醉染图书智能算导9787302584650

章遗传算法

1.1遗传算法起源

1.1.1遗传算法生物学基础

1.1.2遗传算法发展历程

1.2遗传算法实现

1.2.1遗传算法流程

1.2.2重要参数

1.3基于遗传算法的组合优化

1.3.1基于遗传算法的TTP问题

1.3.2基于遗传算法的旅行商问题

1.3.3基于遗传算法的01规划

1.4基于遗传算法的图像处理

1.4.1基于遗传算法的图像分割

1.4.2基于遗传算法的图像

1.4.3基于遗传算法的图像变化检测

1.5基于遗传算法的社区检测

1.5.1多目标遗传算法

1.5.2遗传编码

1.5.3Pareto很优解

参考文献

第2章免疫算法

2.1生物免疫系统与人工免疫系统

2.2免疫算法实现

2.2.1克隆选择算法

2.2.2人工免疫系统模型

.基于免疫算法的聚类分析

..1聚类问题

..2免疫进化方法

2.4基于免疫算法的弧路由问题

2.4.1弧路由问题模型

2.4.2基于免疫协同进化的弧路由问题

参考文献

第3章Memetic算法

3.1Memetic算法发展历程

3.2Memetic算法实现

3.2.1Memetic算法流程

3.2.2Memetic算法改进

3..Memetic算法研究分类

3.3基于Memetic算法的社区检测

3.3.1多目标Memetic优化算法

3.3.2局部搜索

3.4基于Memetic算法的弧路由问题

3.4.1路由距离分组

3.4.2子问题解的更替

3.4.3基于分解的Memetic算法

参考文献

第4章粒子群算法

4.1粒子群算法起源

4.1.1粒子群算法生物学基础

4.1.2粒子群算法发展历程

4.2粒子群算法实现

4.2.1基本粒子群算法

4.2.2改进粒子群算法

4.3基于粒子群算法的图像处理

4.3.1基于粒子群算法的图像分割

4.3.2基于粒子群算法的图像分类

4.3.3基于粒子群算法的图像匹配

4.4基于粒子群算法的优化问题

4.4.1基于粒子群算法的旅行商问题

4.4.2基于粒子群算法的配心选址问题

4.4.3基于粒子群算法的函数优化

参考文献

第5章蚁群算法

5.1蚁群算法起源

5.1.1蚁群算法生物学基础

5.1.2蚁群算法发展历程

5.2蚁群算法实现

5.2.1蚁群算法流程

5.2.2离散域和连续域蚁群算法

5.3基于蚁群算法的路径规划

5.3.1蚁群算法的路径规划中的优势

5.3.2算法描述以及实现

5.3.3全局路径规划方法

5.4基于蚁群算法的社区检测

5.4.1多目标蚁群算法

5.4.2社区检测问题的改进

参考文献

第6章狼群算法

6.1狼群算法起源

6.1.1狼群算法生物学基础

6.1.2狼群算法发展历程

6.2狼群算法实现

6.2.1狼群算法中的智能行为定义

6.2.2狼群算法流程

6.3基于狼群算法的函数求解

6.3.1数学模型

6.3.2函数优化问题

6.4基于狼群算法的优化调度问题

6.4.1基于狼群算法的电网调度优化

6.4.2基于狼群算法的水电站优化调度

参考文献

第7章人工蜂群算法

7.1人工蜂群算法起源

7.1.1人工蜂群算法生物学基础

7.1.2人工蜂群算法发展历程

7.2人工蜂群算法实现

7.2.1人工蜂群算法流程

7.2.2混合人工蜂群算法

7.3基于人工蜂群算法的函数优化

7.3.1基于人工蜂群算法的多目标优化问题

7.3.2基于人工蜂群算法的动态优化

7.4基于人工蜂群算法的图像处理

7.4.1基于人工蜂群算法的图像

7.4.2基于人工蜂群算法的图像分割

7.4.3基于人工蜂群算法的图像融合

参考文献

第8章细菌觅食优化算法

8.1细菌觅食优化算法起源

8.1.1细菌觅食优化算法生物学基础

