计算智能导论 第2版PDF|Epub|txt|kindle电子书版本网盘下载

计算智能导论 第2版PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第Ⅰ部分　引言3

第1章　计算智能简介3

1.1　计算智能典型方法4

1.1.1　人工神经网络4

1.1.2　进化计算6

1.1.3　群体智能7

1.1.4　人工免疫系统7

1.1.5　模糊系统7

1.2　简短历史8

1.3　习题10

第Ⅱ部分　人工神经网络第2章　人工神经元13

2.1　计算网络输入信号13

2.2　激活函数14

2.3　人工神经元几何构型15

2.4　人工神经元学习17

2.4.1 增广向量17

2.4.2　梯度下降学习规则18

2.4.3　Widrow-Hoff学习规则19

2.4.4　广义delta学习规则19

2.4.5　误差修正学习规则19

2.5 习题19

第3章　监督学习神经网络21

3.1　神经网络的类型21

3.1.1　前馈神经网络21

3.1.2　函数链神经网络22

3.1.3　乘积单元神经网络23

3.1.4　简单反馈神经网络25

3.1.5　时延神经网络26

3.1.6　级联神经网络27

3.2　监督学习规则28

3.2.1　监督学习问题28

3.2.2　梯度下降优化29

3.2.3　尺度化共轭梯度34

3.2.4　LeapFrog优化38

3.2.5　粒子群优化38

3.3　隐层单元的功能40

3.4　集成神经网络40

3.5 习题42

第4章　非监督学习神经网络43

4.1 背景43

4.2　Hebbian学习规则44

4.3　主成分学习规则45

4.4　学习向量量化-Ⅰ46

4.5 自组织特征映射48

4.5.1 随机训练规则49

4.5.2　批映射51

4.5.3　可生长SOM51

4.5.4　加快收敛速度53

4.5.5　聚类和可视化54

4.5.6　使用SOM55

4.6 习题56

第5章　径向基函数网络57

5.1 学习向量量化-Ⅱ57

5.2　径向基函数神经网络57

5.2.1 径向基函数网络结构57

5.2.2　径向基函数58

5.2.3 训练算法59

5.2.4　径向基函数网络的变体62

5.3 习题63

第6章　增强学习64

6.1　通过奖励学习64

6.2　无模型增强学习模型66

6.2.1 即时差分学习66

6.2.2　Q学习66

6.3　神经网络和增强学习67

6.3.1 RPROP67

6.3.2　梯度下降增强学习68

6.3.3 连接主义的Q-学习69

6.4　习题70

第7章　监督学习的性能问题71

7.1 性能准则71

7.1.1　精度71

7.1.2　复杂度74

7.1.3　收敛性75

7.2　性能分析75

7.3　性能因素76

7.3.1 数据预备76

7.3.2　权值初始化81

7.3.3　学习率和冲量81

7.3.4　优化方法83

7.3.5　结构选择83

7.3.6 自适应激活函数88

7.3.7　主动学习89

7.4　习题95

第Ⅲ部分　进化计算第8章　进化计算导论99

8.1　一般进化算法100

8.2　染色体的表示101

8.3　初始种群103

8.4　适应度函数103

8.5　选择104

8.5.1　选择压力105

8.5.2　随机选择105

8.5.3 比例选择105

8.5.4　锦标赛选择106

8.5.5　排序选择107

8.5.6　波尔兹曼选择107

8.5.7　（μ+,λ）选择108

8.5.8　精英选择108

8.5.9　名人堂108

8.6　繁殖算子108

8.7　终止条件109

8.8　进化计算与经典优化算法109

8.9　习题110

第9章　遗传算法111

9.1　经典遗传算法111

9.2　交叉111

9.2.1　二进制表示112

9.2.2　浮点表示113

9.3　变异119

9.3.1　二进制表示119

9.3.2　浮点表示120

9.3.3　宏变异算子-无头鸡120

9.4　控制参数120

9.5　遗传算法的变体122

9.5.1　代沟方法122

9.5.2　杂乱遗传算法122

9.5.3　交互进化124

9.5.4　岛屿遗传算法125

9.6　前沿专题127

9.6.1　小生境遗传算法127

9.6.2　约束处理130

9.6.3 多目标优化130

9.6.4　动态环境133

9.7　应用133

9.8　作业134

第10章　遗传编程136

10.1　基于树的表示136

10.2　初始群体138

10.3　适应度函数138

10.4　交叉算子138

10.5　变异算子139

10.6　积木块遗传规划141

10.7　应用141

