目錄
前言
第1章 認知科學(xué)及其特點 1
1.1 認知科學(xué) 1
1.1.1 認知科學(xué)的定義 1
1.1.2 認知科學(xué)的歷史起源 1
1.1.3 認知科學(xué)的研究領(lǐng)域 2
1.1.4 認知科學(xué)的研究方法 4
1.1.5 認知科學(xué)的未來方向 5
1.2 認知雷達 6
1.2.1 認知雷達的基礎(chǔ)概念 6
1.2.2 認知雷達的基本框架 7
1.2.3 認知雷達的工作原理 10
1.2.4 認知雷達的關(guān)鍵技術(shù) 12
1.3 認知無線網(wǎng)絡(luò)及其無線資源管理概述 14
1.3.1 認知無線網(wǎng)絡(luò)概述 14
1.3.2 認知無線網(wǎng)絡(luò)的智能性 14
1.3.3 認知無線網(wǎng)絡(luò)的應(yīng)用領(lǐng)域 16
1.3.4 認知無線網(wǎng)絡(luò)的研究進展 17
1.3.5 認知無線網(wǎng)絡(luò)的主要研究內(nèi)容 18
1.3.6 認知無線網(wǎng)絡(luò)中的無線資源管理問題 19
1.3.7 頻譜分配的研究進展 21
1.3.8 頻譜決策的研究進展 24
1.3.9 認知OFDM資源分配的研究進展 25
參考文獻 27
第2章 多目標優(yōu)化問題 32
2.1 多目標優(yōu)化問題介紹 32
2.2 多目標進化算法簡介 32
2.2.1 基于Pareto的多目標進化算法 33
2.2.2 基于指標的多目標進化算法 34
2.2.3 基于分解的多目標進化算法 34
2.3 多目標優(yōu)化測試問題與度量指標研究 35
2.3.1 多目標優(yōu)化測試問題 35
2.3.2 多目標優(yōu)化算法度量指標 36
2.4 研究難點及現(xiàn)狀 38
2.4.1 決策空間復(fù)雜的多目標優(yōu)化問題 38
2.4.2 目標空間復(fù)雜的多目標優(yōu)化問題 39
參考文獻 40
第3章 基于等度規(guī)映射的支配機制用于求解多目標優(yōu)化問題 47
3.1 引言 47
3.2 ε支配的定義與分析 47
3.2.1 ε支配與Pareto支配的關(guān)系 47
3.2.2 傳統(tǒng)支配的缺點分析 48
3.3 基于等度規(guī)映射的ε支配 49
3.3.1 等度規(guī)映射 50
3.3.2 改進支配機制的等度規(guī)映射方法 51
3.3.3 基于等度規(guī)映射的ε支配的時間復(fù)雜度分析 52
3.4 基于等度規(guī)映射ε支配的實驗分析 53
3.4.1 實驗測試函數(shù) 53
3.4.2 實驗參數(shù)設(shè)置與評價指標選擇 54
3.4.3 對九個不同Pareto前沿問題的實驗測試結(jié)果與分析 55
3.4.4 本征維數(shù)的估計 59
3.5 本章小結(jié) 60
參考文獻 60
第4章 基于在線非支配抗體的自適應(yīng)多目標優(yōu)化 62
4.1 引言 62
4.2 非支配等級劃分方法和擁擠距離計算 63
4.2.1 非支配等級劃分方法 63
4.2.2 擁擠距離計算 65
4.3 基于在線非支配抗體的自適應(yīng)多目標優(yōu)化算法 66
4.3.1 進化計算中的自適應(yīng)機制總結(jié) 66
4.3.2 在線非支配抗體數(shù)量調(diào)查 68
4.3.3 基于在線非支配抗體的自適應(yīng)多目標優(yōu)化算法流程 69
4.3.4 在線非支配抗體自適應(yīng)多目標優(yōu)化算法的時間復(fù)雜度分析 73
4.4 仿真對比實驗研究 74
4.4.1 測試函數(shù)選擇與實驗設(shè)置 74
4.4.2 對十個低維目標優(yōu)化問題的實驗結(jié)果對比與分析 75
4.4.3 引入?yún)��?shù)KPO和KPT的敏感性分析 79
4.4.4 AHMA中三個階段平均被調(diào)用次數(shù) 80
4.4.5 AHMA在求解高維目標優(yōu)化問題的性能分析 81
4.4.6 AHMA的運行時間分析 84
4.5 本章小結(jié) 84
參考文獻 85
