1 绪论 1
1.1从传统人工智能到计算智能 1
1.1.1 智能 1
1.1.2传统人工智能 1
1.1.3计算智能 2
1.1.4其他智能理论 2
1.1.5计算智能各领域间的联系 3
1.2智能控制 3
1.2.1控制理论的产生及其发展 3
1.2.2智能控制的产生及其发展 4
1.2.3智能控制的基本概念 5
1.2.4智能控制的学科范畴 6
1.2.5智能控制的未来与挑战 6
1.3小结 7
思考题 7
2 模糊控制 8
2.1概述 8
2.1.1模糊控制的发展简史 8
2.1.2模糊控制的研究进展 8
2.2.1模糊集合 14
2.2模糊数学基础 14
2.1.3模糊控制的应用领域 14
2.2.2模糊运算 15
2.2.3模糊关系 16
2.2.4模糊变换 17
2.2.5模糊推理 18
2.2.6模糊决策 20
2.3模糊控制的基本原理 21
2.3.1模糊控制器的基本结构 21
2.4模糊控制系统的分析和设计 22
2.4.1模糊控制器的解析结构 22
2.3.2模糊控制系统的组成 22
2.4.2模糊控制系统的稳定性分析 41
2.4.3模糊系统万能逼近理论 44
2.5模糊控制的工程应用 51
2.5.1激光加热中组织温度的实时模糊控制 52
2.5.2 Internet网络的智能搜索 56
2.6小结 60
实验 61
思考题 61
参考文献 62
3.1.1神经元模型 64
3 神经网络控制 64
3.1概述 64
3.1.2神经网络的结构和学习规则 65
3.1.3神经网络的发展概况 68
3.1.4神经网络的研究范畴 69
3.2神经网络的基本理论 70
3.2.1有监督学习神经网络 70
3.2.2无监督学习和反馈神经网络 77
3.2.3模糊神经网络 86
3.3.1神经网络逼近理论 100
3.3基于神经网络的系统建模 100
3.3.2基于神经网络的系统建模 101
3.4神经网络控制系统的结构 102
3.4.1基于神经网络的学习控制 102
3.4.2基于神经网络的直接逆控制 103
3.4.3基于神经网络的自适应控制 103
3.4.4基于神经网络的内模控制 105
3.4.5基于神经网络的预测控制 105
3.4.6基于CMAC的控制 106
3.4.7基于多层神经网络的控制 106
3.4.10神经网络专家控制 107
3.4.9基于模糊神经网络的控制 107
3.4.8基于神经网络的递阶控制 107
3.5神经网络的应用 108
3.5.1 ATM的流量控制 108
3.5.2倒立摆系统的神经网络控制 113
3.6小结 114
实验 115
思考题 115
参考文献 115
4.1.1从生物进化到进化计算 116
4.1概述 116
4 进化计算与遗传算法 116
4.1.2进化计算的主要分支 118
4.1.3进化计算的主要特点 120
4.1.4进化计算的研究内容 122
4.1.5进化计算的应用 123
4.2进化计算的基本原理 124
4.2.1进化计算的基本概念 124
4.2.2进化计算的基本结构（一般框架） 125
4.2.3进化计算的自适应性 128
4.2.4基本遗传算法的设计和实现 129
4.3.1遗传算法的一般收敛性理论 135
4.3进化计算的理论与分析 135
4.3.2遗传算法的马尔可夫链模型 137
4.3.3遗传算法的收敛速度分析 139
4.3.4遗传算法结构的分析与设计 139
4.3.5进化规划和进化策略的收敛性 141
4.4遗传算法的改进 141
4.4.1递阶（层次）遗传算法 141
4.4.2 CHC算法 142
4.4.4基于实数编码的遗传算法 143
4.4.5基于小生境技术的遗传算法 143
4.4.3 Messy遗传算法 143
4.4.6微种群算法 144
4.4.7双种群遗传算法 144
4.4.8自适应遗传算法 145
4.4.9混合遗传算法 146
4.4.10并行遗传算法 147
4.4.11协同多群体遗传算法 148
4.4.12混沌遗传算法 150
4.5进化计算的应用 151
4.5.1进化模糊控制系统 151
4.5.2进化神经网络 152
4.5.3基于遗传算法的分类器系统 155
4.5.4用遗传算法实现智能Internet搜索 156
4.6小结 160
实验 160
思考题 160
参考文献 160
5 人工免疫系统 163
5.1概述 163
5.1.1人工免疫系统的产生与发展 163
5.1.2人工免疫系统的研究范畴及应用 164
5.1.3免疫计算智能与其他智能技术的比较 165
5.2.1生物免疫系统的组成与特征 167
5.2生物免疫机理 167
5.2.2免疫系统的计算能力 169
5.2.3免疫系统的网络学说 170