10.8　习题142

第11章　进化规划143

11.1　基本进化规划143

11.2　进化规划算子144

11.2.1 变异算子144

11.2.2　选择算子147

11.3　策略参数148

11.3.1　静态策略参数149

11.3.2　动态策略参数149

11.3.3 自适应151

11.4　进化规划的实现153

11.4.1 经典进化规划153

11.4.2　快速进化规划153

11.4.3　指数进化规划153

11.4.4　加速进化规划154

11.4.5　动量进化规划154

11.4.6　具有局部搜索的进化规划155

11.4.7　带灭绝的进化规划156

11.4.8　与粒子群优化的混合157

11.5　前沿专题157

11.5.1 约束处理方法157

11.5.2　多目标优化与小生境158

11.5.3 动态环境158

11.6　应用158

11.6.1　有限状态机158

11.6.2　函数优化160

11.6.3　训练神经网络160

11.6.4　实际应用160

11.7　习题161

第12章　进化策略162

12.1　（1+1）-进化策略162

12.2　一般进化策略算法163

12.3　策略参数和自适应164

12.3.1　策略参数类型164

12.3.2　策略参数变种165

12.3.3 自适应策略167

12.4　进化策略算子168

12.4.1　选择算子168

12.4.2　交叉算子169

12.4.3　变异算子170

12.5　进化策略变种172

12.5.1　极进化策略172

12.5.2　带方向变量的进化策略173

12.5.3　增量进化策略174

12.5.4　替代进化策略174

12.6 高级话题174

12.6.1　约束处理方法175

12.6.2 多目标优化176

12.6.3　动态环境和噪声环境178

12.6.4　小生境178

12.7　进化策略的应用179

12.8　习题180

第13章　差分进化181

13.1　基本的差分进化181

13.1.1 差异向量181

13.1.2　变异182

13.1.3　交叉182

13.1.4　选择183

13.1.5　一般差分进化算法184

13.1.6　控制参数184

13.1.7　几何演示185

13.2　差分进化／x／y／z186

13.3　基本差分进化的变种187

13.3.1　混合差分进化策略187

13.3.2　基于种群的差分进化192

13.3.3 自适应差分进化192

13.4　离散值问题的差分进化193

13.4.1　角度模型差分进化194

13.4.2　二值差分进化194

13.5 高级话题195

13.5.1　约束控制方法196

13.5.2　多目标优化196

13.5.3　动态环境197

13.6　应用198

13.7　习题199

第14章　文化算法200

14.1　文化和人工文化200

14.2　基本的文化算法201

14.3　信念空间202

14.3.1 知识成分202

14.3.2　接受函数203

14.3.3 调整信念空间204

14.3.4　影响函数205

14.4　模糊文化算法206

14.4.1　模糊接受函数206

14.4.2　模糊化信念空间207

14.4.3　模糊影响函数208

14.5　高级话题208

14.5.1 约束控制208

14.5.2　多目标优化210

14.5.3　动态环境210

14.6　应用210

14.7　习题211

第15章　协同进化212

15.1　协同进化类型212

15.2　竞争协同进化213

15.2.1　竞争适应度213

15.2.2　一般竞争协同进化算法215

15.2.3　竞争协同进化的应用216

15.3　协作协同进化217

15.4　习题218

第Ⅳ部分　计算群体智能第16章　粒子群优化221

16.1　基本粒子群优化221

16.1.1　全局最佳粒子群优化222

16.1.2　局部最佳粒子群优化223

16.1.3　比较gbest PSO与1best PSO223

16.1.4　速度成分224

16.1.5　几何描述225

16.1.6　算法有关方面226

16.2　社会网络结构229

16.3　基本变种231

16.3.1　速度箝位232

16.3.2　惯性权重233

16.3.3　约束系数236

16.3.4　同步更新与异步更新236

16.3.5　速度模型237

16.4　基本PSO的参数238

16.5　单解粒子群优化240

16.5.1　保证收敛的PSO240

16.5.2　基于社会的PSO241

16.5.3　混合算法244

16.5.4　基于子群的PSO248

16.5.5　多次开始PSO算法254