第5章 基于自適應(yīng)等級克隆和動態(tài)m近鄰表的克隆選擇多目標優(yōu)化 87
5.1 引言 87
5.2 傳統(tǒng)免疫多目標優(yōu)化算法的性能分析 88
5.3 基于自適應(yīng)等級克隆和動態(tài)m近鄰表的克隆選擇多目標優(yōu)化算法 90
5.3.1 基于動態(tài)近鄰表的抗體刪除機制 90
5.3.2 自適應(yīng)等級克隆機制 94
5.3.3 基于自適應(yīng)等級克隆機制和m近鄰表的克隆選擇多目標優(yōu)化算法流程 96
5.4 NNIA2的實驗對比與分析 97
5.4.1 對比算法選擇 97
5.4.2 優(yōu)化問題選擇和實驗參數(shù)設(shè)置 98
5.4.3 NNIA2在求解低維目標測試函數(shù)的性能分析 100
5.4.4 NNIA2在求解高維目標測試函數(shù)的性能分析 111
5.4.5 NNIA2與NNIA的魯棒性分析 113
5.4.6 NNIA2運算時間分析 114
5.5 本章小結(jié) 115
參考文獻 115
第6章 基于角解優(yōu)先的高維多目標非支配排序方法 117
6.1 引言 117
6.2 基于角解優(yōu)先的高維多目標非支配排序方法相關(guān)背景 117
6.2.1 角解 117
6.2.2 相關(guān)非支配排序方法 118
6.3 基于角解優(yōu)先的非支配排序方法 119
6.3.1 基本框架 119
6.3.2 排序方法 119
6.3.3 高維多目標優(yōu)化問題的優(yōu)勢 120
6.4 算法有效性驗證與結(jié)果分析 121
6.4.1 云數(shù)據(jù) 121
6.4.2 固定前端數(shù)據(jù) 124
6.4.3 混合數(shù)據(jù) 127
6.4.4 實際數(shù)據(jù) 128
6.4.5 討論與分析 130
6.5 本章小結(jié) 131
參考文獻 131
第7章 雙檔案高維多目標進化算法 132
7.1 引言 132
7.2 雙檔案算法簡介 133
7.2.1 基本框架 133
7.2.2 優(yōu)點與缺點 134
7.3 基于雙檔案的高維多目標進化算法 134
7.3.1 基本框架 134
7.3.2 收斂性檔案選擇方法 134
7.3.3 多樣性檔案選擇方法 135
7.4 算法有效性驗證與結(jié)果分析 136
7.4.1 算法分析 136
7.4.2 對比實驗 139
7.5 本章小結(jié) 151
參考文獻 152
第8章 融合非局部均值去噪的高效免疫多目標SAR圖像自動分割 154
8.1 引言 154
8.2 基于非局部均值的SAR圖像去噪技術(shù) 155
8.3 融合非局部均值去噪的高效免疫多目標SAR圖像自動分割算法 157
8.3.1 基于動態(tài)擁擠距離的抗體刪除策略 157
8.3.2 自適應(yīng)等級均勻克隆機制 158
8.3.3 基因座近鄰表示的抗體編碼機制與分割目標函數(shù)選擇 158
8.3.4 本章提出的SAR圖像自動分割算法 160
8.4 實驗及結(jié)果分析 162
8.4.1 五個對比算法分析與關(guān)鍵參數(shù)設(shè)置 162
8.4.2 針對兩幅合成SAR圖像和TerraSAR衛(wèi)星圖像的實驗結(jié)果分析 163
8.4.3 進化代數(shù)對于MASF性能的影響 167
8.4.4 非局部均值濾波與特征提取方案對最終分割結(jié)果的比較 168
8.4.5 MASF運行時間對比分析 169
8.5 本章小結(jié) 170
參考文獻 170
第9章 基于自然計算優(yōu)化的非凸重構(gòu)方法 172
9.1 引言 172
9.2 基于自然計算優(yōu)化的兩階段壓縮感知重構(gòu)模型 174
9.3 基于過完備字典和結(jié)構(gòu)稀疏的重構(gòu)策略 175
9.3.1 塊壓縮感知重構(gòu) 175
9.3.2 結(jié)構(gòu)稀疏約束的重構(gòu)模型 176
9.4 基于自然計算優(yōu)化的兩階段非凸重構(gòu)方法 177
9.4.1 基于遺傳進化的第一階段重構(gòu) 177
9.4.2 基于克隆選擇的第二階段重構(gòu) 182
9.5 仿真實驗及結(jié)果分析 185
