第1章 人工神经网络 1
1.1 人工神经网络概述 1
1.1.1 人工神经网络的发展 1
1.1.2 人工神经网络的结构 2
1.1.3 人工神经网络的学习算法 3
1.2 前馈网络及其应用 5
1.2.1 感知器学习算法 5
1.2.2 反向传播算法及其改进算法 6
1.2.3 SVM模型 8
1.2.4 前馈网络的应用 12
1.3 反馈网络及其应用 15
1.3.1 离散Hopfield网络模型 15
1.3.2 连续Hopfield网络模型 16
1.3.3 反馈网络及其优化中的应用 17
1.4 竞争网络与自组织网络 19
1.4.1 竞争网络原理与模型 19
1.4.2 向量量化与广义向量量化模型 22
1.5 模糊神经网络及其应用 26
1.5.1 模糊感知器模型 26
1.5.2 模糊BP网络 27
1.5.3 模糊ART模型 27
1.5.4 模糊Kohonen聚类网络 28
1.5.5 Pi-Sigma模糊神经网络模型及其应用 29
1.5.6 补偿模糊神经网络模型及其应用 33
1.5.7 模糊CMAC神经网络模型及其应用 41
本章参考文献 47
第2章 进化计算 49
2.1 引言 49
2.1.1 难以求解的问题 49
2.1.2 从生物进化到进化计算 51
2.1.3 为什么使用进化算法 52
2.1.4 进化算法与相关学科的关系 54
2.1.5 进化计算的发展历史 55
2.2 进化算法的统一框架 59
2.2.1 表示方式 59
2.2.2 评估函数 60
2.2.3 种群 60
2.2.4 选择算子 60
2.2.5 变化算子 61
2.2.6 初始化和终止 62
2.2.7 进化算法与其他技术的混合 62
2.3 进化多目标的计算 64
2.3.1 多目标优化 64
2.3.2 求解多目标优化的传统数学规划方法 65
2.3.3 进化多目标优化 66
2.4 进化算法的适用范围 67
本章参考文献 69
第3章 灰色系统理论 70
3.1 灰色系统的概念与基本原理 70
3.1.1 灰色系统理论的产生 70
3.1.2 灰色系统的基本概念与基本原理 71
3.1.3 灰色系统理论的主要内容 71
3.2 序列算子与灰色序列生成 71
3.2.1 引言 71
3.2.2 冲击扰动系统与序列算子 72
3.2.3 均值生成算子 77
3.2.4 准光滑序列 78
3.2.5 级比生成算子 78
3.2.6 累加生成算子与累减生成算子 79
3.2.7 累加生成的灰指数率 80
3.3 灰色关联分析 82
3.3.1 灰色关联因素和关联算子集 84
3.3.2 灰色关联公理与灰色关联度 86
3.3.3 广义灰色关联度 87
3.3.4 优势分析 94
3.4 灰色聚类评估 96
3.4.1 灰色关联聚类 97
3.4.2 灰色变权聚类 99
3.4.3 灰色定权聚类 102
3.4.4 基于三角白化权函数的灰色评估 103
3.5 灰色预测模型 104
3.5.1 GM（1,1）模型 104
3.5.2 GM（1,1）模型的适用范围 106
3.5.3 GM（1,N）和GM（0,N）模型 110
3.5.4 GM（2,1）和Verhulst模型 112
3.5.5 区间预测模型 114
3.5.6 灰色灾变预测模型 116
3.5.7 灰色波形预测模型 119
3.6 灰色决策模型 123
3.6.1 灰色决策基本概念 123
3.6.2 灰靶决策 125
3.6.3 单目标化局势决策 129
本章参考文献 133
第4章 模糊决策分析 134
4.1 模糊集的概念和运算 134
4.1.1 模糊集的概念 134
4.1.2 模糊集的运算 135
4.1.3 模糊集合与普通集合的相互转化 136
4.1.4 模糊子集的其他运算 137
4.2 模糊关系 137
4.2.1 模糊关系和模糊矩阵的运算 137
4.2.2 模糊关系的合成 141
4.2.3 倒置关系与转置关系 142
4.2.4 模糊关系的传递性 143
4.2.5 模糊等价关系与聚类图 144
4.2.6 模糊聚类分析 146
4.3 模糊映射与模糊变换 152
4.3.1 普通映射的扩展与模糊映射 152
4.3.2 模糊映射、模糊关系和模糊变换之间的关系 155
