第0章 绪论 1
0.1 智能计算方法 1
0.2 智能计算方法产生与发展 1
0.2.1 模糊计算的产生与发展 2
0.2.2 神经计算的产生与发展 3
0.2.3 进化计算的产生与发展 4
0.2.4 群智能计算的产生与发展 5
0.3 智能计算方法分类 6
习题0 7
第1篇模糊计算 12
第1章 模糊计算数学基础 12
1.1 模糊集合 12
1.1.1 模糊集合定义 12
1.1.2 模糊集合的表示方式 13
1.1.3 隶属函数 13
1.1.4 模糊集合的基本运算 16
1.1.5 模糊集合与经典集合的联系 17
1.2 模糊关系 19
1.2.1 模糊关系 19
1.2.2 模糊关系的合成 21
1.2.3 模糊变换 23
1.3 模糊逻辑 23
1.3.1 模糊逻辑运算 23
1.3.2 模糊逻辑算子 24
习题1 25
第2章 模糊推理与模糊系统 26
2.1 模糊语言 26
2.1.1 模糊语言 26
2.1.2 模糊语言算子 27
2.2 模糊规则 27
2.3 模糊推理 28
2.3.1 Mamdani模糊推理法 28
2.3.2 Larsen模糊推理法 33
2.3.3 Zadeh模糊推理法 36
2.3.4 Takagi-Sugeno模糊推理法 36
2.4 模糊系统 37
2.4.1 模糊系统的组成结构 38
2.4.2 模糊系统的组成单元 38
2.5 模糊控制系统 39
2.5.1 模糊控制的基本原理 40
2.5.2 模糊控制器设计 41
2.5.3 模糊控制器设计实例 43
习题2 50
第3章 模糊聚类分析 51
3.1 模糊聚类分析的一般步骤 51
3.2 最佳分类阈值λ的确定 59
3.3 模糊聚类分析方法的应用实例 60
习题3 67
第4章 模糊计算的发展与展望 68
第2篇神经计算 73
第5章 人工神经网络基础 73
5.1 人工神经网络生物学基础 73
5.2 人工神经元基本结构与数学模型 74
5.2.1 人工神经元基本结构 74
5.2.2 人工神经元数学模型 75
5.3 人工神经网络基本结构、学习方式与基本特性 76
5.3.1 人工神经网络基本结构 76
5.3.2 人工神经网络基本学习方式 78
5.3.3 人工神经网络基本特性 81
5.4 人工神经网络设计 82
习题5 84
第6章 BP神经网络 85
6.1 BP神经网络基本概念 85
6.2 BP神经网络基本模型与学习算法 85
6.2.1 BP神经网络基本模型 85
6.2.2 BP神经网络学习算法 86
6.2.3 BP神经网络特点 89
6.3 BP神经网络的MATLAB实现 90
6.4 应用实例——利用BP神经网络进行预测 94
6.4.1 MATLAB程序实现 95
6.4.2 nntool神经网络工具箱的使用 96
6.5 应用实例——利用BP神经网络进行鸢尾花分类 99
6.5.1 iris数据集简介 99
6.5.2 基于BP神经网络的鸢尾花分类 100
6.6 BP神经网络算法的改进 104
6.6.1 附加动量法 104
6.6.2 自适应学习速率 105
6.6.3 动量-自适应学习速率调整算法 105
6.6.4 其他需要探索解决的问题 105
习题6 106
第7章 径向基函数神经网络 107
7.1 RBF神经网络的基本概念 107
7.2 径向基函数神经网络模型 107
7.3 BPF神经网络设计 110
7.3.1 隐层单元个数的确定 110
7.3.2 基函数中心cp的确定 111
7.3.3 基函数宽度（扩展常数）的确定 112
7.3.4 权系数w的确定 112
7.4 RBF神经网络MATLAB实现 112
7.5 应用实例——利用RBF神经网络解决分类问题 116
7.6 应用实例——利用RBF神经网络的目标威胁评估 119
7.6.1 基于RBF神经网络的函数拟合 120
7.6.2 目标威胁评估 121
7.7 RBF神经网络的改进 125
7.7.1 RBF神经网络的不足 125
7.7.2 RBF神经网络改进算法 125
习题7 127
第8章 卷积神经网络 128
8.1 卷积神经网络模型 128
8.2 卷积神经网络主要特征 129
8.2.1 局部感知 130
8.2.2 参数共享 130
8.2.3 多卷积核 131
8.2.4 池化 132
8.3 卷积神经网络的数学描述 133
8.3.1 卷积运算 133
8.3.2 激活运算 134
8.3.3 池化运算 136
8.3.4 全连接计算 137
8.3.5 Softmax回归 137
8.3.6 反向传播算法 140
8.4 应用实例——手写数字识别 141
8.4.1 问题描述 141
8.4.2 基于LeNet-5网络结构的数字识别方法 141
8.4.3 MATLAB程序实现 142
8.5 应用实例——基于GoogleNet的图片分类 146
8.5.1 基于GoogleNet进行图片分类 146
8.5.2 基于GoogleNet迁移学习的图片分类 149
