编辑推荐
（1）本书通过归纳多个典型的计算智能算法，系统且详细地介绍了计算智能的基础理论，便于读者理解和融会贯通计算智能的相关算法。
（2）本书在介绍每种算法的过程中加入了信号与通信领域的具体应用实例，便于读者深入理解和实际应用计算智能的相关算法。
（3）本书在配套的教辅资源（电子资源）中针对每种算法的具体应用实例给出了基于 MATLAB 软件的仿真程序和详细注释，便于读者理解和动手实践计算智能的相关算法。
内容简介
本书在归纳近年来计算智能研究成果的基础上，系统且详细地介绍了计算智能中较为典型的9种算法——人工神经网络、遗传算法、蚁群算法、人工免疫算法、粒子群优化算法、人工蜂群算法、生物地理学优化算法、多目标优化算法以及约束优化算法，并给出了各个算法基于MATLAB软件的仿真实现过程和在信号与通信领域的应用实例。
展开全文
- a-fy
- 53476bq
- c-bwh
- d-x1
- e-x2
- f-qy
- g-ml
- 01
- 02
- 03++
- 本章学习目标：
- 3.1 概述
- 3.2 遗传算法的基本原理
- 3.2.1 生物的进化过程
- 3.2.2 遗传算法的基本思想
- 3.2.3 遗传算法的具体步骤
- 1．编码
- 2．初始种群的产生
- 3．适应度函数的确定
- 4．遗传算法的3个基本算子
- 5．停止准则
- 3.3 遗传算法应用中的常见问题
- 3.3.1 染色体长度和初始种群的确定问题
- 3.3.2 控制参数的选取问题
- 3.3.3 遗传算子的具体操作问题
- 3.3.4 收敛判据的确定问题
- 3.4 遗传算法的应用实例
- 1．编码
- 2．生成初始种群
- 3．适应度值的计算
- 4．遗传算子操作
- 5．终止条件
- 6．仿真结果
- 3.5 本章小结
- 3.6 习题
- 04++
- 本章学习目标：
- 4.1 概述
- 4.2 蚂蚁群体的觅食过程
- 4.3 蚁群算法的基本原理
- 4.3.1 蚁群算法的数学模型
- 1．禁忌列表
- 2．能见度
- 3．虚拟信息素
- 4．概率转换规则
- 4.3.2 蚁群算法的具体实现流程
- 1．人工蚂蚁与真实蚂蚁的相同点
- 2．人工蚂蚁与真实蚂蚁的不同点
- 4.4 蚁群算法的参数选择
- 1．信息素与启发因子对蚁群算法性能的影响
- 2．信息素残留因子对蚁群算法性能的影响
- 3．蚂蚁数目对蚁群算法性能的影响
- 4．信息启发式因子、期望启发式因子与信息素强度对蚁群算法性能的影响
- 4.5 改进的蚁群算法
- 4.5.1 ACS模型
- 1．ACS模型的状态转移规则
- 2．ACS模型的全局信息素更新规则
- 3．ACS模型的局部信息素更新规则
- 4.5.2 MMAS模型
- 4.6 蚁群算法的应用实例
- 1．初始化过程
- 2．移动过程
- 3．更新过程
- 4．决策过程
- 5．图像分割的实验仿真结果
- 1．路径规划数学模型的建立
- 2．机器人最短路径规划的实现步骤
- 3．机器人最短路径规划的实验仿真结果
- 4.7 本章小结
- 4.8 习题
- 05++
- 本章学习目标：
- 5.1 概述
- 5.2 人工免疫算法的生物学基础
- 5.2.1 生物免疫系统的基本定义
- 1．抗原
- 2．抗体
- 3．B淋巴细胞
- 4．T淋巴细胞
- 5.2.2 生物免疫系统的工作原理
- 1．抗原识别
- 2．初次免疫应答
- 3．免疫选择过程
- 4．二次免疫应答
- 5.3 人工免疫算法的基本原理
- 5.3.1 人工免疫算法的基本框架
- 5.3.2 否定选择算法的基本原理
- 1．海明距离匹配规则
- 2．r连续位匹配规则
- 3．R&T匹配规则
- 5.3.3 免疫规划算法的基本原理
- 1．分析待求问题，收集特征信息
- 2．根据特征信息制作免疫疫苗
- 3．接种疫苗
- 5.3.4 克隆选择算法的基本原理
- 1．算法的初始化
- 2．克隆操作
- 3．免疫基因操作
- 4．克隆选择操作
- 5．克隆删除算子
- 6．抗体补充算子
- 5.4 人工免疫算法的应用实例
- 1．PCNN参数自动选取模型
- 2．基于CSA的PCNN参数自动选取的实现步骤
- 3．实验仿真与结果分析
- 5.5 本章小结
- 5.6 习题
- 06++
- 本章学习目标：
- 6.1 概述
- 6.2 粒子群优化算法的基本原理
- 1．求问题的最小值情况
- 2．求问题的最大值情况
- 1．对实际问题的解编码
- 2．根据实际问题构造评价问题可能解的优劣的适应度函数
- 3．粒子群初始化
- 4．确定初始种群的Pi(0)和G(0)
- 5．迭代循环
- 6．计算每个粒子的适应度值，确定Pi(t)和G(t)
- 7．判断算法是否满足终止条件（ ）
- 6.3 粒子群优化算法的改进
- 6.3.1 带惯性权重的PSO算法
- 1．线性调整w的策略
- 2．模糊调整w的策略
- 6.3.2 带收缩因子的PSO算法
- 6.3.3 基于种群分类与动态学习因子的PSO改进算法
- 6.4 粒子群优化算法的应用实例
- 6.5 本章小结
- 6.6 习题
- 07++
- 本章学习目标:
- 7.1 概述
- 1．系统性
- 2．分布式特征
- 3．自组织性
- 4．正/负反馈特征
- 7.2 人工蜂群算法的基本原理
- 1．初始化
- 2．引领蜂搜索
- 3．跟随蜂搜索
- 4．侦察蜂搜索
