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重视并掀起了研究热潮。目前，计算智能的相关技术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。
本书在归纳近年来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。
本书可作为高等学校信号与信息处理、计算机应用技术、人工智能、模式识别与智能系统、自动化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。
（1）本书通过归纳多个典型的计算智能算法，系统且详细地介绍了计算智能的基础理论，便于读者理解和融会贯通计算智能的相关算法。
（2）本书在介绍每种算法的过程中加入了信号与通信领域的具体应用实例，便于读者深入理解和实际应用计算智能的相关算法。
（3）本书在配套的教辅资源（电子资源）中针对每种算法的具体应用实例给出了基于 MATLAB 软件的仿真程序和详细注释，便于读者理解和动手实践计算智能的相关算法。
毕晓君，中央民族大学信息工程学院教授、博导，哈尔滨工程大学信息与通信工程学院兼职教授。长期从事信息智能处理技术与数字电子技术方向的课程教学工作，主要研究领域涉及智能优化算法、机器学习、数字图像处理等。
01 绪论
1.1 概述 2
1.2 最优化问题及其数学模型 2
1.3 最优化问题的分类 3
1.4 最优化方法的发展及分类 5
1.4.1 传统优化方法 6
1.4.2 计算智能方法 7
1.4.3 计算智能方法的特点 11
1.5 计算智能方法的未来发展方向 12
1.6 章节安排介绍 12
1.7 本章小结 14
1.8 习题 14
02 人工神经网络理论
2.1 概述 16
2.2 人工神经网络基本理论 17
2.2.1 人工神经元基本模型 17
2.2.2 人工神经网络结构 19
2.2.3 人工神经网络的学习 20
2.3 前馈型神经网络的主要算法 22
2.3.1 感知器 23
2.3.2 BP网络 25
2.3.3 RBF网络 33
2.4 反馈型神经网络的主要算法 44
2.4.1 Hopfield网络算法 44
2.4.2 自组织映射网络算法 51
2.5 基于MATLAB语言的人工神经网络工具箱 54
2.5.1 基本功能介绍 55
2.5.2 BP网络的MATLAB实现 55
2.5.3 RBF网络的设计实例 63
2.5.4 人工神经网络工具箱中的图形用户界面 78
2.6 人工神经网络的应用实例 89
2.7 本章小结 91
2.8 习题 91
03 遗传算法
3.1 概述 94
3.2 遗传算法的基本原理 95
3.2.1 生物的进化过程 95
3.2.2 遗传算法的基本思想 95
3.2.3 遗传算法的具体步骤 96
3.3 遗传算法应用中的常见问题 104
3.3.1 染色体长度和初始种群的确定问题 104
3.3.2 控制参数的选取问题 104
3.3.3 遗传算子的具体操作问题 105
3.3.4 收敛判据的确定问题 105
3.4 遗传算法的应用实例 106
3.5 本章小结 112
3.6 习题 112
04 蚁群算法
4.1 概述 116
4.2 蚂蚁群体的觅食过程 117
4.3 蚁群算法的基本原理 118
4.3.1 蚁群算法的数学模型 119
4.3.2 蚁群算法的具体实现流程 122
4.4 蚁群算法的参数选择 124
4.5 改进的蚁群算法 125
4.5.1 ACS模型 125
4.5.2 MMAS模型 127
4.6 蚁群算法的应用实例 128
4.7 本章小结 134
4.8 习题 135
05 人工免疫算法
5.1 概述 138
5.2 人工免疫算法的生物学基础 139
5.2.1 生物免疫系统的基本定义 140
5.2.2 生物免疫系统的工作原理 141
5.3 人工免疫算法的基本原理 142
5.3.1 人工免疫算法的基本框架 143
5.3.2 否定选择算法的基本原理 144
5.3.3 免疫规划算法的基本原理 146
5.3.4 克隆选择算法的基本原理 150
5.4 人工免疫算法的应用实例 155
5.5 本章小结 163
5.6 习题 163
06 粒子群优化算法
6.1 概述 166
6.2 粒子群优化算法的基本原理 166
6.3 粒子群优化算法的改进 174
6.3.1 带惯性权重的PSO算法 174
6.3.2 带收缩因子的PSO算法 175
6.3.3 基于种群分类与动态学习因子的PSO改进算法 176
6.4 粒子群优化算法的应用实例 178
6.5 本章小结 180
6.6 习题 180
07 人工蜂群算法
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 188
7.4 人工蜂群算法的应用实例 193
7.5 本章小结 198
7.6 习题 198
08 生物地理学优化算法
8.1 概述 200
8.2 生物地理学优化算法的基本原理 200
8.3 生物地理学优化算法的基本流程 204
8.3.1 迁移操作 204
8.3.2 变异操作 205
8.3.3 算法框架 206
8.4 改进的生物地理学优化算法 207
8.4.1 混合型迁移操作 207
8.4.2 局部化生物地理学优化算法 209
8.4.3 生态地理学优化算法 213
8.5 生物地理学优化算法的应用实例 216
8.6 本章小结 220
8.7 习题 220
09 多目标优化算法
9.1 概述 222
9.2 三代多目标优化算法 223
9.2.1 第 一代多目标优化算法 223
9.2.2 第二代多目标优化算法 223
9.2.3 第三代多目标优化算法 229
9.3 高维多目标优化算法 233
9.3.1 基于分解的多目标优化算法 233
9.3.2 NSGA-III 236
9.3.3 NSGA-III-OSD 240
9.4 多目标优化算法的测试函数和评价指标 242
9.4.1 测试函数 242
9.4.2 评价指标 246
9.5 多目标优化算法的测试实例和应用实例 247
9.6 本章小结 253
9.7 习题 253
10 约束优化算法
10.1 概述 256
10.2 约束处理技术 258
10.2.1 惩罚函数法 258
10.2.2 随机排序法 258
10.2.3 可行性准则 259
10.2.4 ε约束法 260
10.2.5 多目标优化法 260
10.2.6 双种群存储技术 261
10.3 约束单目标优化算法 261
10.3.1 基于随机排序法的约束单目标优化算法 262
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 264
10.3.4 约束单目标优化测试函数 267
10.4 约束多目标优化算法 269
10.4.1 基于随机排序法的约束多目标优化算法 269
10.4.2 基于双种群存储技术的约束多目标优化算法 270
10.4.3 基于ε约束法的约束多目标优化算法 273
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 279
10.6 本章小结 283
10.7 习题 283
参考文献 285
书单推荐