8.6 几种改进的卷积神经网络 154
习题8 155
第9章 神经计算的发展与展望 156
第3篇进化计算 161
第10章 遗传算法 161
10.1 遗传算法的生物学基础 161
10.2 遗传算法的基本理论 162
10.2.1 遗传算法的基本原理 162
10.2.2 全局优化问题 162
10.2.3 遗传算法的实现流程 162
10.2.4 遗传算法基本要素 163
10.3 遗传算法的MATLAB实现 170
10.4 应用实例——利用遗传算法求解规划问题 176
10.5 应用实例——利用遗传算法求解物流配送路径优化问题 177
10.5.1 物流配送路径优化问题 177
10.5.2 基于GA进行求解 179
10.6 遗传算法特点及其改进算法 186
习题10 190
第11章 人工免疫算法 191
11.1 人工免疫算法的生物学机理 191
11.1.1 生物免疫系统的基本概念 191
11.1.2 生物免疫系统的组成与功能 192
11.2 人工免疫算法的基本概念 193
11.3 人工免疫算法的基本原理 195
11.3.1 人工免疫算法的算子 195
11.3.2 Markov链描述 198
11.4 人工免疫算法的实现步骤与计算流程 199
11.4.1 基本免疫算法的实现步骤与计算流程 199
11.4.2 疫苗免疫算法的实现步骤与计算流程 200
11.4.3 克隆免疫算法的实现步骤与计算流程 201
11.5 人工免疫算法的MATLAB实现 202
11.6 应用实例——群决策问题的权重确定 205
11.7 应用实例——电梯交通动态分区优化 210
11.7.1 电梯的动态分区模型 210
11.7.2 基于人工免疫算法的电梯动态分区模型求解 212
11.8 人工免疫算法的特点与发展方向 217
11.8.1 人工免疫算法的特点 217
11.8.2 人工免疫算法的发展方向 218
习题11 219
第12章 差分进化算法 220
12.1 差分进化算法的基本概念 220
12.2 差分进化算法的基本理论 220
12.2.1 差分进化算法基本原理 220
12.2.2 基本差分进化算法的流程图 221
12.2.3 差分进化算子 222
12.2.4 差分进化算法控制参数 224
12.3 差分进化算法的MATLAB实现 224
12.4 应用实例——电力系统负荷分配 227
12.4.1 目标函数 227
12.4.2 约束条件 228
12.4.3 利用差分进化算法进行求解 228
12.5 应用实例——求解车间调度问题（JSP） 234
12.5.1 车间调度问题 234
12.5.2 基于DE的车间调度问题求解 235
12.6 差分进化算法的改进 240
12.6.1 对变异操作算子的改进 240
12.6.2 对交叉操作算子的改进 240
习题12 241
第13章 进化计算的发展与展望 242
第4篇群智能计算 247
第14章 粒子群优化算法 247
14.1 粒子群优化算法的基本概念 247
14.2 粒子群优化算法的基本原理 248
14.3 MATLAB程序实现 249
14.4 应用实例——无线传感器网络节点定位 252
14.5 应用实例——求解PID控制器设计问题 257
14.6 粒子群优化算法的改进 262
14.6.1 参数改进 262
14.6.2 结构改进-双群协同粒子群优化算法 263
习题14 265
第15章 蚁群优化算法 266
15.1 蚁群优化算法的基本概念 266
15.2 蚁群优化算法的基本原理 267
15.3 应用实例——求解TSP问题 269
15.3.1 TSP问题概述 269
15.3.2 求解TSP问题的蚁群优化算法流程 270
15.3.3 MATLAB程序 271
15.4 应用实例——连续无约束优化 274
15.5 蚁群优化算法的改进 278
15.5.1 基于2-opt局部搜索策略改进蚁群优化算法 278
15.5.2 混沌扰动的模拟退火算法 279
习题15 280
第16章 人工蜂群算法 281
16.1 人工蜂群算法的基本概念 281
16.2 人工蜂群算法的基本原理 282
16.3 应用实例——求解武器目标分配问题 285
16.3.1 武器目标分配模型 285
16.3.2 利用人工蜂群算法求解步骤 285
16.3.3 求解问题 286
16.3.4 求解结果及程序 286
16.4 应用实例——求解K-means聚类问题 291
16.4.1 K-means聚类问题描述 292
16.4.2 聚类问题的数学模型 292
16.4.3 K-means算法描述 293
16.4.4 聚类实例 293
16.4.5 MATLAB程序 294
16.5 人工蜂群算法的改进 299
16.5.1 几种改进策略 299
16.5.2 几种改进的人工蜂群算法 301
习题16 304
第17章 群智能计算的发展与展望 305
附录 测试函数 308
参考文献 310