5.2.4免疫系统的自己－非己识别机理 171
5.2.5免疫的学习机理 172
5.2.6免疫系统的反馈机理 172
5.2.7与免疫遗传算法相关的生物机理 173
5.3人工免疫网络模型 173
5.3.1基于独特型网络学说的人工免疫网络模型 173
5.3.2互联耦合免疫网络 176
5.3.3对称网络模型 177
5.3.4多值网络模型 178
5.3.5免疫通信网络 180
5.4免疫学习算法 181
5.4.1阴性选择算法 182
5.4.2学习算法 182
5.4.3免疫进化算法 183
5.4.4克隆选择算法 188
5.4.5免疫Agent算法 188
5.5.1基于免疫反馈机理的控制系统 189
5.5免疫计算智能系统的应用 189
5.5.2免疫自适应控制 193
5.5.3自律移动机器人 194
5.5.4免疫模式识别 195
5.5.5免疫故障诊断 195
5.5.6免疫思想在计算机安全中的应用 196
5.6小结 200
实验 200
思考题 200
参考文献 201
6.1.2专家系统的研究现状 204
6.1.1专家系统的基本概念 204
6 专家系统 204
6.1概述 204
6.1.3专家系统的应用领域 206
6.2专家系统的原理与结构 206
6.2.1专家系统的功能与结构 206
6.2.2专家系统的知识表示方法 207
6.2.3知识获取与知识库管理 214
6.2.4专家系统的自动推理机制 216
6.3神经网络专家系统 223
6.3.1传统专家系统与神经网络的集成 223
6.3.3基于神经网络的专家系统实例 224
6.3.2基于神经网络的知识处理 224
6.4模糊专家系统 226
6.4.1模糊专家系统与传统专家系统的区别 226
6.4.2模糊专家系统的特征 227
6.4.3模糊专家系统的构成 228
6.5专家控制系统 230
6.5.1专家控制系统的基本原理与结构 231
6.5.2实时专家控制系统 232
6.5.3直接专家控制系统和间接专家控制系统 233
6.5.4仿人智能专家控制系统 234
6.6.2基于UML技术的专家系统 237
6.6.1组件对象模型技术在专家系统中的应用 237
6.6专家系统与其他技术的结合应用 237
6.6.3基于数据挖掘的专家系统推理机制 238
6.6.4专家系统在网络管理中的应用 238
6.6.5专家系统在数据处理中的应用 239
6.7应用实例——道路交通事故处理辅助决策专家系统 239
6.7.1系统的总体结构 240
6.7.2系统的基本组成 240
6.7.3知识库内容的表示 242
6.7.4实验结果 244
思考题 245
实验 245
6.8小结 245
参考文献 246
7 学习控制系统 247
7.1概述 247
7.1.1学习控制的基本概念 247
7.1.2机器学习 248
7.1.3学习控制的框架 251
7.1.4学习控制的研究状况 252
7.2基于模式识别的学习控制 254
7.2.1模式分类 255
7.2.2线性再励学习控制 256
7.2.3 Bayes学习控制 257
7.3基于迭代和重复的学习控制 258
7.3.1迭代学习控制 259
7.3.2重复自学习控制 262
7.4联结主义学习控制 263
7.4.1直接自适应－学习控制 263
7.4.2间接自适应－学习控制 264
7.5增强式学习控制 265
7.5.1时间差分学习 265
7.5.2自适应启发式评判 266
7.5.3 Q－学习 268
7.5.4基于规则的自学习（模糊）控制 269
7.5.5基于进化计算的增强学习 270
7.6应用例子 271
7.6.1机器人足球问题 271
7.6.2采用增强学习的智能体用于单路口交通信号学习控制 273
7.6.3基于神经网络的增强学习算法 276
7.7小结 277
实验 277
思考题 278
参考文献 278
8.1.1生物背景 280
8 DNA计算与基于DNA的软计算 280
8.1概述 280
8.1.2 DNA计算 283
8.1.3 DNA计算与软计算的集成 285
8.1.4研究内容及其前景 286
8.2 DNA计算与DNA计算机 286
8.2.1 DNA计算的数学机理 287
8.2.2 DNA计算的研究进展 287
8.2.3 DNA计算的算法实现实例 289
8.2.4 DNA计算的优点及目前存在的问题 293
8.3.1 DNA计算与进化计算的集成 294
8.3 DNA计算与软计算的集成 294
8.3.2 DNA计算与模糊系统的集成 304
8.3.3 DNA计算与神经网络的集成 313
8.3.4 DNA计算与人工免疫系统的集成 318
8.3.5 DNA计算与其他智能系统的集成 320
8.4小结 321
