自然計(jì)算導(dǎo)論

第1章 緒論
1.1 從仿生學(xué)人工智能到自然計(jì)算
1.2 自然計(jì)算
1.3 自然計(jì)算的主要研究分支
1.3.1 進(jìn)化計(jì)算
1.3.2 群體智能
1.3.3 生物啟發(fā)計(jì)算
1.3.4 生態(tài)計(jì)算
1.3.5 復(fù)雜自適應(yīng)計(jì)算
第2章 自然計(jì)算的研究綜述與統(tǒng)一模型
2.1 自然計(jì)算的實(shí)現(xiàn)模式總覽
2.2 自然計(jì)算模式綜述
2.2.1 元胞自動機(jī)
2.2.2 模擬退火算法
2.2.3 人工蜂群算法
2.2.4 人工魚群算法
2.2.5 群搜索優(yōu)化
2.2.6 細(xì)菌覓食算法
2.2.7 細(xì)菌趨藥性算法
2.2.8 差分進(jìn)化
2.2.9 DNA計(jì)算
2.2.10 量子計(jì)算
2.2.11 復(fù)雜自適應(yīng)系統(tǒng)
2.2.12 混沌優(yōu)化
2.2.13 生物地理學(xué)優(yōu)化
2.2.14 自組織遷移算法
2.2.15 膜計(jì)算
2.2.16 文化基因算法
2.2.17 文化算法
2.2.18 情感計(jì)算
2.2.19 社會認(rèn)知優(yōu)化
2.3 自然計(jì)算的應(yīng)用與發(fā)展趨勢
2.3.1 自然計(jì)算應(yīng)用領(lǐng)域綜述
2.3.2 應(yīng)用分析與展望
2.4 自然計(jì)算的統(tǒng)一模型
2.4.1 自然計(jì)算模式的總體形式化描述
2.4.2 自然計(jì)算模式的統(tǒng)一框架理念
第3章 進(jìn)化計(jì)算
3.1 遺傳算法概述
3.1.1 遺傳算法的產(chǎn)生
3.1.2 遺傳算法的基本思想
3.1.3 遺傳算法基本操作
3.1.4 遺傳算法的特點(diǎn)
3.2 遺傳算法研究進(jìn)展
3.2.1 基本操作方法的改進(jìn)研究
3.2.2 編碼方法的改進(jìn)研究
3.2.3 保持群體多樣性方法的研究
3.3 遺傳算法的收斂性研究
3.3.1 遺傳算法的一般收斂性理論
3.3.2 遺傳算法的馬爾可夫鏈模型
3.3.3 遺傳算法的收斂性分析
3.4 遺傳算法的基本流程
3.5 遺傳算法的形式化描述
3.6 遺傳算法的自然計(jì)算框架模型
3.7 小結(jié)
第4章 分布估計(jì)算法
4.1 分布估計(jì)算法概述
4.1.1 分布估計(jì)算法起源
4.1.2 分布估計(jì)算法的基本思想
4.2 分布估計(jì)算法的基本流程
4.3 分布估計(jì)算法的研究進(jìn)展
4.3.1 離散的分布估計(jì)算法
4.3.2 連續(xù)的分布估計(jì)算法
4.3.3 分布估計(jì)算法的理論研究
4.3.4 分布估計(jì)算法的研究熱點(diǎn)
4.4 分布估計(jì)算法的形式化描述
4.5 分布估計(jì)算法的自然計(jì)算框架模型
4.6 小結(jié)
第5章 神經(jīng)網(wǎng)絡(luò)計(jì)算
5.1 人工神經(jīng)網(wǎng)絡(luò)概述
5.1.1 人工神經(jīng)元模型
5.1.2 人工神經(jīng)網(wǎng)絡(luò)模型
5.1.3 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)(訓(xùn)練)方法
5.1.4 人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)
