书籍详情
计算智能导论（第2版）
作者：（南非）英吉布雷切特 著，谭营 等译
出版社：清华大学出版社
出版时间：2010-06-01
ISBN：9787302222057
定价：¥59.00
购买这本书可以去
内容简介
《计算智能导论（第2版）》导论性地介绍了计算智能的5个典型范例：人工神经网络、进化计算、计算群体智能、人工免疫系统和模糊系统。它们分别是对生物神经系统、生物进化过程、社会组织的群体行为、自然免疫系统和人类思维过程的成功建模。这些范例已经得到了广泛深入的研究，人们在取得了很大的成功之后，已将研究成果广泛地应用到了众多的实际应用领域。极大提高了人们发现问题，求解问题，尤其是求解复杂科学与工程问题的能力。通过阅读《计算智能导论（第2版）》，读者可以全面地了解到目前计算智能研究的主要成果和最新进展，对相关专业的研究生、高年级本科生、高校教师、科研人员和工程技术人员都具有很好的参考价值，故我们决定将该书的英文版第2版翻译成中文出版，希望《计算智能导论（第2版）》中文版的出版能够推动计算智能在我国的普及和广泛深入的研究，促进我国智能科学的发展和进步。全书分成6个部分共23章和1个附录。
作者简介
暂缺《计算智能导论（第2版）》作者简介
目录
第I部分 引言
第1章 计算智能简介
1.1 计算智能典型方法
1.1.1 人工神经网络
1.1.2 进化计算
1.1.3 群体智能
1.1.4 人工免疫系统
1.1.5 模糊系统
1.2 简短历史
1.3 习题
第Ⅱ部分 人工神经网络
第2章 人工神经元
2.1 计算网络输入信号
2.2 激活函数
2.3 人工神经元几何构型
2.4 人工神经元学习
2.4.1 增广向量
2.4.2 梯度下降学习规则
2.4.3 Widrow-Hoff学习规则
2.4.4 广义delta学习规则
2.4.5 误差修正学习规则
2.5 习题
第3章 监督学习神经网络
3.1 神经网络的类型
3.1.1 前馈神经网络
3.1.2 函数链神经网络
3.1.3 乘积单元神经网络
3.1.4 简单反馈神经网络
3.1.5 时延神经网络
3.1.6 级联神经网络
3.2 监督学习规则
3.2.1 监督学习问题
3.2.2 梯度下降优化
3.2.3 尺度化共轭梯度
3.2.4 LeapFrog优化
3.2.5 粒子群优化
3.3 隐层单元的功能
3.4 集成神经网络
3.5 习题
第4章 非监督学习神经网络
4.1 背景
4.2 Hebbian学习规则
4.3 主成分学习规则
4.4 学习向量量化-I
4.5 自组织特征映射
4.5.1 随机训练规则
4.5.2 批映射
4.5.3 可生长SOM
4.5.4 加快收敛速度
4.5.5 聚类和可视化
4.5.6 使用SOM
4.6 习题
第5章 径向基函数网络
5.1 学习向量量化.II
5.2 径向基函数神经网络
5.2.1 径向基函数网络结构
5.2.2 径向基函数
5.2.3 训练算法
5.2.4 径向基函数网络的变体
5.3 习题
第6章 增强学习
6.1 通过奖励学习
6.2 无模型增强学习模型
6.2.1 即时差分学习
6.2.2 Q学习
6.3 神经网络和增强学习
6.3.1 RPROP
6.3.2 梯度下降增强学习
6.3.3 连接主义的O-学习
6.4 习题
第7章 监督学习的性能问题
7.1 性能准则
7.1.1 精度
7.1.2 复杂度
7.1.3 收敛性
7.2 性能分析
7.3 性能因素
7.3.1 数据预备
7.3.2 权值初始化
7.3.3 学习率和冲量
7.3.4 优化方法
7.3.5 结构选择
7.3.6 自适应激活函数
7.3.7 主动学习
7.4 习题
第Ⅲ部分 进化计算
第8章 进化计算导论
8.1 一般进化算法
8.2 染色体的表示
8.3 初始种群
8.4 适应度函数
8.5 选择
8.5.1 选择压力
8.5.2 随机选择
8.5.3 比例选择
8.5.4 锦标赛选择
8.5.5 排序选择
8.5.6 波尔兹曼选择
8.5.7 (u+r)选择
8.5.8 精英选择
8.5.9 名人堂
8.6 繁殖算子
8.7 终止条件
8.8 进化计算与经典优化算法
8.9 题
第9章 遗传算法
9.1 经典遗传算法
9.2 交叉
9.2.1 二进制表示
9.2.2 浮点表示
9.3 变异
9.3.1 二进制表示
9.3.2 浮点表示
9.3.3 宏变异算子.无头鸡
9.4 控制参数
9.5 遗传算法的变体
9.5.1 代沟方法
9.5.2 杂乱遗传算法
9.5.3 交互进化
9.5.4.岛屿遗传算法
