第1章遺傳算法
1.1遺傳算法起源
1.1.1遺傳算法生物學(xué)基礎(chǔ)
1.1.2遺傳算法發(fā)展歷程
1.2遺傳算法實現(xiàn)
1.2.1遺傳算法流程
1.2.2重要參數(shù)
1.3基于遺傳算法的組合優(yōu)化
1.3.1基于遺傳算法的TTP問題
1.3.2基于遺傳算法的旅行商問題
1.3.3基于遺傳算法的01規(guī)劃
1.4基于遺傳算法的圖像處理
1.4.1基于遺傳算法的圖像分割
1.4.2基于遺傳算法的圖像增強
1.4.3基于遺傳算法的圖像變化檢測
1.5基于遺傳算法的社區(qū)檢測
1.5.1多目標(biāo)遺傳算法
1.5.2遺傳編碼
1.5.3Pareto解
參考文獻
第2章免疫算法
2.1生物免疫系統(tǒng)與人工免疫系統(tǒng)
2.2免疫算法實現(xiàn)
2.2.1克隆選擇算法
2.2.2人工免疫系統(tǒng)模型
2.3基于免疫算法的聚類分析
2.3.1聚類問題
2.3.2免疫進化方法
2.4基于免疫算法的限量弧路由問題
2.4.1限量弧路由問題模型
2.4.2基于免疫協(xié)同進化的限量弧路由問題
參考文獻
第3章Memetic算法
3.1Memetic算法發(fā)展歷程
3.2Memetic算法實現(xiàn)
3.2.1Memetic算法流程
3.2.2Memetic算法改進
3.2.3Memetic算法研究分類
3.3基于Memetic算法的社區(qū)檢測
3.3.1多目標(biāo)Memetic優(yōu)化算法
3.3.2局部搜索
3.4基于Memetic算法的限量弧路由問題
3.4.1路由距離分組
3.4.2子問題解的更替
3.4.3基于分解的Memetic算法
參考文獻
第4章粒子群算法
4.1粒子群算法起源
4.1.1粒子群算法生物學(xué)基礎(chǔ)
4.1.2粒子群算法發(fā)展歷程
4.2粒子群算法實現(xiàn)
4.2.1基本粒子群算法
4.2.2改進粒子群算法
4.3基于粒子群算法的圖像處理
4.3.1基于粒子群算法的圖像分割
4.3.2基于粒子群算法的圖像分類
4.3.3基于粒子群算法的圖像匹配
4.4基于粒子群算法的優(yōu)化問題
4.4.1基于粒子群算法的旅行商問題
4.4.2基于粒子群算法的配送中心選址問題
4.4.3基于粒子群算法的函數(shù)優(yōu)化
參考文獻
第5章蟻群算法
5.1蟻群算法起源
5.1.1蟻群算法生物學(xué)基礎(chǔ)
5.1.2蟻群算法發(fā)展歷程
5.2蟻群算法實現(xiàn)
5.2.1蟻群算法流程
5.2.2離散域和連續(xù)域蟻群算法
5.3基于蟻群算法的路徑規(guī)劃
5.3.1蟻群算法的路徑規(guī)劃中的優(yōu)勢
5.3.2算法描述以及實現(xiàn)
5.3.3全局路徑規(guī)劃方法
5.4基于蟻群算法的社區(qū)檢測
5.4.1多目標(biāo)蟻群算法
5.4.2社區(qū)檢測問題的改進
參考文獻
第6章狼群算法
6.1狼群算法起源
6.1.1狼群算法生物學(xué)基礎(chǔ)
6.1.2狼群算法發(fā)展歷程
6.2狼群算法實現(xiàn)
6.2.1狼群算法中的智能行為定義
6.2.2狼群算法流程
6.3基于狼群算法的函數(shù)求解
6.3.1數(shù)學(xué)模型
6.3.2函數(shù)優(yōu)化問題
6.4基于狼群算法的優(yōu)化調(diào)度問題
6.4.1基于狼群算法的電網(wǎng)調(diào)度優(yōu)化
6.4.2基于狼群算法的水電站優(yōu)化調(diào)度
參考文獻
第7章人工蜂群算法
7.1人工蜂群算法起源
7.1.1人工蜂群算法生物學(xué)基礎(chǔ)
7.1.2人工蜂群算法發(fā)展歷程
7.2人工蜂群算法實現(xiàn)
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數(shù)優(yōu)化
7.3.1基于人工蜂群算法的多目標(biāo)優(yōu)化問題
7.3.2基于人工蜂群算法的動態(tài)優(yōu)化
7.4基于人工蜂群算法的圖像處理
7.4.1基于人工蜂群算法的圖像增強
7.4.2基于人工蜂群算法的圖像分割
7.4.3基于人工蜂群算法的圖像融合
參考文獻
第8章細菌覓食優(yōu)化算法
8.1細菌覓食優(yōu)化算法起源
8.1.1細菌覓食優(yōu)化算法生物學(xué)基礎(chǔ)
8.1.2細菌覓食優(yōu)化算法發(fā)展歷程
