计算智能（第2版微课版）-图书-人邮教育社区

内容摘要

        计算智能是人工智能领域较为前沿的研究方向，它是受“大自然智慧”启发而被设计出的一类算法的统称。计算智能所具有的全局搜索、高效并行等优点为解决复杂优化问题提供了新思路和新手段，引起了国内外学者的广泛关注并掀起了研究热潮。目前，计算智能的相关研究成果已成功应用于信息处理、调度优化、工程控制、经济管理等众多领域。
        本书在归纳近年计算智能研究成果的基础上，系统且详细地介绍了计算智能中较为典型的 9 种算法——人工神经网络、遗传算法、蚁群算法、人工免疫算法、粒子群优化算法、人工蜂群算法、生物地理学优化算法、多目标优化算法以及约束优化算法，并给出了各个算法基于 MATLAB 软件的仿真实现过程和在信号与通信领域的应用实例，这使本书知识点的讲解通俗易懂、直观生动，易于读者快速掌握。
        本书可作为高等院校人工智能、模式识别与智能系统、自动化、信号与信息处理、计算机应用技术等专业本科生和研究生的教材，也可供计算智能相关领域的研究人员学习参考。

第 1 章绪论 ................................... 1
1.1 概述............................................................1
1.2 最优化问题及其数学模型 ........................1
1.3 最优化问题的分类 ....................................3
1.4 最优化方法的发展及分类 ........................4
1.4.1 传统优化方法.....................................6
1.4.2 计算智能方法.....................................6
1.4.3 计算智能方法的特点.......................10
1.5 计算智能方法的未来发展方向 ..............11
1.6 章节安排介绍..........................................12
1.7 本章小结..................................................13
1.8 习题..........................................................13

第 2 章人工神经网络................... 14
2.1 概述..........................................................14
2.2 人工神经网络基本理论 ..........................15
2.2.1 人工神经元基本模型.......................15
2.2.2 人工神经网络的结构.......................18
2.2.3 人工神经网络的学习.......................19
2.3 前馈网络的主要算法 ..............................21
2.3.1 感知器...............................................21
2.3.2 BP 网络.............................................24
2.3.3 RBF 网络..........................................32
2.4 反馈网络的主要算法 ..............................38
2.5 基于 MATLAB 语言的人工神经网络工具箱..........................................................45
2.5.1 基本功能介绍...................................45
2.5.2 BP 网络的 MATLAB 实现...............46
2.5.3 RBF 网络的设计实例 ......................53
2.5.4 人工神经网络工具箱中的图形用户界面 ..........................................60
2.6 实验：基于 BP 神经网络的手写数字识别..........................................................66
2.7 本章小结 ..................................................74
2.8 习题..........................................................74

第 3 章遗传算法 ..........................75
3.1 概述..........................................................75
3.2 遗传算法的基本原理 ..............................76
3.2.1 生物的进化过程...............................76
3.2.2 遗传算法的基本思想.......................77
3.2.3 遗传算法的具体步骤.......................77
3.3 遗传算法应用中的常见问题...................87
3.3.1 染色体长度和初始种群的确定问题 ..................................................87
3.3.2 控制参数的选取问题.......................88
3.3.3 遗传算子的具体操作问题 ...............88
3.3.4 收敛判据的确定问题.......................89
3.4 实验：基于遗传算法解决旅行商问题.......89
3.5 本章小结 ................................................101
3.6 习题........................................................101

第 4 章蚁群算法 ........................102
4.1 概述........................................................102
4.2 蚂蚁群体的觅食过程 ............................103
4.3 蚁群算法的基本原理 ............................104
4.3.1 蚁群算法的数学模型.....................105
4.3.2 蚁群算法的具体实现流程 .............108
4.4 蚁群算法的参数选择 ............................110
4.5 改进的蚁群算法 ....................................112
4.5.1 ACS 模型........................................112
4.5.2 MMAS 模型....................................114
4.6 实验：基于蚁群算法的机器人最短路径规划........................................................115
4.7 本章小结................................................129
4.8 习题........................................................130

