17
2.2.1人工神經元基本模型17
2.2.2人工神經網絡結構19
2.2.3人工神經網絡的學習20
2.3前饋型神經網絡的主要算法22
2.3.1感知器23
2.3.2 BP網絡25
2.3.3 RBF網絡33
2.4反饋型神經網絡的主要算法44
2.4.1 Hopfield網絡算法44
2.4.2自組織映射網絡算法51
2.5基於MATLAB語言的人工神經網絡工具箱54
2.5.1基本功能介紹55
2.5.2 BP網絡的MATLAB實現55
2.5.3 RBF網絡的設計實例63
2.5.4人工神經網絡工具箱中的圖形用戶界面78
2.6人工神經網絡的應用實例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遺傳算法應用中的常見問題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遺傳算子的具體操作問題105
3.3.4收斂判據的確定問題105
3.4遺傳算法的應用實例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蟻群算法的應用實例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人工免疫算法的應用實例155
5.5本章小結163
5.6習題163

06粒子群優化算法
6.1概述166
6.2粒子群優化算法的基本原理166
6.3粒子群優化算法的改進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粒子群優化算法的應用實例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優化問題的改進人工蜂群算法187
7.3.2針對多峰優化問題的小生境人工蜂群算法188
7.4人工蜂群算法的應用實例193
7.5本章小結198
7.6習題198

08生物地理學優化算法
8.1概述200
8.2生物地理學優化算法的基本原理200
8.3生物地理學優化算法的基本流程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改進的生物地理學優化算法207
8.4.1混合型遷移操作207
8.4.2局部化生物地理學優化算法209
8.4.3生態地理學優化算法213
8.5生物地理學優化算法的應用實例216
8.6本章小結220
8.7習題220

09多目標優化算法
9.1概述222
9.2三代多目標優化算法223
9.2.1第一代多目標優化算法223
9.2.2 *二代多目標優化算法223
9.2.3第三代多目標優化算法229
9.3高維多目標優化算法233
9.3.1基於分解的多目標優化算法233
9.3.2 NSGA-III 236
9.3.3 NSGA-III-OSD 240
9.4多目標優化算法的測試函數和評價指標242
9.4.1測試函數242
9.4.2評價指標246
9.5多目標優化算法的測試實例和應用實例247
9.6本章小結253
9.7習題253

10約束優化算法
10.1概述256
10.2約束處理技術258
10.2.1懲罰函數法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多目標優化法260
10.2.6雙種群存儲技術261
10.3約束單目標優化算法261
10.3.1基於隨機排序法的約束單目標優化算法262
10.3.2基於ε約束法的約束單目標優化算法263
10.3.3基於雙種群存儲技術的約束單目標優化算法264
10.3.4約束單目標優化測試函數267
10.4約束多目標優化算法269
10.4.1基於隨機排序法的約束多目標優化算法269
10.4.2基於雙種群存儲技術的約束多目標優化算法270
10.4.3基於ε約束法的約束多目標優化算法273
10.4.4約束多目標優化測試函數277
10.5約束優化算法的應用實例279
10.6本章小結283
10.7習題283

參考文獻285