4.3.3 贴近度与择近原则 156
4.4 模糊综合评价 158
4.4.1 简单模糊综合评价 158
4.4.2 多层次模糊综合评价 160
4.5 模糊多属性决策 162
4.5.1 模糊多属性决策模型 163
4.5.2 属性指标值的处理方法 165
4.5.3 决策模型 168
本章参考文献 172
第5章 粗糙集理论与方法 173
5.1 粗糙集理论的基本概念 173
5.1.1 概述 173
5.1.2 信息系统 174
5.1.3 集合近似与粗糙集 176
5.1.4 粗糙集理论研究的基本问题与热门话题 178
5.2 粗糙集的知识约简理论 182
5.2.1 概述 182
5.2.2 知识约简的基本定义 182
5.2.3 知识约简的分辨矩阵法 185
5.2.4 知识约简的启发式算法 192
5.3 不同粗糙集模型的知识约简算法 197
5.3.1 变精度粗糙集模型的知识约简 197
5.3.2 不完备决策表的知识约简 201
5.3.3 模糊决策信息系统的知识约简 210
5.4 粗糙集理论的应用 213
5.4.1 在数据挖掘中的应用 214
5.4.2 在医疗诊断中的应用 215
5.4.3 在专家系统中的应用 217
5.4.4 在图像处理中的应用 218
5.4.5 在模式识别中的应用 219
5.4.6 在决策分析中的应用 222
本章参考文献 223
第6章 系统仿真与系统动力学 225
6.1 系统仿真的概念与原理 225
6.1.1 系统仿真的概念与分类 225
6.1.2 系统仿真的基本方法 227
6.2 连续系统仿真与离散系统仿真 228
6.2.1 连续系统仿真 228
6.2.2 离散系统仿真 237
6.2.3 有关系统仿真的新技术 253
6.3 统计试验仿真方法（蒙特卡罗方法） 258
6.3.1 蒙特卡罗方法的原理 258
6.3.2 随机数和随机变量的产生 266
6.3.3 蒙特卡罗方法的步骤及检验 276
6.3.4 蒙特卡罗方法应用于作战仿真 277
6.4 系统动力学 279
6.4.1 系统动力学概述 279
6.4.2 因果关系图与流图 283
6.4.3 系统动力学方程 289
6.4.4 系统动力学语言 292
本章参考文献 296
第7章 系统综合理论及信息融合技术 298
7.1 系统综合理论 298
7.1.1 综合性是系统概念和系统工程方法的基本特征 298
7.1.2 综合与集成概念 301
7.1.3 综合是系统工程最基本的概念 303
7.1.4 方法论层次上的综合 305
7.1.5 技术层次上的综合 317
7.1.6 工程系统的综合 321
7.2 信息融合技术简介 328
7.2.1 概述 329
7.2.2 信息融合的基本模型 331
7.2.3 信息融合的主要方法与技术 336
本章参考文献 349
第8 章物元分析与集对分析 351
8.1 物元分析 351
8.1.1 物元分析方法简介 351
8.1.2 物元的概念与特性 353
8.1.3 物元变换 359
8.1.4 可拓集合与关联函数 364
8.1.5 物元分析应用实例 369
8.2 集对分析与同异反运筹决策 377
8.2.1 集对的概念 378
8.2.2 集对分析 378
8.2.3 应用案例 390
本章参考文献 394
第9章 应用于运筹的软计算方法 396
9.1 蚁群优化算法 396
9.1.1 概述 396
9.1.2 基本原理 396
9.1.3 系统模型及其实现 397
9.1.4 蚁群算法的实际应用 399
9.2 免疫算法 404
9.2.1 概述 404
9.2.2 基本原理 405
9.2.3 基本的计算步骤 407
9.2.4 免疫算法在车辆路径优化问题中的应用 408
9.3 禁忌搜索算法 412
9.3.1 禁忌搜索算法的基本概念 412
9.3.2 禁忌搜索算法的收敛性 424
9.3.3 禁忌搜索算法的应用 426
9.3.4 禁忌搜索算法的发展 436
9.4 模拟退火算法 439
9.4.1 模拟退火算法的基本思想 440
9.4.2 模拟退火算法的基本步骤 441
9.4.3 模拟退火算法的改进和发展 447
本章参考文献 451
编后记 453
作者简介 455