8.2細菌覓食優(yōu)化算法實現(xiàn)
8.2.1細菌覓食優(yōu)化算法的操作步驟
8.2.2細菌覓食算法的流程
8.3基于細菌覓食算法的圖像匹配
8.3.1自適應(yīng)步長
8.3.2解逃逸
8.4基于細菌覓食算法的聚類問題
8.4.1改進趨化操作
8.4.2改進復(fù)制操作
8.4.3改進遷徙操作
參考文獻
第9章分布估計算法
9.1分布估計算法起源
9.1.1分布估計算法統(tǒng)計學(xué)原理
9.1.2分布估計算法發(fā)展歷程
9.2分布估計算法實現(xiàn)
9.2.1分布估計算法流程
9.2.2分布估計算法改進
9.3基于分布估計算法的收斂性分析及多目標(biāo)優(yōu)化問題
9.3.1收斂性分析
9.3.2多分布估計算法
9.4基于分布估計算法的調(diào)度問題
9.4.1基于分布估計算法的柔性車間調(diào)度
9.4.2基于分布估計算法的資源受限項目調(diào)度
參考文獻
第10章差分進化算法
10.1差分進化算法與遺傳算法
10.1.1遺傳算法流程
10.1.2差分進化算法流程
10.1.3差分進化算法與遺傳算法的比較
10.2差分進化算法實現(xiàn)
10.2.1差分進化算法主要參數(shù)
10.2.2差分進化算法流程
10.3基于差分進化算法的多目標(biāo)優(yōu)化問題
10.3.1混合差分進化處理多目標(biāo)優(yōu)化問題
10.3.2自適應(yīng)差分進化處理多目標(biāo)優(yōu)化問題
10.4基于差分進化算法的調(diào)度問題
10.4.1基于差分進化算法的置換流水線調(diào)度
10.4.2基于差分進化算法的有限緩沖區(qū)調(diào)度
10.4.3基于差分進化算法的作業(yè)車間調(diào)度
參考文獻
第11章模擬退火算法
11.1模擬退火算法起源
11.1.1固體退火原理
11.1.2模擬退火算法發(fā)展歷程
11.2模擬退火算法實現(xiàn)
11.2.1模擬退火算法基本思想
11.2.2模擬退火算法流程
11.3基于模擬退火算法的超大規(guī)模集成電路研究
11.3.1集成電路布線
11.3.2優(yōu)化目標(biāo)
11.4基于模擬退火算法的圖像處理
11.4.1基于模擬退火算法的圖像復(fù)原
11.4.2基于模擬退火算法的圖像去噪
11.4.3基于模擬退火算法的圖像分割
11.5基于模擬退火算法的組合優(yōu)化
11.5.1基于模擬退火算法的01背包問題
11.5.2基于模擬退火算法的圖著色問題
11.5.3基于模擬退火算法的旅行商問題
參考文獻
第12章貪心算法
12.1從背包問題了解貪心算法
12.2貪心算法實現(xiàn)
12.2.1局部解概念
12.2.2貪心算法流程
12.3基于貪心算法的組合優(yōu)化
12.3.1基于貪心算法的背包問題
12.3.2基于貪心算法的旅行商問題
參考文獻
第13章雨滴算法
13.1自然降雨現(xiàn)象啟發(fā)下的雨滴算法
13.2雨滴算法理論基礎(chǔ)
13.3基于雨滴算法的多目標(biāo)優(yōu)化問題
13.3.1基于雨滴算法的多目標(biāo)應(yīng)急物資路徑優(yōu)化
13.3.2基于雨滴算法的混合時間窗車輛路徑問題
參考文獻
第14章禁忌搜索算法
14.1禁忌搜索算法起源
14.1.1禁忌搜索算法發(fā)展歷程
14.1.2禁忌搜索算法基本思想
14.2禁忌搜索算法實現(xiàn)
14.2.1禁忌搜索算法構(gòu)成要素
14.2.2禁忌搜索算法流程
14.3基于禁忌搜索的飛蜂窩網(wǎng)絡(luò)頻譜分配方法
14.3.1算法主要思想及流程
14.3.2算法實現(xiàn)具體步驟
14.3.3實驗分析
參考文獻
第15章量子搜索與優(yōu)化
15.1量子計算原理
15.1.1狀態(tài)的疊加
15.1.2狀態(tài)的相干
15.1.3狀態(tài)的糾纏
15.1.4量子并行性
15.2量子計算智能的幾種模型
15.2.1量子人工神經(jīng)網(wǎng)絡(luò)
15.2.2基于量子染色體的進化算法
15.2.3基于量子特性的優(yōu)化算法
15.2.4量子聚類算法
15.2.5量子模式識別算法
15.2.6量子小波與小波包算法
15.2.7量子退火算法
15.3量子進化算法
15.3.1基于量子旋轉(zhuǎn)門的進化算法
15.3.2基于吸引子的進化算法
