第1章 绪论 1
1.1 最优化方法的意义 2
1.2 最优化方法的分类 4
1.3 智能优化方法的产生与发展 5
1.4 怎样学习智能优化方法 8
思考题 10
参考文献 10
第2章 遗传算法 12
2.1 导言 13
2.2 基本原理 13
2.2.1 基本思想 13
2.2.2 组成要素 13
2.2.3 算法流程 18
2.3 遗传算法的数学机理 19
2.3.1 模式的概念 19
2.3.2 模式定理 19
2.4 实例分析 22
思考题 24
参考文献 24
第3章 蚁群算法 26
3.1 导言 27
3.2 基本原理 27
3.2.1 蚁群觅食的特性 27
3.2.2 蚂蚁系统模型 28
3.2.3 蚁群算法的实现 29
3.3 复杂度及收敛性分析 30
3.3.1 复杂度分析 30
3.3.2 收敛性分析 31
3.4 蚁群算法的改进 34
3.4.1 蚁群算法的改进思路 34
3.4.2 最大最小蚁群系统（MMAS） 35
3.4.3 分段算法 35
3.4.4 小窗口蚁群算法 36
3.4.5 智能蚂蚁算法 36
3.4.6 自适应蚁群算法 37
3.4.7 具有变异和分工特征的蚁群算法 37
3.5 实例分析 38
3.5.1 图像分割问题 38
3.5.2 求解TSP的蚁群算法与免疫算法混合方法 41
思考题 42
参考文献 43
第4章 粒子群优化算法 44
4.1 导言 45
4.1.1 复杂适应系统 45
4.1.2 人工生命 45
4.2 粒子群优化算法的发展 46
4.2.1 基本粒子群优化算法 46
4.2.2 标准粒子群优化算法 47
4.2.3 带有收缩因子的粒子群优化算法 48
4.2.4 二进制粒子群优化算法 49
4.3 粒子群优化算法的理论分析 49
4.3.1 单个粒子行为分析 49
4.3.2 代数分析和解析分析 50
4.3.3 差分方程分析 50
4.3.4 基于热力学类比的算法分析 50
4.3.5 基于随机过程的收敛性分析 50
4.4 粒子群优化算法的种群结构 50
4.4.1 静态邻域拓扑结构研究 51
4.4.2 动态邻域拓扑结构研究 52
4.5 粒子群优化算法的参数选择及优化 52
4.6 粒子群优化算法与其他思想的融合 54
4.6.1 PSO算法与演化计算思想的融合 54
4.6.2 PSO算法与自然界中思想的融合 54
4.6.3 PSO算法与物理学中思想的融合 55
4.7 粒子优化算法的应用研究 55
4.8 应用举例-基于粒子群优化算法的函数优化 56
思考题 62
参考文献 62
第5章 模拟退火算法 66
5.1 导言 67
5.2 局部搜索 67
5.2.1 邻域与局部最优 67
5.2.2 爬山法 68
5.2.3 跳出局部最优 69
5.3 模拟退火算法 69
5.3.1 固体退火过程 69
5.3.2 Metropolis准则 70
5.3.3 模拟退火算法流程 71
5.3.4 模拟退火算法参数分析 72
5.4 模拟退火算法的改进 73
5.4.1 改进的策略 73
5.4.2 具体的改进策略和改进算法 74
5.5 应用举例 76
5.5.1 基于模拟退火算法的函数优化 76
5.5.2 基于模拟退火算法的TSP问题求解 78
思考题 81
参考文献 81
第6章 基于重采样和PBIL算法的自适应选择性谱聚类集成 83
6.1 导言 84
6.2 PBIL算法 84
6.3 基于重采样和PBIL的自适应选择性集成 85
6.4 实验结果与分析 86
6.4.1 结果分析 87
6.4.2 收敛性分析 90
思考题 96
参考文献 96
第7章 组合预测模型及其应用 97
7.1 导言 98
7.2 常用智能算法 99
7.2.1 BP人工神经网络 99
7.2.2 遗传算法 101
7.2.3 粒子群算法 102
7.2.4 思维进化算法 102
7.2.5 GM（1，1）灰色模型算法 102
7.3 一种基于BP神经网络组合的人口预测模型 103
7.3.1 BP神经网络模型建立 104
7.3.2 BP神经网络模型的改进与优化 105
7.3.3 一种基于BP神经网络组合的人口预测模型 106
7.4 一种基于数据融合算法的粮食产量组合预测模型 107
7.4.1 BP神经网络模型的建立与性能分析 108
7.4.2 BP神经网络模型的改进与优化 108
7.4.3 一种基于数据融合算法的粮食产量组合预测模型 110
7.4.4 组合模型对美国小麦产量的预测及性能分析 112
7.5 组合模型在中国GDP预测中的应用 113
7.5.1 BP神经网络模型建立与性能分析 114
7.5.2 BP神经网络模型的改进与优化 114
7.5.3 一种基于数据融合算法的GDP组合预测模型 116
思考题 118
参考文献 118
第8章 自动文摘 120
8.1 导言 121
8.2 自动文摘的分类 122
8.3 自动文摘的一般流程 123
8.3.1 相关文档确定 124
8.3.2 文摘句抽取 124
8.3.3 摘要生成 126
8.4 自动文摘的评价方法 126
8.4.1 内部评价 126
8.4.2 外部评价 127
思考题 127
参考文献 128
第9章 文本倾向性分析 129
9.1 导言 130
9.2 主客观分类 130
9.3 观点持有者抽取 131
9.4 评价特征抽取 131
9.4.1 人工定义特征 131
9.4.2 评价特征的自动抽取 131
9.5 情感词语抽取及倾向性识别 132
9.6 句子倾向性识别 134
9.6.1 基于信息抽取的无监督识别策略 135
9.6.2 基于机器学习的有监督分类方法 135
9.7 篇章倾向性识别 135
9.8 海量数据的整体倾向性分析 136
9.9 相关会议及评测 136
思考题 137
参考文献 137