现代智能算法理论及应用PDF电子书下载

目录 1

前言 1

第一章 绪论 1

第一节 人工免疫系统概述 4

第二节 分形编码概述 6

第三节 蚁群优化概述 8

第四节 支持向量机概述 10

第一节 免疫学基本概念及原理 15

第二章 免疫学基本理论及人工免疫系统概论 15

第一部 分免疫优化及免疫网络算法理论和应用 15

第二节 人工免疫系统概述 22

第三节 本篇研究的主要内容及意义 30

第四节 最优化问题及分类 32

第五节 测试问题及性质分析 32

第六节 本章小结 36

参考文献 36

第一节 引言 41

第三章 免疫算法理论及应用 41

第二节 免疫算法的概念及工作原理 43

第三节 免疫算子及相关概念 45

第四节 突变规则 48

第五节 免疫算法描述 49

第六节 算法收敛性概念 51

第七节 免疫算子性质及齐次免疫算法收敛性 53

第八节 非齐次免疫算法收敛性 57

第九节 免疫算法收敛速度分析 60

第十节 免疫算法稳定性理论 63

第十一节 免疫算法的计算复杂度及鲁棒性分析 73

第十二节 齐次及非齐次免疫算法理论比较分析 78

第十三节 免疫算法的性能测试 81

第十四节 应用举例 86

第十五节 本章小结 87

参考文献 88

第一节 引言 89

第四章 形态空间上免疫算法及收敛性理论 89

第二节 小生境免疫算法 90

第三节 动态规模免疫算法 94

第四节 约束优化免疫算法 97

第五节 模糊控制免疫算法 104

第六节 形态空间上免疫算法的收敛性 111

第七节 应用举例 116

参考文献 123

第八节 本章小结 123

第五章 多目标优化免疫算法及免疫网络算法 125

第一节 引言 125

第二节 预备知识 126

第三节 非约束条件下多目标优化免疫算法 127

第四节 约束多目标优化免疫算法 138

第五节 模糊免疫网络分类算法 147

第六节 本章小结 153

参考文献 153

第二节 度量空间 157

第一节 引言 157

第二部分 图像编码的分形算法 157

第六章 分形编码的数学基础 157

第三节 分形 168

第四节 迭代函数系统 175

第五节 本章小结 184

参考文献 184

第七章 基本分形编码算法 187

第一节 引言 187

第二节 矢量量化与分形编码 189

第三节 迭代函数系统正问题与自然图形模拟 197

第四节 迭代函数系统逆问题与图像编码 202

第五节 分形编码算法的基本原理与实现 204

第六节 本章小结 222

参考文献 222

第八章 分形编码的改进算法 225

第一节 引言 225

第二节 图像分割 227

第三节 虚拟码本构成 233

第四节 亮度变换类型 235

第五节 变换参数的量化 237

第六节 分形解码 240

第七节 最优分形编码 252

第八节 快速分形编码 255

第九节 混合分形编码 270

第十节 本章小结 275

参考文献 276

第三部分 蚁群优化算法理论及其应用 283

第九章 蚁群优化算法概述 283

第一节 引言 283

第二节 蚁群优化原理及算法描述 284

第三节 蚁群优化的特点 289

第四节 蚁群优化与其他算法的关系 290

第五节 蚁群优化的研究现状 291

参考文献 294

第六节 本章小结 294

第十章 蚁群优化元启发式及其收敛性 301

第一节 引言 301

第二节 蚁群优化元启发式 301

第三节 蚁群优化的收敛性 307

第四节 本章小结 317

参考文献 317

第二节 蚂蚁系统及其属性 319

第一节 引言 319

第十一章 基本蚁群优化算法及其改进算法 319

第三节 改进的蚁群优化算法 326

第四节 一种新的自适应蚁群算法 332

第五节 基于混合行为的蚁群算法 335

第六节 本章小结 340

参考文献 341

第十二章 蚁群优化的并行实现 343

第一节 蚁群优化的并行实现概述 343

第二节 蚂蚁系统的同步并行实现和部分异步并行实现 344

第三节 SPI与PAPI的对比实验 346

第四节 对一类带聚类特征TSP的并行蚁群算法求解 348

第五节 本章小结 356

参考文献 356

第十三章 蚁群优化算法的应用 357

第一节 概述 357

第二节 蚁群优化算法与K-TSP 357

第三节 蚁群优化与二次分配问题 361

第四节 蚁群优化算法与车间作业调度问题 368

第五节 蚁群优化算法与网络路由问题 370

第六节 蚁群算法与0-1背包问题 372

第七节 蚁群优化算法与三维空间机器人路径规划 378

第八节 本章小结 382

参考文献 383

第四部分 小样本统计学习理论与支持向量机 387

第十四章 小样本统计学习的基本理论 387

第一节 引言 387

第二节 基于SLT的机器学习理论的基本观点 387

第三节 支持向量机算法 394

第四节 算例 399

第五节 本章小结 401

参考文献 401

第十五章 基于SVM的多类分类算法及其在故障诊断中的应用 403

第一节 引言 403

第二节 基于二叉树的多级SVM分类器 403

第三节 SVM用于故障诊断的一般步骤 406

第四节 基于SVM的柴油机故障诊断 408

参考文献 416

第五节 本章小结 416

第十六章 基于支持向量机的函数回归的方法 418

第一节 常用的损失函数的定义 418

第二节 函数回归的SVM方法 419

第三节 基于SVM的故障趋势预测研究 421

第四节 本章小结 426

参考文献 426

中英文词汇对照 428