仿生智能計算

序
前言
第1章 緒論
1.1 引言
1.2 最優(yōu)化、NP-hard問題及算法復(fù)雜度
1.2.1 最優(yōu)化問題
1.2.2 NP-hard問題
1.2.3 算法復(fù)雜度
1.3 仿生智能計算方法
1.4 仿生智能計算方法的共同點
1.5 本書體系結(jié)構(gòu)
1.6 本章 小結(jié)
參考文獻
第2章 數(shù)學(xué)基礎(chǔ)
2.1 引言
2.2 Markov鏈理論
2.2.1 定義及其等價性質(zhì)
2.2.2 齊次Markov鏈及狀態(tài)類
2.2.3 Markovr鏈的極限分布
2.3 鞅與鞅列
2.4 模式定理
2.4.1 模式
2.4.2 模式定理的證明
2.5 本章 小結(jié)
參考文獻
第3章 蟻群算法
3.1 引言
3.2 起源和進展
3.2.1 蟻群行為描述
3.2.2 蟻群優(yōu)化的機制原理
3.2.3 研究進展
3.3 系統(tǒng)學(xué)特征
3.4 數(shù)學(xué)模型
3.4.1 TSP
3.4.2 算法流程
3.5 理論分析
3.6 應(yīng)用實例
3.7 本章 小結(jié)
參考文獻
第4章 微粒群算法
4.1 引言
4.2 起源和進展
4.3 基本原理
4.3.1 基本思想
4.3.2 算法流程
4.3.3 社會行為分析
4.4 數(shù)學(xué)模型
4.4.1 全局模型與局部模型
4.4.2 標(biāo)準(zhǔn)的算法模型
4.4.3 引入收縮因子的算法模型
4.4.4 鄰域結(jié)構(gòu)
4.5 理論分析
4.6 應(yīng)用實例
4.6.1 圖像匹配
4.6.2 控制參數(shù)整定
4.7 本章 小結(jié)
參考文獻
第5章 人工蜂群算法
5.1 引言
5.2 起源和進展
5.3 基本原理
5.4 數(shù)學(xué)模型
5.5 理論分析
5.6 應(yīng)用實例
5.6.1 函數(shù)極值優(yōu)化
5.6.2 目標(biāo)識別
5.7 本章 小結(jié)
參考文獻
第6章 微分進化算法
6.1 引言
6.2 起源和進展
6.3 原理與模型
6.3.1 數(shù)學(xué)模型
6.3.2 參數(shù)設(shè)置
6.3.3 算法流程
6.3.4 算法擴展模式
6.4 理論分析
6.4.1 Markov鏈模型
6.4.2 收斂性分析
6.5 應(yīng)用實例
6.5.1 TSP問題
6.5.2 無人機航路規(guī)劃
6.6 本章 小結(jié)
參考文獻
第7章 Memetic算法
7.1 引言
7.2 起源和進展
7.3 基本原理
7.3.1 meme理論
7.3.2 算法流程
7.3.3 結(jié)構(gòu)分析
7.3.4 主要特點
7.4 理論分析
7.4.1 局部搜索上限問題討論
7.4.2 收斂性分析
7.5 應(yīng)用實例
7.5.1 移動機器人路徑規(guī)劃
7.5.2 高維函數(shù)優(yōu)化
7.6 本章 小結(jié)
參考文獻
第8章 文化算法
8.1 引言
8.2 起源與進展
8.3 基本原理
8.4 數(shù)學(xué)模型
8.4.1 種群空間
8.4.2 信度空間
8.4.3 接受函數(shù)
8.4.4 影響函數(shù)
8.5 應(yīng)用實例
8.6 本章 小結(jié)
參考文獻
第9章 人工免疫算法
9.1 引言
9.2 起源和進展
9.3 生物免疫系統(tǒng)
9.3.1 基本概念
9.3.2 組成和功能
9.3.3 基本原理
9.3.4 計算能力
9.4 原理與模型
9.4.1 算法原理
9.4.2 主要算子
9.4.3 算法流程
9.5 理論分析
……
第10章 DNA計算
第11章 仿生硬件
第12章 研究前沿與展望
附錄