計算智能（第2版 微課版）

畢曉君 畢曉君，中央民族大學信息工程學院教授、博導，哈爾濱工程大學信息與通信工程學院兼職教授。長期從事信息智能處理技術與數字電子技術方向的課程教學工作，主要研究領域涉及智能優化算法、機器學習、數字圖像處理等。

第 1章 緒論　1

1.1　概述　1

1.2　最優化問題及其數學模型　1

1.3　最優化問題的分類　3

1.4　最優化方法的發展及分類　4

1.4.1　傳統優化方法　6

1.4.2　計算智能方法　6

1.4.3　計算智能方法的特點　10

1.5　計算智能方法的未來發展方向　11

1.6　章節安排介紹　12

1.7　本章小結　13

1.8　習題　13

第　2章 人工神經網絡　14

2.1　概述　14

2.2　人工神經網絡基本理論　15

2.2.1　人工神經元基本模型　15

2.2.2　人工神經網絡的結構　18

2.2.3　人工神經網絡的學習　19

2.3　前饋網絡的主要算法　21

2.3.1　感知器　21

2.3.2　BP網絡　24

2.3.3　RBF網絡　32

2.4　反饋網絡的主要算法　38

2.5　基於MATLAB語言的人工神經網絡工具箱　45

2.5.1　基本功能介紹　45

2.5.2　BP網絡的MATLAB實現　46

2.5.3　RBF網絡的設計實例　53

2.5.4　人工神經網絡工具箱中的圖形用戶界面　60

2.6　實驗：基於BP神經網絡的手寫數字識別　66

2.7　本章小結　74

2.8　習題　74

第3章　遺傳算法　75

3.1　概述　75

3.2　遺傳算法的基本原理　76

3.2.1　生物的進化過程　76

3.2.2　遺傳算法的基本思想　77

3.2.3　遺傳算法的具體步驟　77

3.3　遺傳算法應用中的常見問題　87

3.3.1　染色體長度和初始種群的確定問題　87

3.3.2　控制參數的選取問題　88

3.3.3　遺傳算子的具體操作問題　88

3.3.4　收斂判據的確定問題　89

3.4　實驗：基於遺傳算法解決旅行商問題　89

3.5　本章小結　101

3.6　習題　101

第4章　蟻群算法　102

4.1　概述　102

4.2　螞蟻群體的覓食過程　103

4.3　蟻群算法的基本原理　104

4.3.1　蟻群算法的數學模型　105

4.3.2　蟻群算法的具體實現流程　108

4.4　蟻群算法的參數選擇　110

4.5　改進的蟻群算法　112

4.5.1　ACS模型　112

4.5.2　MMAS模型　114

4.6　實驗：基於蟻群算法的機器人最短路徑規劃　115

4.7　本章小結　129

4.8　習題　130

第5章　人工免疫算法　131

5.1　概述　131

5.2　人工免疫算法的生物學基礎　132

5.2.1　生物免疫系統的基本定義　133

5.2.2　生物免疫系統的工作原理　134

5.3　人工免疫算法的基本原理　135

5.3.1　人工免疫算法的基本框架　136

5.3.2　否定選擇算法的基本原理　137

5.3.3　免疫規劃算法的基本原理　139

5.3.4　克隆選擇算法的基本原理　142

5.4　實驗：基於克隆選擇算法的PCNN參數自動選取　147

5.5　本章小結　162

5.6　習題　162

第6章　粒子群優化算法　163

6.1　概述　163

6.2　粒子群優化算法的基本原理　164

6.3　粒子群優化算法的改進　171

6.3.1　帶慣性權重的PSO算法　172

6.3.2　帶收縮因子的PSO算法　173

6.3.3　基於種群分類與動態學習因子的

PSO改進算法　174

6.4　實驗：基於粒子群優化算法的0-1

背包問題　175

6.5　本章小結　180

6.6　習題　181

第7章　人工蜂群算法　182

7.1　概述　182

7.2　人工蜂群算法的基本原理　183

7.3　改進的人工蜂群算法　187

7.3.1　針對高維復雜單目標優化問題

的改進人工蜂群算法　187

7.3.2　針對多峰優化問題的小生境人工蜂群算法　189

7.4　實驗：基於人工蜂群算法的圖像增強　193

7.5　本章小結　205

7.6　習題　205

第8章　生物地理學優化算法　206

8.1　概述　206

8.2　生物地理學優化算法的基本原理　207

8.3　生物地理學優化算法的基本流程　211

8.3.1　遷移操作　211

8.3.2　變異操作　212

8.3.3　算法框架　213

8.4　改進的生物地理學優化算法　213

8.4.1　混合型遷移操作　213

8.4.2　局部化生物地理學優化算法　215

8.4.3　生態地理學優化算法　219

8.5　生物地理學優化算法的應用實例　222

8.6　本章小結　226

8.7　習題　226

第9章　多目標優化算法　227

9.1　概述　227

9.2　三代多目標優化算法　228

9.2.1　第 一代多目標優化算法　228

9.2.2　第二代多目標優化算法　228

9.2.3　第三代多目標優化算法　234

9.3　高維多目標優化算法　237

9.3.1　基於分解的多目標優化算法　237

9.3.2　NSGA-III　240

9.3.3　結合目標空間分解技術的

NSGA-III改進算法　243

9.4　多目標優化算法的測試函數和評價指標　246

9.4.1　測試函數　246

9.4.2　評價指標　249

9.5　多目標優化算法的測試實例和應用實例　251

9.6　本章小結　256

9.7　習題　256

第　10章 約束優化算法　257

10.1　概述　257

10.2　約束處理技術　259

10.2.1　懲罰函數法　259

10.2.2　隨機排序法　260

10.2.3　可行性準則　260

10.2.4　ε約束法　261

10.2.5　多目標優化法　261

10.2.6　雙種群存儲技術　262

10.3　約束單目標優化算法　262

10.3.1　基於隨機排序法的約束單目標優化算法　263

10.3.2　基於 ε 約束法的約束單目標優化算法　263

10.3.3　基於雙種群存儲技術的約束單目標優化算法　265

10.3.4　約束單目標優化測試函數　268

10.4　約束多目標優化算法　270

10.4.1　基於隨機排序法的約束多目標優化算法　271

10.4.2　基於雙種群存儲技術的約束多目標優化算法　271

10.4.3　基於 ε 約束法的約束多目標優化算法　274

10.4.4　約束多目標優化測試函數　277

10.5　約束優化算法的應用實例　280

10.6　本章小結　284

10.7　習題　284