1 绪论 1
1.1 软计算的提出背景与动因 1
1.2 软计算的内容和方法 3
1.2.1 模糊逻辑或模糊计算 4
1.2.2 神经计算 5
1.2.3 进化计算 6
1.2.4 模拟退火 7
1.2.5 序数优化 7
1.2.6 软计算的分类 8
1.3 软计算的混合算法综述 8
1.3.1 混合算法的分类 9
1.3.2 软计算的典型混合方式及发展 10
1.4 面向优化、决策与控制的软计算若干应用进展 15
1.4.1 软计算在优化、决策与诊断中的应用 15
1.4.2 软计算在建模与控制中的应用 17
1.5 本书主要内容 19
本章附录 21
2 进化计算若干应用研究 37
2.1 引言 37
2.1.1 进化计算的生物学背景 37
2.1.2 进化的动力学机制 38
2.2 进化计算概述 39
2.2.1 进化计算的结构框架 40
2.2.2 进化计算的算法描述 41
2.3 进化计算中的适应度函数 42
2.3.1 单个目标函数适应度函数的基本类型 43
2.3.2 多目标适应度函数 48
2.4 共轭梯度——自适应遗传算法研究 49
2.4.1 引言 49
2.4.2 共轭梯度——自适应遗传算法 50
2.4.3 算例 54
2.5 嵌入演化策略的双种群遗传算法 56
2.5.1 引言 56
2.5.2 算法简介 57
2.5.3 算例结果 60
2.6 分而治之多种群遗传算法 61
2.6.1 引言 61
2.6.2 “分而治之”（divide and conquer）模式／策略 62
2.6.3 算法介绍 64
2.6.4 仿真算例 66
2.6.5 结论 70
2.7 应用分析—微机电系统的遗传鲁棒优化设计 71
2.7.1 数学模型 71
2.7.2 基于遗传算法的微机电系统鲁棒设计 72
2.7.3 结语 77
本章附录 78
3 局部回归Elman网络算法研究及辨识应用 91
3.1 引言 91
3.2 Elman网络学习算法的注记 92
3.2.1 Elman网络简介 92
3.2.2 Elman网络的学习算法讨论 93
3.3 动态反传算法的收敛性（1） 95
3.3.1 对角回归神经网络及其动态反传算法 96
3.3.2 收敛性与稳定性 98
3.4 动态反传算法的收敛性（2） 102
3.4.1 定理3.1的注记 102
3.5 基于动态反传——共轭梯度算法的系统辨识 108
3.5.1 引言 108
3.5.2 算法步骤 108
3.5.3 仿真实例 109
4 建模中的若干模块化神经网络方法 112
4.1 引言 112
4.2 模块化神经网络若干子网集成研究 114
4.2.1 网络结构 114
4.2.2 子网的集成方法研究 115
4.2.3 仿真研究 119
4.3 模块化神经网络的Bayes子网集结新算法 123
4.3.1 引言 123
4.3.2 基于改进的Bayes学习的子网集结方法 124
4.3.3 仿真研究 129
4.3.4 基于序贯Bayes学习的子网集结方法 131
本章附录 139
5 遗传——自适应模糊控制 151
5.1 引言 151
5.2 自适应控制算法 152
5.2.1 控制系统结构 152
5.2.2 量化因子和自适应模糊控制算法 154
5.2.3 自适应遗传算法 156
5.3 面向复杂系统的控制算法仿真研究 159
5.4 几点讨论 166
5.5 本章小结 168
6 倒立摆系统的控制概述 169
6.1 引言 169
6.1.1 研究倒立摆控制的意义 169
6.1.2 倒立摆控制的若干典型研究进展 169
6.2 二级与三级倒立摆的数学模型 171
6.2.1 二级倒立摆的仿真模型 171
6.2.2 三级倒立摆的仿真模型 173
6.3 几种倒立摆的典型智能控制策略 175
6.3.1 基于状态空间的模糊控制 175
6.3.2 模糊串级控制 175
6.3.3 基于T—S模型的基因模糊控制文献 176
6.3.4 拟人智能控制 177
6.3.5 神经网络控制方法 178
7 多级倒立摆系统的进化控制 179
7.1 进化线性控制 179
7.1.1 控制思想 179
7.1.2 控制系统结构图与算法 179
7.1.3 仿真研究 181
7.2 多级倒立摆的进化控制算法的改进 183
7.2.1 问题的提出 183
7.2.2 状态变量的关联度分析 183
7.2.3 改进的进化控制策略 186
7.2.4 关于一类控制策略的评论 190
7.3 本章总结及进一步研究目标 191
7.3.1 工作总结 191
7.3.2 进一步研究目标 191
8 全书总结与展望 193
8.1 全书总结 193
8.2 研究展望 195
参考文献 196
附录1 213
附录2 229