第1章 绪论——从人工智能到计算智能 1
1.1 人工智能的发展 1
1.1.1 人工智能的萌芽 1
1.1.2 人工智能的诞生 3
1.1.3 人工智能的发展 6
1.2 人工智能预言、现状和未来 9
1.3 人工智能的新生：计算智能 10
1.3.1 人工神经网络 10
1.3.2 模糊逻辑 10
1.3.3 进化计算 11
1.3.4 计算智能 11
1.4 智能的三个层次 12
1.5 计算智能领域研究成果 12
1.5.1 进化计算研究成果 12
1.5.2 模糊理论研究成果 16
1.5.3 人工神经网络研究成果 19
习题 22
参考文献 22
第2章 进化计算 29
2.1 绪论 29
2.1.1 引例 29
2.1.2 从进化论到进化计算 31
2.2 遗传算法 37
2.2.1 遗传算法简介 37
2.2.2 遗传的特点 38
2.2.3 示例 38
2.2.4 遗传算法的基本框架 40
2.2.5 遗传算法的优点 40
2.2.6 遗传算法的五个关键问题 41
2.3 遗传编码和种群初始化 41
2.3.1 遗传编码 41
2.3.2 种群初始化 46
2.4 交叉和变异 47
2.4.1 交叉算子 47
2.4.2 变异算子 50
2.5 选择和适应度函数 52
2.5.1 选择 52
2.5.2 适应度函数 54
2.5.3 适应度共享和群体多样性 56
2.6 遗传算法用于求解数值优化问题 57
2.7 遗传算法的理论基础 65
2.7.1 模式理论 65
2.7.2 建筑块假说 69
2.8 进化算法的收敛性分析 71
2.8.1 收敛性的定义 71
2.8.2 基于压缩映射原理的收敛性分析 71
2.8.3 基于有限Markov链的收敛性分析 72
2.8.4 公理化模型 73
2.9 基于进化计算的约束优化问题 75
2.9.1 无约束优化问题 75
2.9.2 约束优化问题的形式及处理方法 80
2.9.3 罚函数 82
2.9.4 应用GA求解约束优化问题 86
2.9.5 随机优化问题 89
2.9.6 非线性目标规划问题 94
2.9.7 区间规划问题 98
2.10 基于进化计算的组合优化问题 104
2.10.1 组合优化问题的基本概念 104
2.10.2 背包问题 104
2.10.3 TSP问题 111
2.11 基于进化计算的多目标优化问题 124
2.11.1 多目标优化的基本思想 124
2.11.2 遗传算法求解多目标优化问题 129
2.11.3 适应度分配机制 131
2.11.4 多目标优化的主要算法 134
2.12 群智能算法 136
2.12.1 蚁群算法 137
2.12.2 粒子群算法 141
2.13 免疫克隆算法 143
2.13.1 从生物免疫到人工免疫系统 143
2.13.2 免疫进化算法 146
2.13.3 克隆选择计算 151
习题 157
参考文献 160
第3章 模糊逻辑 164
3.1 模糊理论基础 164
3.1.1 概率与模糊 165
3.1.2 模糊集合的定义 166
3.1.3 模糊集合和经典集合 167
3.1.4 模糊集合的表示方法 170
3.1.5 模糊集合的几何图示 171
3.1.6 模糊集合的运算 174
3.2 隶属度函数 178
3.2.1 隶属度函数的基本概念 178
3.2.2 隶属度函数遵守的基本原则 183
3.2.3 隶属度函数的设计 184
3.2.4 模糊集合的特性 188
3.2.5 模糊性的度量 190
3.3 模糊关系及运算 192
3.3.1 模糊关系 192
3.3.2 模糊关系的运算 195
3.4 模糊推理 197
3.4.1 模糊逻辑的特点及运算 197
3.4.2 模糊语言变量 198
3.4.3 模糊推理 201
3.4.4 模糊化和去模糊化 205
3.5 模糊控制系统 207
3.5.1 模糊控制 207
3.5.2 模糊控制器 208
3.6 模糊聚类分析 210
3.6.1 问题的提出 210
3.6.2 模糊聚类分析的基础知识 210
3.6.3 模糊聚类分析的一般步骤 212
3.7 模糊综合评判模型 217
3.8 模糊理论在图像处理中的应用 221
3.8.1 基于模糊稀疏自编码器框架的单幅图像人脸识别算法 221
3.8.2 基于模糊超像素表征学习的PolSAR图像分类 232
习题 245
参考文献 246
第4章 人工神经网络 252
4.1 绪论 252
4.1.1 人工神经网络简介 252
4.1.2 人工神经网络的发展 254
4.1.3 人工神经网络的应用与实现 257
4.2 人工神经单元——单感知器 260
4.2.1 生物学基础 260
4.2.2 感知器模型 261
4.2.3 激活函数 263
4.2.4 感知器参数学习 266
4.3 人工神经网络 268
4.3.1 单层神经网络 269
4.3.2 多层神经网络 269
4.3.3 神经网络参数学习 270
4.3.4 人工神经网络的信息处理能力 271
4.4 神经网络的学习方法 272
4.4.1 Hebb规则 272
4.4.2 梯度下降方法 276
4.4.3 误差反向传播算法 280
4.4.4 其他学习方法 282
4.5 径向基函数网络 284
4.5.1 径向基函数简介 284
4.5.2 径向基函数网络概念 285
4.5.3 径向基函数网络的模型 285
4.5.4 径向基函数网络的工作原理及特点 286
4.5.5 径向基函数网络的学习算法 287
4.6 深度神经网络 289
4.6.1 有监督学习与无监督学习 289
4.6.2 卷积神经网络 289
4.6.3 循环神经网络 298
4.6.4 生成对抗网络 303
4.6.5 增强学习 309
习题 314
参考文献 315