16.5.6　排斥方法257

16.5.7 二元PSO259

16.6　高级专题260

16.6.1　约束处理方法260

16.6.2　多目标优化261

16.6.3　动态环境263

16.6.4　小生境PSO266

16.7　应用269

16.7.1 神经网络269

16.7.2　结构选择271

16.7.3　游戏学习271

16.8 习题272

第17章　蚂蚁算法273

17.1　蚁群优化元启发273

17.1.1　蚂蚁的觅食行为274

17.1.2　激发工作和人工信息素276

17.1.3　简单蚁群优化算法277

17.1.4　蚂蚁系统280

17.1.5　蚁群系统283

17.1.6　最大最小蚂蚁系统285

17.1.7　蚂蚁-Q288

17.1.8　快速蚂蚁系统289

17.1.9　蚂蚁禁忌表289

17.1.10　蚂蚁排名系统290

17.1.11 逼近的非确定树搜索290

17.1.12　参数设置292

17.2　墓地组织与育雏293

17.2.1　基本蚁群聚类模型293

17.2.2　一般化后的蚁群聚类模型294

17.2.3　蚁群聚类的最小模型298

17.3 分工298

17.3.1 昆虫群落的分工299

17.3.2　基于反应阈值的分配300

17.3.3　动态任务分配和专业化301

17.4　高级专题302

17.4.1　连续蚁群优化算法302

17.4.2　多目标优化算法304

17.4.3　动态环境307

17.5　应用309

17.5.1　旅行商问题310

17.5.2　二次分配问题311

17.5.3　其他应用313

17.6 习题313

第Ⅴ部分　人工免疫系统第18章 自然免疫系统317

18.1 经典模型317

18.2　抗体与抗原318

18.3 白细胞318

18.4　免疫类型321

18.5　抗原结构的学习321

18.6　网络理论322

18.7　危险理论322

18.8　习题323

第19章　人工免疫模型324

19.1　人工免疫系统算法324

19.2　经典模型326

19.2　进化方法327

19.3　克隆选择理论模型328

19.3.1 克隆选择算法329

19.3.2　动态克隆选择330

19.3.3 多层AIS330

19.4　网络理论模型333

19.4.1 人工免疫网络333

19.4.2 自稳定AIS335

19.4.3　增强型人工免疫网络336

19.4.4　动态加权B细胞AIS337

19.4.5　自适应人工免疫网络338

19.4.6　aiNet网络模型338

19.5　危险理论340

19.5.1　移动自组网络340

19.5.2 自适应邮箱341

19.5.3　入侵检测343

19.6　应用及其他AIS模型343

19.7　习题343

第Ⅵ部分　模糊系统第20章　模糊集347

20.1 正式定义347

20.2　隶属函数348

20.3　模糊算子350

20.4　模糊集的特性353

20.5　模糊和概率354

20.6　习题354

第21章　模糊逻辑和模糊推理356

21.1　模糊逻辑356

21.1.1 语言学变量和限定356

21.1.2　模糊规则358

21.2　模糊推理359

21.2.1 模糊化359

21.2.2　推理360

21.2.3　去模糊化360

21.3 习题362

第22章　模糊控制器364

22.1　模糊控制器的部件364

22.2　模糊控制器类型365

22.2.1　基于表的控制器365

22.2.2　Mamdani模糊控制器366

22.2.3　Takagi-Sugeno控制器366

22.3 习题366

第23章　粗糙集368

23.1　辨别力的概念369

23.2　粗糙集中的模糊370

23.3 模糊集中的不确定性370

23.4　习题371

参考文献372

附录A　优化理论431

A.1　优化问题的基本要素431

A.2　优化问题分类431

A.3　最优值类型432

A.4　优化方法分类433

A.5　非约束优化434

A.5.1 问题定义434

A.5.2　优化算法434

A.5.3　例子测试问题437

A.6　约束优化438

A.6.1 问题定义438

A.6.2　约束处理方法439

A.6.3　例子测试问题442

A.7　多解问题443

A.7.1 问题定义443

A.7.2　小生境算法分类443

A.7.3　例子测试问题444

A.8　多目标优化445

A.8.1 多目标问题445

A.8.2　加权聚合方法446

A.8.3　帕累托最优446

A.9　动态优化问题449

A.9.1 定义449

A.9.2　动态环境类型450

A.9.3　例子测试问题452

术语表453