第1章 绪论 1
1.1 最优化问题的描述 1
1.2 函数优化问题 2
1.3 组合优化问题 2
1.4 最优化问题的智能优化求解方法 2
1.5 智能优化算法的实质——智能逼近 4
第2章 模糊逻辑推理算法 6
2.1 模糊集合与模糊逻辑 6
2.2 模糊关系与模糊矩阵 8
2.3 模糊语言与模糊推理 9
2.4 可加性模糊系统 11
2.5 模糊系统的逼近特性 12
2.6 模糊系统的万能逼近定理 13
第3章 神经网络学习算法 18
3.1 电脑与人脑 18
3.2 神经细胞的结构与功能 18
3.3 人工神经元的基本特性 19
3.4 人工神经网络及其特点 20
3.5 神经网络的结构及其分类 22
3.6 前向网络 23
3.7 BP网络的非线性映射能力 27
3.8 神经网络应用 30
第4章 进化算法与遗传算法 31
4.1 生物的进化与遗传 31
4.2 进化算法的分类 31
4.3 遗传算法 32
4.4 基本遗传算法及其在函数优化中的应用 35
4.5 遗传算法的模式定理 37
4.6 GA的收敛性分析 38
4.7 GA的特点及其应用领域 38
第5章 模拟退火算法 40
5.1 SA的基本思想 40
5.2 固体退火过程的统计力学 40
5.3 模拟退火模型 41
5.4 Metropolis算法与组合优化问题 43
5.5 SA的主要操作及实现步骤 44
5.6 用SA求解TSP问题的例子 45
第6章 禁忌搜索算法 47
6.1 引言 47
6.2 组合优化中的邻域概念 47
6.3 局部搜索算法 48
6.4 禁忌搜索的一个例子 49
6.5 禁忌搜索中的主要操作及参数 51
6.6 用禁忌搜索算法求解车间调度问题 52
第7章 人工免疫算法 56
7.1 人工免疫系统 56
7.2 人工免疫算法的免疫学基础 59
7.3 免疫应答中的学习与优化原理 64
7.4 免疫算法 67
第8章 人工蚁群算法 74
8.1 群智能的概念 74
8.2 蚂蚁社会及信息系统 74
8.3 蚂蚁的觅食行为 74
8.4 蚁群觅食策略的优化机制 75
8.5 人工蚁与真实蚁的异同 76
8.6 蚂蚁系统模型的建立 76
8.7 基本蚁群算法的实现步骤 78
8.8 基本（标准）蚁群算法流程 80
第9章 微粒群优化算法 82
9.1 PSO算法的提出 82
9.2 基本微粒群算法 82
9.3 PSO算法步骤 83
9.4 PSO算法的改进及应用 85
第10章 混沌优化算法 87
10.1 混沌现象和混沌学 87
10.2 Logistic映射 88
10.3 从倍周期分支到混沌 90
10.4 区间映射与混沌 91
10.5 混沌中的规律性 92
10.6 Lyapunov指数 94
10.7 奇异吸引子 95
10.8 混沌优化方法 95
第11章 量子优化算法 101
11.1 量子比特 101
11.2 量子逻辑门 104
11.3 Grover量子搜索算法 108
11.4 量子遗传算法 112
11.5 实数编码双链量子遗传算法 115
第12章 智能优化算法的工程应用 123
12.1 基于RBF神经网络优化自适应模糊导引律 123
12.2 带有成长算子遗传算法在辨识与优化中的应用 134
12.3 改进的免疫克隆算法在函数优化中的应用 139
12.4 蚁群算法在聚类分析中的应用 146
12.5 蚁群算法在机器人路径规划中的应用 155
12.6 改进的蚁群算法在巡航导弹航迹规划中的应用 161
12.7 混沌量子免疫算法及其在连续优化问题中的应用 171
参考文献 178