8.1.2细菌觅食优化算法发展历程

8.2细菌觅食优化算法实现

8.2.1细菌觅食优化算法的操作步骤

8.2.2细菌觅食算法的流程

8.3基于细菌觅食算法的图像匹配

8.3.1自适应步长

8.3.2很优解逃逸

8.4基于细菌觅食算法的聚类问题

8.4.1改进趋化操作

8.4.2改进复制操作

8.4.3改进迁徙操作

参考文献

第9章分布估计算法

9.1分布估计算法起源

9.1.1分布估计算法统计学原理

9.1.2分布估计算法发展历程

9.2分布估计算法实现

9.2.1分布估计算法流程

9.2.2分布估计算法改进

9.3基于分布估计算法的收敛分析及多目标优化问题

9.3.1收敛分析

9.3.2多分布估计算法

9.4基于分布估计算法的调度问题

9.4.1基于分布估计算法的柔车间调度

9.4.2基于分布估计算法的资源受限项目调度

参考文献

0章差分进化算法

10.1差分进化算法与遗传算法

10.1.1遗传算法流程

10.1.2差分进化算法流程

10.1.3差分进化算法与遗传算法的比较

10.2差分进化算法实现

10.2.1差分进化算法主要参数

10.2.2差分进化算法流程

10.3基于差分进化算法的多目标优化问题

10.3.1混合差分进化处理多目标优化问题

10.3.2自适应差分进化处理多目标优化问题

10.4基于差分进化算法的调度问题

10.4.1基于差分进化算法的置换流水线调度

10.4.2基于差分进化算法的有限缓冲区调度

10.4.3基于差分进化算法的作业车间调度

参考文献

1章模拟退火算法

11.1模拟退火算法起源

11.1.1固体退火原理

11.1.2模拟退火算法发展历程

11.2模拟退火算法实现

11.2.1模拟退火算法基本思想

11.2.2模拟退火算法流程

11.3基于模拟退火算法的超大规模集成电路研究

11.3.1集成电路布线

11.3.2优化目标

11.4基于模拟退火算法的图像处理

11.4.1基于模拟退火算法的图像复原

11.4.2基于模拟退火算法的图像去噪

11.4.3基于模拟退火算法的图像分割

11.5基于模拟退火算法的组合优化

11.5.1基于模拟退火算法的01背包问题

11.5.2基于模拟退火算法的图着色问题

11.5.3基于模拟退火算法的旅行商问题

参考文献

2章贪心算法

12.1从背包问题了解贪心算法

12.2贪心算法实现

12.2.1局部很优解概念

12.2.2贪心算法流程

1.基于贪心算法的组合优化

1..1基于贪心算法的背包问题

1..2基于贪心算法的旅行商问题

参考文献

3章雨滴算法

13.1自然降雨现象启发下的雨滴算法

13.2雨滴算理基础

13.3基于雨滴算法的多目标优化问题

13.3.1基于雨滴算法的多目标应急物资路径优化

13.3.2基于雨滴算法的混合时间窗车辆路径问题

参考文献

4章禁忌搜索算法

14.1禁忌搜索算法起源

14.1.1禁忌搜索算法发展历程

14.1.2禁忌搜索算法基本思想

14.2禁忌搜索算法实现

14.2.1禁忌搜索算法构成要素

14.2.2禁忌搜索算法流程

14.3基于禁忌搜索的飞蜂窝网络频谱分配方法

14.3.1算法主要思想及流程

14.3.2算法实现具体步骤

14.3.3实验分析

参考文献

5章量子搜索与优化

15.1量子计算原理

15.1.1状态的叠加

15.1.2状态的相干

15.1.3状态的纠缠

15.1.4量子并行

15.2量子计算智能的几种模型

15.2.1量子人工神经网络

15.2.2基于量子染色体的进化算法

15..基于量子特的优化算法

15.2.4量子聚类算法

15.2.5量子模式识别算法

15.2.6量子小波与小波包算法

15.2.7量子退火算法

15.3量子进化算法

