計算智能方法

 

目錄

 

 

 

 

 

 

 

第1章緒論

 

1．1智能計算概述

 

1．2進化計算

 

1．3群智能計算

 

1．4神經計算

 

1．5機器學習

 

第2章進化計算中的遺傳算法

 

2．1遺傳算法概述

 

2．1．1遺傳算法

 

2．1．2基本原理圖

 

2．1．3模式定理

 

2．1．4積木塊假設

 

2．1．5研究進展

 

2．2遺傳算法的流程

 

2．2．1科學定義

 

2．2．2執行過程

 

2．2．3基本本質

 

2．2．4染色體編碼

 

2．2．5群體初始化

 

2．2．6適應度值評價

 

2．2．7選擇算子

 

2．2．8交叉算子

 

2．2．9變異算子

 

2．2．10流程圖和偽代碼

 

2．3遺傳算法的改進

 

2．3．1算子選擇

 

2．3．2參數設置

 

2．3．3混合遺傳算法

 

2．3．4並行遺傳算法

 

2．4遺傳算法的編碼規則

 

2．4．1二進制編碼法

 

2．4．2浮點編碼法

 

2．4．3符號編碼法

 

2．5遺傳算法的應用

 

2．6遺傳算法的相關應用與MATLAB算例

 

2．6．1遺傳算法實例1

 

2．6．2遺傳算法實例2

 

2．7遺傳算法總結

 

 

 

 

 

第3章群智能計算

 

3．1粒子群優化算法

 

3．1．1粒子群優化算法簡介

 

3．1．2粒子群優化算法的基本流程

 

3．1．3粒子群算法分類

 

3．1．4粒子群優化算法的改進研究

 

3．1．5粒子群優化算法的參數設置

 

3．1．6粒子群優化算法與遺傳算法的比較

 

3．1．7粒子群優化算法的相關應用與MATLAB算例

 

3．2蟻群算法

 

3．2．1蟻群算法的基本原理

 

3．2．2蟻群算法的算法流程

 

3．2．3蟻群算法的發展

 

3．2．4蟻群算法的改進研究

 

3．2．5蟻群算法的參數設置

 

3．2．6蟻群算法的應用

 

3．2．7蟻群算法的相關應用與MATLAB算例

 

3．2．8蟻群算法的總結與展望

 

第4章神經計算

 

4．1BP神經網絡

 

4．1．1BP神經網絡的概念

 

4．1．2BP神經網絡的模型

 

4．1．3BP神經網絡的特性

 

4．1．4BP神經網絡的相關應用與MATLAB算例

 

4．1．5BP神經網絡的算法改進

 

4．2深度神經網絡

 

4．2．1深度神經網絡的概念

 

4．2．2深度神經網絡的模型

 

4．2．3深度神經網絡的特性

 

4．2．4深度神經網絡的應用

 

4．2．5深度神經網絡的優化

 

4．3捲積神經網絡

 

4．3．1捲積神經網絡的歷史和基本概念

 

4．3．2捲積神經網絡的結構

 

4．3．3捲積神經網絡的應用與MATLAB算例

 

4．3．4捲積神經網絡的最新發展

 

4．4循環神經網絡

 

4．4．1循環神經網絡的歷史和基本概念

 

4．4．2循環神經網絡的結構

 

4．4．3循環神經網絡的應用與MATLAB算例

 

4．3．4循環神經網絡的最新發展

 

第5章機器學習

 

5．1樸素貝葉斯算法

 

5．1．1樸素貝葉斯算法的基本概念

 

5．1．2樸素貝葉斯算法的流程與模型

 

5．1．3樸素貝葉斯算法的特性與應用場景

 

5．1．4樸素貝葉斯算法的相關應用與MATLAB算例

 

5．2決策樹

 

5．2．1決策樹的基本概念

 

5．2．2決策樹的構建

 

5．2．3決策樹的剪枝

 

5．2．4決策樹的算法實現

 

5．2．5決策樹的相關應用與MATLAB算例

 

5．3隨機森林

 

5．3．1隨機森林的基本概念

 

5．3．2隨機森林的構造方法

 

5．3．3隨機森林的推廣

 

5．3．4隨機森林的相關應用與MATLAB算例