參考文獻
第16章量子粒子群優(yōu)化
16.1量子行為粒子群算法
16.1.1思想來源
16.1.2勢阱模型
16.1.3算法流程
16.2協(xié)同量子粒子群優(yōu)化
16.2.1協(xié)同量子粒子群算法
16.2.2改進的協(xié)同量子粒子群算法
16.2.3實驗結(jié)果及分析
16.3基于多次坍塌正交交叉的量子粒子群優(yōu)化
16.3.1量子多次坍塌
16.3.2正交交叉實驗簡介
16.3.3多次坍塌正交交叉的量子粒子群算法
16.3.4實驗及分析
參考文獻
第17章小二乘法
17.1小二乘法數(shù)學(xué)基礎(chǔ)
17.2小二乘法流程
17.3小二乘法在機器學(xué)習(xí)中的應(yīng)用
參考文獻
第18章A*算法
18.1短路徑搜索
18.2A*算法實現(xiàn)
18.2.1A*算法原理
18.2.2A*算法簡單案例
18.3A*算法的優(yōu)勢與缺陷
參考文獻
第19章神經(jīng)網(wǎng)絡(luò)算法
19.1神經(jīng)網(wǎng)絡(luò)算法起源
19.1.1腦神經(jīng)元學(xué)說
19.1.2神經(jīng)網(wǎng)絡(luò)算法發(fā)展歷程
19.2神經(jīng)網(wǎng)絡(luò)算法實現(xiàn)
19.2.1神經(jīng)網(wǎng)絡(luò)構(gòu)成要素
19.2.2典型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
19.3基于神經(jīng)網(wǎng)絡(luò)算法的圖像處理
19.3.1基于神經(jīng)網(wǎng)絡(luò)算法的圖像分割
19.3.2基于神經(jīng)網(wǎng)絡(luò)算法的圖像修復(fù)
19.3.3基于神經(jīng)網(wǎng)絡(luò)算法的目標(biāo)檢測與識別
19.4基于神經(jīng)網(wǎng)絡(luò)算法的預(yù)測控制
19.4.1基于神經(jīng)網(wǎng)絡(luò)算法的預(yù)測模型
19.4.2神經(jīng)網(wǎng)絡(luò)預(yù)測控制中的滾動優(yōu)化
參考文獻
第20章深度學(xué)習(xí)算法
20.1深度學(xué)習(xí)算法與神經(jīng)網(wǎng)絡(luò)
20.2深度學(xué)習(xí)算法實現(xiàn)
20.2.1深度概念
20.2.2深度學(xué)習(xí)算法基本思想
20.2.3深度模型優(yōu)化
20.3基于深度學(xué)習(xí)算法的計算機視覺
20.3.1基于深度學(xué)習(xí)算法的人臉識別
20.3.2基于深度學(xué)習(xí)算法的目標(biāo)跟蹤
20.4基于深度學(xué)習(xí)算法的語音識別
20.4.1基于深度學(xué)習(xí)算法的聲學(xué)模型
20.4.2基于深度學(xué)習(xí)算法的語言模型
參考文獻
第21章強化學(xué)習(xí)
21.1強化學(xué)習(xí)模型
21.1.1強化學(xué)習(xí)思路
21.1.2基于馬爾可夫決策過程的強化學(xué)習(xí)
21.2逆向強化學(xué)習(xí)
21.2.1邊際規(guī)劃
21.2.2基于信息熵的逆向強化學(xué)習(xí)
21.3基于多尺度FCNCRF網(wǎng)絡(luò)和強化學(xué)習(xí)的高分辨SAR圖像語義分割
21.3.1深度強化學(xué)習(xí)
21.3.2SAR圖像語義分割動態(tài)調(diào)優(yōu)策略
21.3.3算法實現(xiàn)
21.3.4實驗結(jié)果
參考文獻
第22章混合智能算法
22.1粒子群深度網(wǎng)絡(luò)模型及學(xué)習(xí)算法
22.1.1PSO自編碼網(wǎng)絡(luò)
22.1.2自適應(yīng)PSO自編碼網(wǎng)絡(luò)
22.1.3模擬退火PSO算法自編碼網(wǎng)絡(luò)
22.1.4實驗與分析
22.2混沌模擬退火深度網(wǎng)絡(luò)模型及學(xué)習(xí)算法
22.2.1混沌模擬退火深度網(wǎng)絡(luò)學(xué)習(xí)算法
22.2.2混沌模擬退火自編碼網(wǎng)絡(luò)
22.2.3混沌模擬退火深度小波網(wǎng)絡(luò)
22.2.4實驗與分析
參考文獻
書單推薦
