第一章 绪论 1
1.1 最优化的基本概念和计算机技术 1
1.1.1 最优化概念的由来 1
1.1.2 工程问题中的决策和最优化的概念 2
1.1.3 最优化方法的发展 2
1.1.4 机械工程最优化设计方法的发展 3
1.2 最优化设计在机械设计中的位置 4
第2章 最优化的基础 7
2.1 最优化的术语 7
2.1.1 设计变量 7
2.1.2 约束条件 8
2.1.3 目标函数 9
2.2 最优化问题的数学模型 10
2.3 最优化设计的过程 12
2.3.1 最优化模型的前处理过程 13
2.3.2 最优化结果的检查 16
第3章 数学规划法的整理和归纳 17
3.1 数学规划法的基本知识 17
3.1.1 二次函数，二次型及正定矩阵 17
3.1.2 最速下降方向和共轭方向 19
3.1.3 目标函数和约束函数的近似展开式 20
3.1.4 可行方向 21
3.1.5 凸规划 22
3.1.6 极值条件 24
3.2 数学规划法的整理 26
3.1.7 算法的迭代方法和收敛准则 26
第4章 机械结构最优化的相关技术 30
4.1 反求问题 30
4.1.1 问题的种类和模型化 30
4.1.2 参数识别问题的解法 32
4.1.3 综合问题的解法 36
4.1.4 反求问题的课题方向 37
4.2 再解析 38
4.2.1 静态解析中的再解析法 38
4.2.2 动态解析中的再解析法 42
4.3 灵敏度解析 46
4.3.1 静态灵敏度解析--在离散系中的静态灵敏度解析 46
4.3.2 动态灵敏度解析 48
第5章 遗传算法及其应用 64
5.1 遗传算法的概貌 64
5.1.1 什么是遗传算法 64
5.1.2 遗传算法的最优搜索 64
5.1.3 遗传算法的基本思路 65
5.2 单纯型遗传算法 65
5.2.1 假想生物及其环境的设定 66
5.2.2 单纯型遗传算法的计算流程 67
5.2.3 单纯型遗传算法的特征 69
5.3 schemata定理 70
5.4 遗传算法的有关操作规则和方法 71
5.4.1 淘汰，增殖规则的扩充 71
5.4.2 交叉操作的扩充 72
5.4.4 引入适应度的定标 74
5.4.3 突然变异规则的扩充 74
5.5 应用例1--非线性强制振动解的一种GA解法 75
5.5.1 问题的提出 75
5.5.2 Duffing非线性方程 75
5.5.3 最优化问题的模型 76
5.5.4 GA算法的适应度和流程 77
5.5.5 计算结果 78
5.6 应用例2--确定桁架结构的相位 79
5.6.1 5节点桁架结构 79
5.6.2 9节点桁架结构 80
6.1.1 初创期(1943～1969年) 82
6.1.2 过渡期(1970～1986年) 82
第6章 神经网络及其应用 82
6.1 神经网络研究概述 82
6.1.3 发展期(1987年至今) 83
6.2 神经网络的主要特点 83
6.2.1 具有分布式存储信息的特点 84
6.2.2 对信息的处理及推理过程具有并行的特点 84
6.2.3 对信息的处理具有自组织、自学习的特点 84
6.3 细胞元模型 85
6.3.1 神经元的结构 85
6.3.2 神经元的响应特性 86
6.4.1 有关神经网络模型的约定 88
6.4.2 神经网络的结构形式 88
6.4 神经网络模型 88
6.5 神经网络的学习 90
6.5.1 有教师学习 92
6.5.2 无教师学习 92
6.5.3 学习规则 93
6.5.4 关于学习的其他问题 95
6.6 多层前向神经网络的(BP网络) 95
6.6.1 感知器 95
6.6.2 前向多层网络的BP学习算法 96
6.6.3 BP算法的问题以及改进算法 98
6.7.1 Hopfield网络的物理学模型 104
6.7.2 Hopfield网络模型 104
6.7 典型反馈网络--Hopfield网络 104
6.7.3 网络的能量 106
6.7.4 Hopfield网络的联想记忆功能 107
6.7.5 Hopfield网络的优化计算功能 108
6.8 基于概率学习的Boltzmann机模型 108
6.8.1 Boltzmann机模型 108
6.8.2 模拟退火 110
6.8.3 Boltzmann机模型的学习算法 110
6.9 应用事例--基于神经网络的非线性振动系统的识别 113
6.9.1 问题的提出 113
6.9.2 神经网络和系统识别的研究 113
6.9.3 非线性振动响应的学习和系统预测 115
6.9.4 结论 122
参考文献 123