幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

計算智能(第2版微課版)/新一代人工智慧創新人才培養精品系列

  • 作者：編者:畢曉君//喬偉征|責編:孫澍
  • 出版社：人民郵電
  • ISBN：9787115683724
  • 出版日期：2025/12/01
  • 裝幀：平裝
  • 頁數：284
人民幣：RMB 69.8 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    計算智能是人工智慧領域較為前沿的研究方向，它是受「大自然智慧」啟發而被設計出的一類演算法的統稱。計算智能所具有的全局搜索、高效並行等優點為解決複雜優化問題提供了新思路和新手段，引起了國內外學者的廣泛關注並掀起了研究熱潮。目前，計算智能的相關研究成果已成功應用於信息處理、調度優化、工程式控制制、經濟管理等眾多領域。
    本書在歸納近年計算智能研究成果的基礎上，系統且詳細地介紹了計算智能中較為典型的9種演算法——人工神經網路、遺傳演算法、蟻群演算法、人工免疫演算法、粒子群優化演算法、人工蜂群演算法、生物地理學優化演算法、多目標優化演算法以及約束優化演算法，並給出了各個演算法基於MATLAB軟體的模擬實現過程和在信號與通信領域的應用實例。本書知識點的講解通俗易懂、直觀生動，易於讀者快速掌握。
    本書可作為高等院校人工智慧、模式識別與智能系統、自動化、信號與信息處理、電腦應用技術等專業本科生和研究生的教材，也可供計算智能相關領域的研究人員學習參考。
作者介紹
編者:畢曉君//喬偉征|責編:孫澍
目錄
第1章  緒論
  1.1  概述
  1.2  最優化問題及其數學模型
  1.3  最優化問題的分類
  1.4  最優化方法的發展及分類
    1.4.1  傳統優化方法
    1.4.2  計算智能方法
    1.4.3  計算智能方法的特點
  1.5  計算智能方法的未來發展方向
  1.6  章節安排介紹
  1.7  本章小結
  1.8  習題
第2章  人工神經網路
  2.1  概述
  2.2  人工神經網路基本理論
    2.2.1  人工神經元基本模型
    2.2.2  人工神經網路的結構
    2.2.3  人工神經網路的學習
  2.3  前饋網路的主要演算法
    2.3.1  感知器
    2.3.2  BP網路
    2.3.3  RBF網路
  2.4  反饋網路的主要演算法
  2.5  基於MATLAB語言的人工神經網路工具箱
    2.5.1  基本功能介紹
    2.5.2  BP網路的MATLAB實現
    2.5.3  RBF網路的設計實例
    2.5.4  人工神經網路工具箱中的圖形用戶界面
  2.6  實驗：基於BP神經網路的手寫數字識別
  2.7  本章小結
  2.8  習題
第3章  遺傳演算法
  3.1  概述
  3.2  遺傳演算法的基本原理
    3.2.1  生物的進化過程
    3.2.2  遺傳演算法的基本思想
    3.2.3  遺傳演算法的具體步驟
  3.3  遺傳演算法應用中的常見問題
    3.3.1  染色體長度和初始種群的確定問題
    3.3.2  控制參數的選取問題
    3.3.3  遺傳運算元的具體操作問題
    3.3.4  收斂判據的確定問題
  3.4  實驗：基於遺傳演算法解決旅行商問題
  3.5  本章小結
  3.6  習題
第4章  蟻群演算法
  4.1  概述
  4.2  螞蟻群體的覓食過程
  4.3  蟻群演算法的基本原理
    4.3.1  蟻群演算法的數學模型

    4.3.2  蟻群演算法的具體實現流程
  4.4  蟻群演算法的參數選擇
  4.5  改進的蟻群演算法
    4.5.1  ACS模型
    4.5.2  MMAS模型
  4.6  實驗：基於蟻群演算法的機器人最短路徑規劃
  4.7  本章小結
  4.8  習題
第5章  人工免疫演算法
  5.1  概述
  5.2  人工免疫演算法的生物學基礎
    5.2.1  生物免疫系統的基本定義
    5.2.2  生物免疫系統的工作原理
  5.3  人工免疫演算法的基本原理
    5.3.1  人工免疫演算法的基本框架
    5.3.2  否定選擇演算法的基本原理
    5.3.3  免疫規劃演算法的基本原理
    5.3.4  克隆選擇演算法的基本原理
  5.4  實驗：基於克隆選擇演算法的PCNN參數自動選取
  5.5  本章小結
  5.6  習題
第6章  粒子群優化演算法
  6.1  概述
  6.2  粒子群優化演算法的基本原理
  6.3  粒子群優化演算法的改進
    6.3.1  帶慣性權重的PSO演算法
    6.3.2  帶收縮因子的PSO演算法
    6.3.3  基於種群分類與動態學習因子的PSO改進演算法
  6.4  實驗：基於粒子群優化演算法的0-1背包問題
  6.5  本章小結
  6.6  習題
第7章  人工蜂群演算法
  7.1  概述
  7.2  人工蜂群演算法的基本原理
  7.3  改進的人工蜂群演算法
    7.3.1  針對高維複雜單目標優化問題的改進人工蜂群演算法
    7.3.2  針對多峰優化問題的小生境人工蜂群演算法
  7.4  實驗：基於人工蜂群演算法的圖像增強
  7.5  本章小結
  7.6  習題
第8章  生物地理學優化演算法
  8.1  概述
  8.2  生物地理學優化演算法的基本原理
  8.3  生物地理學優化演算法的基本流程
    8.3.1  遷移操作
    8.3.2  變異操作
    8.3.3  演算法框架
  8.4  改進的生物地理學優化演算法
    8.4.1  混合型遷移操作
    8.4.2  局部化生物地理學優化演算法

    8.4.3  生態地理學優化演算法
  8.5  生物地理學優化演算法的應用實例
  8.6  本章小結
  8.7  習題
第9章  多目標優化演算法
  9.1  概述
  9.2  三代多目標優化演算法
    9.2.1  第一代多目標優化演算法
    9.2.2  第二代多目標優化演算法
    9.2.3  第三代多目標優化演算法
  9.3  高維多目標優化演算法
    9.3.1  基於分解的多目標優化演算法
    9.3.2  NSGA-III
    9.3.3  結合目標空間分解技術的NSGA-III改進演算法
  9.4  多目標優化演算法的測試函數和評價指標
    9.4.1  測試函數
    9.4.2  評價指標
  9.5  多目標優化演算法的測試實例和應用實例
  9.6  本章小結
  9.7  習題
第10章  約束優化演算法
  10.1  概述
  10.2  約束處理技術
    10.2.1  懲罰函數法
    10.2.2  隨機排序法
    10.2.3  可行性準則
    10.2.4  ε約束法
    10.2.5  多目標優化法
    10.2.6  雙種群存儲技術
  10.3  約束單目標優化演算法
    10.3.1  基於隨機排序法的約束單目標優化演算法
    10.3.2  基於ε約束法的約束單目標優化演算法
    10.3.3  基於雙種群存儲技術的約束單目標優化演算法
    10.3.4  約束單目標優化測試函數
  10.4  約束多目標優化演算法
    10.4.1  基於隨機排序法的約束多目標優化演算法
    10.4.2  基於雙種群存儲技術的約束多目標優化演算法
    10.4.3  基於ε約束法的約束多目標優化演算法
    10.4.4  約束多目標優化測試函數
  10.5  約束優化演算法的應用實例
  10.6  本章小結
  10.7  習題

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032