9.6 前沿专题
9.6.1 小生境遗传算法
9.6.2 约束处理
9.6.3 多目标优化
9.6.4.动态环境
9.7 应用
9.8 作业
第10章 遗传编程
10.1 基于树的表示
10.2 初始群体
10.3 适应度函数
10.4 交叉算子
10.5 变异算子
10.6 积木块遗传规划
10.7 应用
10.8 习题
第11章 进化规划
11.1 基本进化规划
11.2 进化规划算子
11.2.1 变异算子
11.2.2 选择算子
……
11.3 策略参数 148
11.4 进化规划的实现 153
11.5 前沿专题 157
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
12.4 进化策略算子 168
12.5 进化策略变种 172
12.6 高级话题 174
1261 约束处理方法 175
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
13.2 差分进化/x/y/z 186
13.3 基本差分进化的变种 187
13.4 离散值问题的差分进化 193
13.5 高级话题 195
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
14.4 模糊文化算法 206
14.5 高级话题 208
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
15.3 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
16.2 社会网络结构 229
16.3 基本变种 231
16.4 基本PSO 的参数 238
16.5 单解粒子群优化 240
16.6 高级专题 260
16.7 应用 269
16.8 习题 272
第17章 蚂蚁算法 273
17.1 蚁群优化元启发 273
17.2 墓地组织与育雏 293
17.3 分工 298
17.4 高级专题 302
17.5 应用 309
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
19.4 网络理论模型 333
19.5 危险理论 340
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
21.2 模糊推理 359
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
22.3 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.6 约束优化 438
A.7 多解问题 443
A.8 多目标优化 445
A.9 动态优化问题 449
术语表 453
第1章 计算智能简介
1.1 计算智能典型方法
1.1.1 人工神经网络
1.1.2 进化计算
1.1.3 群体智能
1.1.4 人工免疫系统
1.1.5 模糊系统
1.2 简短历史
1.3 习题
第Ⅱ部分 人工神经网络
第2章 人工神经元
2.1 计算网络输入信号
2.2 激活函数
2.3 人工神经元几何构型
2.4 人工神经元学习
2.4.1 增广向量
2.4.2 梯度下降学习规则
2.4.3 Widrow-Hoff学习规则
2.4.4 广义delta学习规则
2.4.5 误差修正学习规则
2.5 习题
第3章 监督学习神经网络
3.1 神经网络的类型
3.1.1 前馈神经网络
3.1.2 函数链神经网络
3.1.3 乘积单元神经网络
3.1.4 简单反馈神经网络
3.1.5 时延神经网络
3.1.6 级联神经网络
3.2 监督学习规则
3.2.1 监督学习问题
3.2.2 梯度下降优化
3.2.3 尺度化共轭梯度
3.2.4 LeapFrog优化
3.2.5 粒子群优化
3.3 隐层单元的功能
3.4 集成神经网络
3.5 习题
第4章 非监督学习神经网络
4.1 背景
4.2 Hebbian学习规则
4.3 主成分学习规则
4.4 学习向量量化-I
4.5 自组织特征映射
4.5.1 随机训练规则
4.5.2 批映射
4.5.3 可生长SOM
4.5.4 加快收敛速度
4.5.5 聚类和可视化
4.5.6 使用SOM
4.6 习题
第5章 径向基函数网络
5.1 学习向量量化.II
5.2 径向基函数神经网络
5.2.1 径向基函数网络结构
5.2.2 径向基函数
