序篇 计算智能 3
第一章 绪论 3
1.1 关于计算智能 3
1.1.1 什么是计算智能 3
1.1.2 计算智能所包含的领域 4
1.2 人工神经网络 5
1.2.1 什么是神经网络 5
1.2.2 人工神经网络研究的历史 5
1.3 模糊系统 6
1.3.1 模糊系统理论的起源和发展 6
1.3.2 模糊系统的研究范畴 7
1.4 进化计算 7
1.4.1 进化计算的发展过程 7
1.4.2 进化计算的主要分支 7
1.4.3 进化计算的主要特点 8
1.5 人工神经网络、模糊系统和进化计算的相互融合 9
第一篇 人工神经网络 13
第二章 人工神经网络的基本模型 13
2.1 生物神经元 13
2.1.1 神经元的结构 13
2.1.2 膜电位与神经元的兴奋 13
2.2 人工神经元的形式化模型 14
2.2.1 M-P模型 14
2.2.2 线性加权模型 15
2.2.3 阈值逻辑模型 15
2.3 电子神经元 18
2.4 人工神经网络模型 19
2.4.1 神经网络节点的形式化描述 19
2.4.2 神经元状态转移函数的类型 20
2.4.3 神经网络分类及其拓扑结构 20
2.4.4 神经网络的知识表示与处理能力 22
2.5 人工神经网络的学习规则 25
2.5.1 人工神经网络的学习方式 25
2.5.2 人工神经网络的学习规则 25
2.6 人工神经网络与传统计算机的比较 27
2.6.1 人工神经网络计算机和冯·诺依曼计算机的比较 27
2.6.2 人工神经网络和人工智能的比较 28
2.6.3 人工神经网络与生物系统的区别 28
2.7 人工神经网络的发展方向与研究问题 28
2.7.1 人工神经网络模型的研究 29
2.7.2 人工神经网络基本理论的研究 29
2.7.3 人工神经网络智能信息处理系统的应用研究 29
2.7.4 人工神经网络计算机 29
第三章 前馈型神经网络 32
3.1 感知器 32
3.1.1 单层感知器 32
3.1.2 感知器的收敛定理 34
3.1.2 多层感知器网络 36
3.1.4 感知器用于分类问题的算例 38
3.2 多层前馈型神经网络 39
3.2.1 网络结构及工作过程 39
3.2.2 误差函数与误差曲面 41
3.2.3 网络的学习规则——梯度下降算法 42
3.3 误差逆传播算法（BP算法） 42
3.3.1 BP算法的数学描述 43
3.3.2 BP算法收敛性定理 46
3.4 误差逆传播算法（BP算法）的若干改进 46
3.4.1 基于全局学习速率自适应调整的BP算法 47
3.4.2 基于局部学习速率自适应调整的BP算法 48
3.4.3 BI（Back Impedance）算法 49
3.4.4 BP算法样本特性及参数a，β两阶段动态调整 52
3.5 使用遗传算法（GA）训练前馈型神经网络方法 56
3.6 前馈型神经网络结构设计方法 60
3.6.1 输入层和输出层的设计方法 60
3.6.2 隐层数和层内节点数的选择 61
3.6.3 逐次修剪法设计前馈型神经网络 63
3.7 基于BP算法的前馈型神经网络在识别问题中的应用 65
3.7.1 味觉信号的学习和识别 65
3.7.2 手写体数字识别 73
3.7.3 在包装件缓冲垫层非线性识别中的应用 75
3.8 自适应线性元件 80
3.9 径向基函数神经网络 83
3.9.1 网络结构 84
3.9.2 网络算式及参数 84
第四章 反馈型神经网络 86
4.1 概述 86
4.1.1 前馈型与反馈型神经网络的比较 86
4.1.2 反馈型神经网络模型 86
4.2 离散型Hopfield神经网络 88
4.2.1 离散型Hopfield神经网络模型 88
4.2.2 网络的稳定性定理 89
4.2.3 网络权值的学习 91
4.2.4 网络的稳定性实验 94
4.2.5 联想记忆 95
4.3 连续型Hopfield神经网络 99
4.3.1 网络结构和数学模型 99
4.3.2 网络的稳定性分析 100
4.4 Hopfield网络的应用实例 102
4.4.1 用于求解TSP问题 102
4.4.2 用于求解货流问题 104
4.4.3 在通信网络中的应用 107
4.4.4 广域网中的路由选择问题 108
4.5 Boltzmann机 111
4.5.1 Boltzmann机的网络模型 111
4.5.2 模拟退火算法 112
4.5.3 Boltzmann机的学习算法 114
4.6 双向联想记忆网络 118
4.7 海明网络 119
第五章 自组织竞争神经网络模型 122
