描述
开 本: 16开纸 张: 胶版纸包 装: 平装-胶订是否套装: 否国际标准书号ISBN: 9787302584650
智能算法应用广泛，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。
本书有机融合自然计算、启发式方法、量子、神经网络等智能理论和前沿技术，对遗传算法、免疫算法、粒子群算法、蚁群算法等22种智能算法的起源、理论基础、基本框架和典型应用进行了详细论述，在此基础上，针对相关领域中的典型问题给出智能算法的应用示例。 本书可以为计算机科学、信息科学、人工智能、自动化技术等领域相关专业技术人员提供参考，也可以作为相关专业研究生和高年级本科生教材。
第1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01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增强
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
2.3基于免疫算法的聚类分析
2.3.1聚类问题
2.3.2免疫进化方法
2.4基于免疫算法的限量弧路由问题
2.4.1限量弧路由问题模型
2.4.2基于免疫协同进化的限量弧路由问题
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
3.2.3Memetic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算法的限量弧路由问题
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送中心选址问题
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增强
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性分析及多目标优化问题
9.3.1收敛性分析
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性车间调度
9.4.2基于分布估计算法的资源受限项目调度
参考文献
第10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
第11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01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
第12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局部解概念
12.2.2贪心算法流程
12.3基于贪心算法的组合优化
12.3.1基于贪心算法的背包问题
12.3.2基于贪心算法的旅行商问题
参考文献
第13章雨滴算法
13.1自然降雨现象启发下的雨滴算法
13.2雨滴算法理论基础
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
第14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
第15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量子并行性
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
15.2.3基于量子特性的优化算法
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基于吸引子的进化算法
参考文献
第16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
16.2.3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
第17章小二乘法
17.1小二乘法数学基础
17.2小二乘法流程
17.3小二乘法在机器学习中的应用
参考文献
第18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
第19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
20.2.3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
第21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边际规划
21.2.2基于信息熵的逆向强化学习
21.3基于多尺度FCNCRF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
22.1.3模拟退火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
22.2.3混沌模拟退火深度小波网络
22.2.4实验与分析
参考文献