实验 322
思考题 322
参考文献 322
9.1.1智能Agent 325
9.1概述 325
9 智能Agent及其应用 325
9.1.2多Agent系统 326
9.1.3移动Agent 327
9.1.4 Agent的应用领域与发展前景 327
9.2智能Agent的模型与结构 330
9.2.1智能Agent的模型 330
9.2.2智能Agent的系统结构 332
9.3智能Agent的通信与协调 337
9.3.1通信方式 337
9.3.2 Agent通信语言 337
9.3.3 Agent协调与协作 338
9.4移动Agent 340
9.4.1移动Agent及其计算模式 340
9.4.2移动Agent的优点 341
9.4.3移动Agent的总体结构 342
9.4.4一般移动Agent的具体构成 343
9.4.5移动Agent系统实现的技术难点 344
9.5面向智能Agent的软件开发技术、环境与工具 345
9.5.1开发技术、环境与工具的发展 345
9.5.2面向移动Agent的IBM Aglet平台 346
9.6.1基于多Agent的网络检索系统 348
9.6智能Agent的应用 348
9.6.2基于多Agent的智能供应链管理系统 351
9.7小结 357
实验 358
思考题 359
参考文献 359
10 粗集理论及其在智能系统中的应用 361
10.1概述 361
10.1.1粗集理论的基本概念及其特点 361
10.1.2粗集理论的研究进展 363
10.2.1粗模糊集合 364
10.2粗集理论与模糊集理论 364
10.2.2模糊粗集 365
10.3粗集理论与机器学习 366
10.3.1有导师学习及其算法 367
10.3.2知识学习的充分性 368
10.3.3导师知识的完备性 369
10.3.4推理学习 371
10.4粗集理论的应用 374
10.4.1任务分配 374
10.4.2协同模型 377
10.4.3信息度量 381
10.4.4移动计算 383
10.4.5群决策一致性 389
10.5小结 395
实验 395
思考题 396
参考文献 396
11 混沌控制与同步 398
11.1概述 398
11.1.1混沌的定义及特性 398
11.1.2混沌控制与同步的研究现状 402
11.2.1基于参数的混沌控制方法——OGY方法 404
11.2混沌系统的经典控制方法 404
11.2.2基于OGY方法的改进——Riccati方程法 405
11.2.3基于OGY方法的改进——极点配置法 407
11.2.4混沌系统的反馈控制 409
11.2.5几种控制方法的比较 410
11.3混沌系统的智能控制 410
11.3.1模糊系统中的混沌 411
11.3.2混沌系统的模糊控制 412
11.3.3神经网络中的混沌 414
11.3.4基于神经网络的混沌控制 416
11.4.2混沌反馈同步 417
11.4混沌同步 417
11.4.1混沌系统同步原理 417
11.4.3驱动－响应同步法 419
11.4.4主动被动同步法 421
11.4.5混沌自适应同步 422
11.4.6混沌神经网络的同步控制方法 430
11.4.7几种混沌同步方法的比较 431
11.5混沌同步方法在通信保密中的应用 432
11.5.1保密通信应用现状 432
11.5.2传统同步通信方法 433
11.5.3混沌同步通信方法 433
实验 435
11.6小结 435
思考题 436
参考文献 436
12 网络智能自动化 438
12.1概述 438
12.1.1智能网技术 438
12.1.2智能化网络管理与控制 439
12.1.3网络信息检索的智能化 441
12.1.4网络智能自动化发展趋势——主动网络技术 441
12.2.1智能网的体系结构 442
12.2智能网 442
12.2.2智能网业务 444
12.3智能化网络体系结构 445
12.3.1网络管理与控制体系结构 445
12.3.2网络管理的移动式智能Agent结构 446
12.3.3网格的体系结构 449
12.3.4基于生物网络结构的网络管理平台 451
12.4网络智能应用 456
12.4.1网络智能信息检索服务 456
12.4.2基于Web的智能数据挖掘 464
12.4.3网格计算的计算智能 467
12.5网络智能自动化发展趋势——主动网络技术 471
12.5.1主动网络技术简介 471
12.5.2主动网络的实现方案及其体系结构 472
12.5.3主动网络的具体应用及其安全问题 474
12.5.4主动网络的研究现状 478
12.6 小结 479
实验 479
思考题 479
参考文献 480