15.3.1基于量子旋转门的进化算法

15.3.2基于吸子的化算法

参考文献

6章量子粒子群优化

16.1量子行为粒子群算法

16.1.1思想来源

16.1.2δ势阱模型

16.1.3算法流程

16.2协同量子粒子群优化

16.2.1协同量子粒子群算法

16.2.2改进的协同量子粒子群算法

16..实验结果及分析

16.3基于多次坍塌正交交叉的量子粒子群优化

16.3.1量子多次坍塌

16.3.2正交交叉实验简介

16.3.3多次坍塌正交交叉的量子粒子群算法

16.3.4实验及分析

参考文献

7章二乘法

17.1二乘法数学基础

17.2二乘法流程

17.3二乘法在机器学习中的应用

参考文献

8章A*算法

18.1短路径搜索

18.2A*算法实现

18.2.1A*算法原理

18.2.2A*算法简单案例

18.3A*算法的优势与缺陷

参考文献

9章神经网络算法

19.1神经网络算法起源

19.1.1脑神经元学说

19.1.2神经网络算法发展历程

19.2神经网络算法实现

19.2.1神经网络构成要素

19.2.2典型神经网络结构

19.3基于神经网络算法的图像处理

19.3.1基于神经网络算法的图像分割

19.3.2基于神经网络算法的图像修复

19.3.3基于神经网络算法的目标检测与识别

19.4基于神经网络算法的预测控制

19.4.1基于神经网络算法的预测模型

19.4.2神经网络预测控制中的滚动优化

参考文献

第20章深度学习算法

20.1深度学习算法与神经网络

20.2深度学习算法实现

20.2.1深度概念

20.2.2深度学习算法基本思想

20..深度模型优化

20.3基于深度学习算法的计算机视觉

20.3.1基于深度学习算法的人脸识别

20.3.2基于深度学习算法的目标跟踪

20.4基于深度学习算法的语音识别

20.4.1基于深度学习算法的声学模型

20.4.2基于深度学习算法的语言模型

参考文献

2章强化学习

21.1强化学习模型

21.1.1强化学习思路

21.1.2基于马尔可夫决策过程的强化学习

21.2逆向强化学习

21.2.1优选边际规划

21.2.2基于优选信息熵的逆向强化学习

21.3基于多尺度FCNCRF网络和强化学习的高分辨SAR图像语义分割

21.3.1深度强化学习

21.3.2SAR图像语义分割动态调优策略

21.3.3算法实现

21.3.4实验结果

参考文献

第22章混合智能算法

22.1粒子群深度网络模型及学习算法

22.1.1PSO自编码网络

22.1.2自适应PSO自编码网络

22.1.模拟火PSO算法自编码网络

22.1.4实验与分析

22.2混沌模拟退火深度网络模型及学习算法

22.2.1混沌模拟退火深度网络学习算法

22.2.2混沌模拟退火自编码网络

22..混沌模拟退火深度小波网络

22.2.4实验与分析

参考文献

尚荣华 博士，教授，博士生导师，IEEE 会员，实验室骨干成员，创团队骨干成员， “111计划” 创新引智基地骨干成员，校 “智能信息处理创新团队” 骨干成员。一直致力于智能感知与自然计算、类脑计算与大数据的学习、优化与应用研究。发表100余篇，其中SCI检索80余篇，IEEE期刊16篇。Google Scholar引用2007次，单篇优选168次。主持了包括2项自然科学面上在内的10余项科研项目。授权发明专利20余项，出版专著6部。

智能算应用泛，与生物学、计算机科学、神经科学、语言学等学科交叉发展，互相影响。本书充分将自然计算、启发式方法、量子、神经网络等有机融合，体现了深度的学科交叉。内容丰富，阐述严谨，结合近年来智能算法的研究成果，紧跟国内外近期新研究动态，总结国内外发展现状，阐述编者对相关领域未来发展的思考，分享智能算法领域前沿技术。