人工智能发展历史是短暂而曲折的，它点滴的进步都有效推动了社会的发展。1956年，在达特茅斯学院举行的一次会议上，计算机科学家约翰·麦卡锡说服与会者接受“人工智能”一词作为本领域的名称，这次会议也被大家看作人工智能正式诞生的标志。此后的十几年是人工智能发展的黄金年代，无数科学家前赴后继对此进行研究，为机器智能化和人性化不断努力奋斗，获得了许多成果，得到了广泛赞赏，同时也让研究者对人工智能领域的发展信心倍增。到了20世纪70年代，由于计算复杂性呈指数级增长，而计算机性能遇到瓶颈，同时出现数据量缺失等问题，一些难题看上去好像完全找不到答案，人工智能开始遭受批评。1977年，费根鲍姆在第五届国际人工智能大会上提出了“知识工程”的概念，标志着人工智能研究从传统的以推理为中心的阶段进入以知识为中心的新阶段。人工智能重新获得人们的普遍重视，逐步跨进了复兴期。随着人工智能的深入研究，模式识别的兴起，机器思维可以代替人脑进行各种计算、决策和分析，有效解放了人们双手，智能技术越来越受到人们的欢迎。越来越多的科学家坚信，人工智能将为人类社会带来第三次技术革命。作为人工智能的新生领域，智能算法是在自然计算、启发式方法、量子、神经网络等分支发展相对成熟的基础上，通过相互之间的有机融合形成的新的科学方法，也是智能理论和技术发展的崭新阶段。
自然计算方法主要通过模仿自然界中的群体智能等特点，建立具有自适应、自组织、自学习能力的模型与算法，用于解决传统计算方法解决复杂问题时的限制问题。本书涵盖遗传算法、免疫算法、Memetic算法、粒子群算法、人工蚁群算法等多种自然计算方法，从算法起源、算法实现和算法应用等方面进行总结和介绍，涉及经典组合优化、图像处理等问题。
启发式方法相对于化算法提出，基于经验建立模型，获得可行解。启发式优化算法也属于自然计算方法的范畴，主要包模拟退火算法、雨滴算法等。本书通过介绍启发式算法的基础原理，对包括多目标优化问题、调度问题、图像处理等应用进行了讨论。
量子计算的并行性、指数级存储容量和指数加速特征展示了其强大的运算能力。计算智能的研究也可以建立在物理基础上，有效利用量子理论的原理和概念，在人工智能领域的应用中取得明显优于传统智能计算模型的结果，因此量子计算智能具有很高的理论价值和发展潜力。本书对量子计算智能的几种模型及协同量子粒子群优化等方法进行了详细介绍。
神经网络作为一种模仿动物神经网络行为特征的方法，通过分布式并行信息处理调整内部“神经元”之间的连接关系，进行信息处理。随着计算机处理速度和存储能力的提高，深层神经网络的设计和实现也逐渐成为可能。链式结构便是神经网络中为常见的结构，链的全长被称为模型深度，深度学习由此产生。本书对神经网络和深度学习进行介绍，并讨论它们在计算机视觉、语音处理等方面的应用。
此外，本书还对小二乘法、A*算法、强化学习方法和几种混合智能算法进行了介绍，并对其数学基础、算法流程及机器学习领域中的简单案例进行了讨论。
经过近十几年对人工智能领域和智能算法的研究，对相关知识和方法进行了系统的梳理，总结了一套较为完整的体系，终形成此书。
本书特色
(1) 紧跟学术前沿
编著者查阅大量的相关资料，结合近年来智能算法的研究成果，紧跟国内外相关研究机构的研究动态，积极与国内外学者和企业人员进行交流，力图将动态与各位读者分享。
(2) 论述清晰，知识完整
本书内容丰富，阐述严谨，对若干智能算法的起源、理论基础、基本框架和典型应用进行了详细论述，适合在人工智能领域以及相关交叉领域的教师教学和学生学习。
(3) 学科交叉
智能算法应用广泛，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。本书充分体现了学科交叉，很好地将这些知识进行了结合。
(4) 重视应用
本书不仅论述了智能算法的起源、理论基础和基本框架，还在此基础上针对相关领域中的典型问题给出智能算法的应用示例，使读者可以在理解理论知识的同时，对人工智能学科产生兴趣，培养动手能力。
致谢
本书是西安电子科技大学人工智能学院——“智能感知与图像理解”教育部重点实验室、“智能感知与计算”教育部国际联合实验室、国家“111”计划创新引智基地、国家“2011”信息感知协同创新中心、“大数据智能感知与计算”陕西省2011协同创新中心、智能信息处理研究所集体智慧的结晶，感谢集体中的每一位同仁的奉献。特别感谢保铮院士多年来的悉心培养和指导； 感谢中国科学技术大学陈国良院士和IEEE计算智能学会副主席、英国伯明翰大学姚新教授，英国埃塞克斯大学张青富教授，英国萨里大学金耀初教授，英国诺丁汉大学屈嵘教授的指导和帮助； 感谢国家自然科学基金委信息科学部的大力支持； 感谢田捷教授、高新波教授、石光明教授、梁继民教授的帮助； 感谢张玮桐、孟洋、张静雯、路梦瑶、王路娟、何江海、张雨萌等智能感知与图像理解教育部重点实验室研究生所付出的辛勤劳动。在此特别感谢以下支持： 国家自然科学基金61773304、U1701267、61871310、61773300、61772399、61672405、61473215、61876141、61806156、61806154、61802295、61801351； 国家自然科学基金重点项目61836009； 国家自然科学基金创新研究群体科学基金61621005； 优秀青年科学基金项目61522311； 高等学校学科创新引智计划(111计划)B07048； 重大研究计划91438201和91438103； 教育部指导高校科技创新规划项目； 教育部“长江学者和创新团队发展计划”IRT_15R53。
感谢编著者家人的大力支持和理解。
由于编著者水平有限，书中不妥或疏漏之处在所难免，敬请各位专家及广大读者批评指正。
编著者
2021年6月
评论
还没有评论。