第 5 章人工免疫算法 .................131
5.1 概述........................................................131
5.2 人工免疫算法的生物学基础 ................132
5.2.1 生物免疫系统的基本定义.............133
5.2.2 生物免疫系统的工作原理.............134
5.3 人工免疫算法的基本原理 ....................135
5.3.1 人工免疫算法的基本框架.............136
5.3.2 否定选择算法的基本原理.............137
5.3.3 免疫规划算法的基本原理.............139
5.3.4 克隆选择算法的基本原理.............142
5.4 实验：基于克隆选择算法的 PCNN 参数自动选取................................................147
5.5 本章小结................................................162
5.6 习题........................................................162

第 6 章粒子群优化算法 .............163
6.1 概述........................................................163
6.2 粒子群优化算法的基本原理 ................164
6.3 粒子群优化算法的改进 ........................171
6.3.1 带惯性权重的 PSO 算法................172
6.3.2 带收缩因子的 PSO 算法................173
6.3.3 基于种群分类与动态学习因子的PSO 改进算法................................174
6.4 实验：基于粒子群优化算法的 0-1 背包问题................................................175
6.5 本章小结................................................180
6.6 习题........................................................181

第 7 章人工蜂群算法 .................182
7.1 概述........................................................182
7.2 人工蜂群算法的基本原理 ....................183
7.3 改进的人工蜂群算法............................187
7.3.1 针对高维复杂单目标优化问题的改进人工蜂群算法 ....................187
7.3.2 针对多峰优化问题的小生境人工蜂群算法 ........................................189
7.4 实验：基于人工蜂群算法的图像增强 ....193
7.5 本章小结................................................205
7.6 习题........................................................205

第 8 章生物地理学优化算法 ......206
8.1 概述........................................................206
8.2 生物地理学优化算法的基本原理 ........207
8.3 生物地理学优化算法的基本流程 ........211
8.3.1 迁移操作.........................................211
8.3.2 变异操作.........................................212
8.3.3 算法框架.........................................213
8.4 改进的生物地理学优化算法 ................213
8.4.1 混合型迁移操作.............................213
8.4.2 局部化生物地理学优化算法.........215
8.4.3 生态地理学优化算法.....................219
8.5 生物地理学优化算法的应用实例 ........222
8.6 本章小结................................................226
8.7 习题........................................................226

第 9 章多目标优化算法..............227
9.1 概述........................................................227
9.2 三代多目标优化算法 ............................228
9.2.1 第一代多目标优化算法.................228
9.2.2 第二代多目标优化算法.................228
9.2.3 第三代多目标优化算法.................234
9.3 高维多目标优化算法 ............................237
9.3.1 基于分解的多目标优化算法.........237
9.3.2 NSGA-III.........................................240
9.3.3 结合目标空间分解技术的NSGA-III 改进算法 .......................243
9.4 多目标优化算法的测试函数和评价指标........................................................246
9.4.1 测试函数.........................................246
9.4.2 评价指标.........................................249
9.5 多目标优化算法的测试实例和应用实例........................................................251
9.6 本章小结................................................256
9.7 习题........................................................256

第 10 章约束优化算法 ...............257
10.1 概述......................................................257
10.2 约束处理技术......................................259
10.2.1 惩罚函数法...................................259
10.2.2 随机排序法...................................260
10.2.3 可行性准则...................................260
10.2.4 ε 约束法........................................261
10.2.5 多目标优化法...............................261
10.2.6 双种群存储技术...........................262
10.3 约束单目标优化算法 ..........................262
10.3.1 基于随机排序法的约束单目标优化算法 ..........................................263
10.3.2 基于 ε 约束法的约束单目标优化算法 ..............................................263
10.3.3 基于双种群存储技术的约束单目标优化算法 ..................................265
10.3.4 约束单目标优化测试函数 ...........268
10.4 约束多目标优化算法 ..........................270
10.4.1 基于随机排序法的约束多目标优化算法...........................................271
10.4.2 基于双种群存储技术的约束多目标优化算法...................................271
10.4.3 基于 ε 约束法的约束多目标优化算法...............................................274
10.4.4 约束多目标优化测试函数 ...........277
10.5 约束优化算法的应用实例...................280
10.6 本章小结 ..............................................284
10.7 习题......................................................284