參考文獻 194
第10章 基于免疫克隆優(yōu)化的認知無線網(wǎng)絡(luò)頻譜分配 196
10.1 引言 196
10.2 認知無線網(wǎng)絡(luò)的頻譜感知和分配模型 197
10.2.1 物理層頻譜感知過程 197
10.2.2 物理連接模型及建模過程 197
10.2.3 認知無線網(wǎng)絡(luò)頻譜分配的圖著色模型 199
10.2.4 認知無線網(wǎng)絡(luò)的頻譜分配矩陣 199
10.3 基于免疫克隆優(yōu)化的頻譜分配具體實現(xiàn) 201
10.3.1 算法具體實現(xiàn) 201
10.3.2 算法特點和優(yōu)勢分析 203
10.3.3 算法收斂性證明 203
10.4 仿真實驗與結(jié)果分析 205
10.4.1 實驗數(shù)據(jù)的生成 205
10.4.2 算法參數(shù)設(shè)置 205
10.4.3 實驗結(jié)果及對比分析 205
10.4.4 基于WRAN的系統(tǒng)級仿真 209
10.5 本章小結(jié) 210
參考文獻 211
第11章 基于混沌量子克隆的按需頻譜分配算法 213
11.1 引言 213
11.2 考慮認知用戶需求的按需頻譜分配模型 213
11.2.1 基于圖著色理論的頻譜分配建模 213
11.2.2 考慮認知用戶需求的頻譜分配模型 214
11.3 基于混沌量子克隆算法的按需頻譜分配具體實現(xiàn) 216
11.3.1 算法具體實現(xiàn)過程 216
11.3.2 算法特點和優(yōu)勢分析 219
11.3.3 算法收斂性分析 219
11.4 仿真實驗與結(jié)果分析 221
11.4.1 實驗數(shù)據(jù)的生成 221
11.4.2 相關(guān)算法參數(shù)的設(shè)置 222
11.4.3 實驗結(jié)果及對比分析 222
11.5 本章小結(jié) 226
參考文獻 226
第12章 量子免疫克隆算法求解基于認知引擎的頻譜決策問題 228
12.1 引言 228
12.2 基于認知引擎的頻譜決策分析與建模 228
12.3 算法關(guān)鍵技術(shù)與具體實現(xiàn) 229
12.3.1 關(guān)鍵技術(shù) 229
12.3.2 算法具體步驟 230
12.3.3 算法特點和優(yōu)勢分析 232
12.3.4 算法收斂性分析 232
12.4 仿真實驗及結(jié)果分析 233
12.4.1 仿真實驗環(huán)境及參數(shù)設(shè)置 233
12.4.2 仿真實驗結(jié)果及分析 234
12.5 本章小結(jié) 238
參考文獻 239
第13章 基于免疫優(yōu)化的認知OFDM系統(tǒng)資源分配 240
13.1 引言 240
13.2 基于免疫優(yōu)化的子載波資源分配 240
13.2.1 認知OFDM子載波資源分配描述 240
13.2.2 認知OFDM子載波資源分配模型 241
13.2.3 算法實現(xiàn)的關(guān)鍵技術(shù) 242
13.2.4 基于免疫優(yōu)化的算法實現(xiàn)過程 243
13.2.5 算法特點和優(yōu)勢分析 245
13.2.6 仿真實驗結(jié)果 245
13.2.7 小結(jié) 248
13.3 基于免疫優(yōu)化的功率資源分配 248
13.3.1 功率資源分配問題描述 248
13.3.2 功率資源分配問題的模型 249
13.3.3 算法實現(xiàn)的關(guān)鍵技術(shù) 250
13.3.4 基于免疫克隆優(yōu)化的算法實現(xiàn)過程 251
13.3.5 算法特點分析 253
13.3.6 實驗結(jié)果與分析 253
13.3.7 小結(jié) 256
13.4 聯(lián)合子載波和功率的比例公平資源分配 256
13.4.1 問題描述 256
13.4.2 比例公平資源分配模型 257
13.4.3 基于免疫優(yōu)化的資源分配實現(xiàn)過程 258
13.4.4 仿真實驗結(jié)果與分析 264
13.4.5 小結(jié) 268
13.5 本章小結(jié) 268
參考文獻 268