軟計算

譯者序
前言
術語
希臘符號
縮寫
第1章 緒論
1.1 硬計算
1.1.1 硬計算的特征
1.2 軟計算
1.2.1 軟計算的概念
1.2.2 軟計算的特征
1.3 混合計算
1.4 總結
1.5 練習
第2章 優(yōu)化與一些傳統(tǒng)方法
2.1 優(yōu)化引論
2.1.1 一個實際例子
2.1.2 優(yōu)化問題的分類
2.1.3 優(yōu)化的原理
2.1.4 對偶原理
2.2 傳統(tǒng)優(yōu)化方法
2.2.1 窮舉法
2.2.2 隨機步法
2.2.3 最速下降法
2.2.4 傳統(tǒng)優(yōu)化方法的不足
2.3 總結
2.4 練習
第3章 遺傳算法介紹
3.1 遺傳算法的工作流程
3.2 二進制編碼GA
3.2.1 交叉和變異
3.2.2 一個手工計算
3.2.3 GA的基本定理／模式定理
3.2.4 二進制編碼GA的局限性
3.3 GA參數(shù)設置
3.4 GA中的約束處理
3.4.1 懲罰函數(shù)方法
3.5 遺傳算法的優(yōu)缺點
3.6 總結
3.7 練習
第4章 幾種專門化的遺傳算法
4.1 實值編碼GA
4.1.1 交叉算子
4.1.2 變異算子
4.2 微-GA
4.3 可視化交互式GA
4.3.1 映射方法
4.3.2 仿真結果
4.3.3 VIGA的工作原理
4.4 調度GA
4.4.1 邊緣重組
4.4.2 序交叉井1
4.4.3 序交叉#2
4.4.4 循環(huán)交叉
4.4.5 基于位置的交叉
4.4.6 部分映射交叉
4.5 總結
4.6 練習
第5章 模糊集引論
5.1 精確集
5.1.1 集合論中的符號
5.1.2 精確集的運算
5.1.3 精確集的性質
5.2 模糊集
5.2.1 模糊集的表示
5.2.2 精確集與模糊集之間的差異
5.2.3 模糊集中的一些定義
5.2.4 模糊集中的一些標準運算
5.2.5 模糊集的性質
5.3 總結
5.4 練習
第6章 模糊推理與聚類
6.1 引言
6.2 模糊邏輯控制器
6.2.1 兩個主要的模糊邏輯控制器
6.2.2 層次模糊邏輯控制器
6.2.3 靈敏度分析
6.2.4 模糊邏輯控制器的優(yōu)缺點
6.3 模糊聚類
6.3.1 模糊C-均值聚類
6.3.2 基于熵的模糊聚類
6.4 總結
6.5 練習
第7章 神經網(wǎng)絡基礎
7.1 引言
7.1.1 生物神經元
7.1.2 人工神經元
7.1.3 單層神經元
7.1.4 多層神經元
7.2 靜態(tài)和動態(tài)神經網(wǎng)絡的比較
7.3 神經網(wǎng)絡的訓練
7.3.1 有監(jiān)督學習
7.3.2 無監(jiān)督學習
7.4 總結
7.5 練習
第8章 幾個神經網(wǎng)絡的例子
8.1 引言
8.2 多層前饋神經網(wǎng)絡
8.2.1 前向計算
8.2.2 采用反向傳播算法的網(wǎng)絡訓練
8.2.3 設計一個合適的NN應遵循的步驟
8.2.4 優(yōu)缺點
8.2.5 一個數(shù)值例子
8.3 徑向基函數(shù)網(wǎng)絡
8.3.1 前向計算
8.3.2 采用反向傳播算法的RBFN的調節(jié)
8.4 自組織映射
8.4.1 競爭
8.4.2 合作
8.4.3 更新
8.4.4 最終映射
8.4.5 仿真結果
8.5 遞歸神經網(wǎng)絡
8.5.1 Elman網(wǎng)絡
8.5.2 Jordan網(wǎng)絡
8.5.3 組合的Elman和Jordan網(wǎng)絡
8.6 總結
8.7 練習
第9章 組合遺傳算法-模糊邏輯
9.1 引言
9.2 模糊-遺傳算法
9.3 遺傳-模糊系統(tǒng)
9.3.1 文獻簡要回顧
9.3.2 遺傳-模糊系統(tǒng)的工作原理
9.4 總結
9.5 練習
第10章 組合遺傳算法-神經網(wǎng)絡
10.1 引言
10.2 遺傳-神經系統(tǒng)的工作原理
10.2.1 前向計算
10.2.2 手算實例
10.3 總結
10.4 練習
第11章 組合神經網(wǎng)絡-模糊邏輯
11.1 引言
11.2 基于Mamdani方法的神經模糊系統(tǒng)
11.2.1 采用反向傳播算法對神經-模糊系統(tǒng)的調節(jié)
11.2.2 采用遺傳算法對神經-模糊系統(tǒng)的調節(jié)
11.2.3 一個數(shù)值例子
11.3 基于Takagi-Sugeno方法的神經模糊系統(tǒng)
11.3.1 采用遺傳算法對ANFIS的調節(jié)
11.3.2 一個數(shù)值例子
11.4 總結
11.5 練習
參考文獻
附錄 軟計算中的兩個問題的討論
一、方法集成與軟計算方法集成
二、關于軟計算與仿生計算