- 7.3 改进的人工蜂群算法
- 7.3.1 针对高维复杂单目标优化问题的改进人工蜂群算法
- 1．跟随蜂选择蜜源的概率模型改进
- 2．最差蜜源的替换
- 3．改进后的算法流程
- 7.3.2 针对多峰优化问题的小生境人工蜂群算法
- 1．拥挤模型
- 2．适应值共享模型
- 1．引领蜂个体的确定方式的改进
- 2．跟随蜂选择较优个体评价方式的改进
- 3．每次迭代的最终种群的确定方式的改进
- 4．设置外部种群
- 5．小生境人工蜂群算法的操作流程
- 7.4 人工蜂群算法的应用实例
- 1．图像增强优化模型
- 2．基于ABC算法的图像增强具体步骤
- 3．实验仿真结果
- 1．PID参数控制优化模型
- 2．基于ABC算法的PID参数控制具体步骤
- 3．实验仿真结果
- 7.5 本章小结
- 7.6 习题
- 08++
- 本章学习目标：
- 8.1 概述
- 8.2 生物地理学优化算法的基本原理
- 8.3 生物地理学优化算法的基本流程
- 8.3.1 迁移操作
- 8.3.2 变异操作
- 8.3.3 算法框架
- 8.4 改进的生物地理学优化算法
- 8.4.1 混合型迁移操作
- 8.4.2 局部化生物地理学优化算法
- 1．基于环形拓扑结构的迁移
- 2．基于矩形拓扑结构的迁移
- 3．基于随机拓扑结构的迁移
- 4．Local-BBO算法流程
- 8.4.3 生态地理学优化算法
- 1．生态地理学概述
- 2．EBO算法原理
- 3．EBO算法流程
- 8.5 生物地理学优化算法的应用实例
- 1．算法实现步骤
- 2．实验仿真结果
- 1．算法实现步骤
- 2．实验仿真结果
- 8.6 本章小结
- 8.7 习题
- 09++
- 本章学习目标：
- 9.1 概述
- 9.2 三代多目标优化算法
- 9.2.1 第一代多目标优化算法
- 9.2.2 第二代多目标优化算法
- 1．SPEA和SPEA2
- 2．PAES、PESA和PESA-II
- 3．NSGA-II
- 9.2.3 第三代多目标优化算法
- 1．基于粒子群优化的多目标优化算法
- 2．基于差分进化的多目标优化算法
- 3．基于人工免疫算法的多目标优化算法
- 4．基于分布估计的多目标优化算法
- 9.3 高维多目标优化算法
- 9.3.1 基于分解的多目标优化算法
- 1．权重向量的生成
- 2．分解策略
- 3．MOEA/D算法流程
- 9.3.2 NSGA-III
- 1．参考点生成
- 2．归一化进程
- 3．小生境保留操作
- 9.3.3 NSGA-III-OSD
- 1．目标空间分解
- 2．重组操作
- 3．环境选择
- 4．NSGA-III-OSD的实现步骤
- 9.4 多目标优化算法的测试函数和评价指标
- 9.4.1 测试函数
- 9.4.2 评价指标
- 1．世代距离（Generation Distance，GD）
- 2．间距（Spacing，SP）
- 3．反向世代距离（Inverted Generation Distance，IGD）
- 4．超体积（Hypervolume，HV）
- 9.5 多目标优化算法的测试实例和应用实例
- 1．NSGA-II的优化过程
- 2．实验仿真及结果
- 1．异构无线网络接入控制优化模型建立
- 2．基于MOEA/D算法的异构无线网络接入控制的实现步骤
- 3．异构无线网络接入控制的实验仿真结果
- 9.6 本章小结
- 9.7 习题
- 10++
- 本章学习目标：
- 10.1 概述
- 10.2 约束处理技术
- 10.2.1 惩罚函数法
- 10.2.2 随机排序法
- 10.2.3 可行性准则
- 10.2.4 ε约束法
- 10.2.5 多目标优化法
- 10.2.6 双种群存储技术
- 10.3 约束单目标优化算法
- 10.3.1 基于随机排序法的约束单目标优化算法
- 10.3.2 基于ε约束法的约束单目标优化算法
- 10.3.3 基于双种群存储技术的约束单目标优化算法
- 10.3.4 约束单目标优化测试函数
- 10.4 约束多目标优化算法
- 10.4.1 基于随机排序法的约束多目标优化算法
- 10.4.2 基于双种群存储技术的约束多目标优化算法
- 1．可行解集的更新
- 2．不可行解集的更新
- 10.4.3 基于ε约束法的约束多目标优化算法
- 10.4.4 约束多目标优化测试函数
- 10.5 约束优化算法的应用实例
- 1．相控阵雷达参数优化模型
- 2．相控阵雷达参数优化的实现步骤
- 3．相控阵雷达参数优化的实验仿真结果
- 10.6 本章小结
- 10.7 习题
- ck
- 参考文献
展开全部
版权信息
出版社：人民邮电出版社
出版时间：2020
作者：毕晓君
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《人民邮电出版社 计算智能》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
出版时间：2020
作者：毕晓君
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《人民邮电出版社 计算智能》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
人民邮电出版社 计算智能
免费读 (VIP)