5.2.3 训练算法
5.2.4 径向基函数网络的变体
5.3 习题
第6章 增强学习
6.1 通过奖励学习
6.2 无模型增强学习模型
6.2.1 即时差分学习
6.2.2 Q学习
6.3 神经网络和增强学习
6.3.1 RPROP
6.3.2 梯度下降增强学习
6.3.3 连接主义的O-学习
6.4 习题
第7章 监督学习的性能问题
7.1 性能准则
7.1.1 精度
7.1.2 复杂度
7.1.3 收敛性
7.2 性能分析
7.3 性能因素
7.3.1 数据预备
7.3.2 权值初始化
7.3.3 学习率和冲量
7.3.4 优化方法
7.3.5 结构选择
7.3.6 自适应激活函数
7.3.7 主动学习
7.4 习题
第Ⅲ部分 进化计算
第8章 进化计算导论
8.1 一般进化算法
8.2 染色体的表示
8.3 初始种群
8.4 适应度函数
8.5 选择
8.5.1 选择压力
8.5.2 随机选择
8.5.3 比例选择
8.5.4 锦标赛选择
8.5.5 排序选择
8.5.6 波尔兹曼选择
8.5.7 (u+r)选择
8.5.8 精英选择
8.5.9 名人堂
8.6 繁殖算子
8.7 终止条件
8.8 进化计算与经典优化算法
8.9 题
第9章 遗传算法
9.1 经典遗传算法
9.2 交叉
9.2.1 二进制表示
9.2.2 浮点表示
9.3 变异
9.3.1 二进制表示
9.3.2 浮点表示
9.3.3 宏变异算子.无头鸡
9.4 控制参数
9.5 遗传算法的变体
9.5.1 代沟方法
9.5.2 杂乱遗传算法
9.5.3 交互进化
9.5.4.岛屿遗传算法
9.6 前沿专题
9.6.1 小生境遗传算法
9.6.2 约束处理
9.6.3 多目标优化
9.6.4.动态环境
9.7 应用
9.8 作业
第10章 遗传编程
10.1 基于树的表示
10.2 初始群体
10.3 适应度函数
10.4 交叉算子
10.5 变异算子
10.6 积木块遗传规划
10.7 应用
10.8 习题
第11章 进化规划
11.1 基本进化规划
11.2 进化规划算子
11.2.1 变异算子
11.2.2 选择算子
……
11.3 策略参数 148
11.4 进化规划的实现 153
11.5 前沿专题 157
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
12.4 进化策略算子 168
12.5 进化策略变种 172
12.6 高级话题 174
1261 约束处理方法 175
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
13.2 差分进化/x/y/z 186
13.3 基本差分进化的变种 187
13.4 离散值问题的差分进化 193
13.5 高级话题 195
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
14.4 模糊文化算法 206
14.5 高级话题 208
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
15.3 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
16.2 社会网络结构 229
16.3 基本变种 231
16.4 基本PSO 的参数 238
16.5 单解粒子群优化 240
16.6 高级专题 260
16.7 应用 269
16.8 习题 272
第17章 蚂蚁算法 273
17.1 蚁群优化元启发 273
17.2 墓地组织与育雏 293
17.3 分工 298
17.4 高级专题 302
17.5 应用 309
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
19.4 网络理论模型 333
19.5 危险理论 340
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
21.2 模糊推理 359
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
22.3 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.6 约束优化 438
A.7 多解问题 443
A.8 多目标优化 445
A.9 动态优化问题 449
术语表 453
猜您喜欢