5.2 人工神經(jīng)網(wǎng)絡(luò)的總體形式化描述
5.3 Hopfield神經(jīng)網(wǎng)絡(luò)的自然計(jì)算框架描述
5.3.1 Hopfield神經(jīng)網(wǎng)絡(luò)
5.3.2 Hopfield神經(jīng)網(wǎng)絡(luò)的形式化描述
5.3.3 Hopfield神經(jīng)網(wǎng)絡(luò)的自然計(jì)算框架模型
5.4 RBF神經(jīng)網(wǎng)絡(luò)的自然計(jì)算框架描述
5.4.1 徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)
5.4.2 RBF神經(jīng)網(wǎng)絡(luò)的形式化描述
5.4.3 RBF神經(jīng)網(wǎng)絡(luò)的自然計(jì)算框架模型
5.5 小結(jié)
第6章 群體智能——蟻群算法
6.1 蟻群算法概述
6.1.1 蟻群算法的起源
6.1.2 蟻群個(gè)體的運(yùn)動規(guī)則
6.1.3 實(shí)例說明及應(yīng)用狀況
6.2 蟻群算法的研究進(jìn)展
6.2.1 蟻群算法的改進(jìn)
6.2.2 蟻群算法的收斂性研究
6.2.3 蟻群算法的仿真和實(shí)現(xiàn)
6.2.4 蟻群算法的應(yīng)用
6.3 蟻群算法描述
6.3.1 用于求解TSP問題的蟻群算法定義
6.3.2 蟻群算法的形式化描述
6.4 蟻群算法的自然計(jì)算框架模型
6.5 小結(jié)
第7章 群體智能——微粒群算法
7.1 微粒群算法概述
7.2 微粒群算法描述
7.2.1 微粒群算法的基本原理
7.2.2 微粒群算法的數(shù)學(xué)描述
7.2.3 微粒群算法流程
7.3 微粒群算法研究進(jìn)展
7.3.1 微粒群算法的改進(jìn)研究
7.3.2 微粒群算法的應(yīng)用
7.3.3 微粒群算法的收斂性研究
7.3.4 微粒群算法的參數(shù)效能分析
7.4 微粒群算法的形式化描述
7.5 微粒群算法的自然計(jì)算框架模型
7.6 小結(jié)
第8章 免疫計(jì)算
8.1 人工免疫系統(tǒng)概述
8.1.1 人工免疫系統(tǒng)
8.1.2 人工免疫系統(tǒng)的研究概況
8.1.3 人工免疫系統(tǒng)的應(yīng)用
8.2 人工免疫算法
8.2.1 概述
8.2.2 典型的人工免疫算法
8.2.3 人工免疫算法的收斂性分析
8.2.4 人工免疫算法的工程應(yīng)用
8.3 標(biāo)準(zhǔn)人工免疫算法描述
8.4 人工免疫算法的形式化描述
8.5 人工免疫算法的自然計(jì)算框架模型
8.6 小結(jié)
第9章 人工內(nèi)分泌系統(tǒng)
9.1 人工內(nèi)分泌系統(tǒng)概述
9.1.1 內(nèi)分泌系統(tǒng)
9.1.2 人工內(nèi)分泌系統(tǒng)研究現(xiàn)狀
9.2 人工內(nèi)分泌系統(tǒng)描述
9.2.1 人工內(nèi)分泌網(wǎng)絡(luò)模型定義
9.2.2 人工內(nèi)分泌網(wǎng)絡(luò)的動力學(xué)描述
9.2.3 網(wǎng)絡(luò)模型的自適應(yīng)調(diào)節(jié)
9.3 基于人工內(nèi)分泌網(wǎng)絡(luò)模型的行為控制算法
9.4 人工內(nèi)分泌網(wǎng)絡(luò)的形式化描述
9.5 人工內(nèi)分泌系統(tǒng)的自然計(jì)算框架模型
9.6 小結(jié)
后記
參考文獻(xiàn)