5.1 概述 122
5.2 自组织特征映射网络 122
5.2.1 网络拓扑结构及工作过程 123
5.2.2 自组织映射学习算法 123
5.2.3 自组织映射网络的工作原理 124
5.2.4 网络的应用实例 125
5.3 自适应共振理论模型 128
5.3.1 自适应共振理论（ART） 128
5.3.2 ART1神经网络 128
5.3.3 ART1网络学习算法的改进 131
5.3.4 ART2神经网络 131
5.3.5 ART神经网络在人像识别中的应用 137
5.4 神经认知机 140
参考文献 143
第二篇 模糊系统 147
第六章 模糊数学基础 147
6.1 概述 147
6.1.1 传统数学与模糊数学 147
6.1.2 不相容原理 147
6.2 模糊集合与隶属度函数 148
6.2.1 模糊集合及其运算 148
6.2.2 隶属度函数 152
6.3 模糊逻辑与模糊推理 154
6.3.1 模糊逻辑 154
6.3.2 语言变量 154
6.3.3 模糊推理 156
第七章 模糊控制理论 160
7.1 模糊控制原理 160
7.1.1 模糊控制 160
7.1.2 模糊控制器的基本结构与工作原理 162
7.2 模糊控制器的种类和设计 164
7.2.1 模糊控制器的分类 164
7.2.2 模糊控制器的设计方法 165
7.3 模糊控制的应用 165
7.3.1 蒸汽发动机的模糊控制系统 165
7.3.2 还原炉温度的模糊控制系统 168
7.4 模糊控制规则的调整 171
7.4.1 带有修正因子的模糊控制器 171
7.4.2 自适应模糊控制器 173
第八章 模糊神经网络与神经模糊系统 176
8.1 神经网络与模糊系统 176
8.1.1 神经网络与模糊系统的结合是发展的必然 176
8.1.2 神经网络与模糊系统的结合方式 177
8.2 模糊神经网络 178
8.2.1 模糊神经网络分类器 178
8.2.2 基于模糊推理的神经网络 179
8.2.3 基于广义模糊加权型推理法的神经网络 180
8.2.4 模糊神经网络和前馈型网络的组合式网络模型 192
8.3 神经模糊系统 195
8.3.1 基于神经网络的自适应模糊控制器 195
8.3.2 适应性模糊联想记忆系统 197
8.3.3 基于神经网络的模糊系统建模 198
8.3.4 快速规则搜索的模糊系统建模 199
参考文献 203
第三篇 进化计算 207
第九章 遗传算法 207
9.1 生物进化与遗传算法的发展 207
9.2 传统遗传算法 209
9.3 遗传算法的特点与研究课题 213
第十章 遗传算法的数学基础 217
10.1 模式（Schema）概念 217
10.2 模式定理 218
10.3 关于模式定理的讨论 222
10.4 隐并行性 223
10.5 积木块假说 224
第十一章 遗传算法的实现技术 226
11.1 编码 226
11.2 群体设定 228
11.3 适应度函数 229
11.4 遗传操作 233
11.4.1 选择算子 233
11.4.2 交叉算子 235
11.4.3 变异算子 237
第十二章 遗传算法的若干改进研究 239
12.1 避免陷于局部极小的遗传算法 239
12.2 一种快速收敛的遗传算法 242
12.3 求解多值优化问题的回溯遗传算法 245
第十三章 遗传算法的收敛性 252
13.1 未成熟收敛 252
13.2 标准遗传算法的收敛性分析 253
13.3 基于扩展串的等价遗传算法的收敛性 257
13.4 选择和变异操作下遗传算法的收敛性 263
第十四章 用遗传算法解决组合优化问题 269
14.1 函数优化 269
14.2 基于遗传算法的Rosenbrock函数优化问题 272
14.3 邮递员路径问题（TSP） 277
第十五章 其他进化算法 281
15.1 遗传规划概述 281
15.1.1 遗传算法的局限性 281
15.1.2 遗传规划的提出 282
15.1.3 遗传规划简介 282
15.2 遗传规划基本原理 284
15.2.1 个体的描述方法 284
15.2.2 初始群体的生成 285
15.2.3 适应性度量 286
15.2.4 主要操作 287
15.2.5 结果标定 289
15.2.6 控制参数 290
15.3 遗传规划在符号回归中的应用 290
15.4 进化策略与进化规划 292
15.4.1 进化策略 292
15.4.2 进化规划 294
15.4.3 遗传算法与进化策略和进化规划的比较 295
参考文献 296