|
關(guān)于我們
 書單推薦 新書推薦 |
智能算法導(dǎo)論 
定 價：75 元
9 7 5 8 8 7 4 3 6 0 5 2 0  本書有機(jī)融合自然計算、啟發(fā)式方法、量子、神經(jīng)網(wǎng)絡(luò)等智能理論和前沿技術(shù)，對遺傳算法、免疫算法、粒子群算法、蟻群算法等22種智能算法的起源、理論基礎(chǔ)、基本框架和典型應(yīng)用進(jìn)行了詳細(xì)論述，在此基礎(chǔ)上，針對相關(guān)領(lǐng)域中的典型問題給出智能算法的應(yīng)用示例。 本書可以為計算機(jī)科學(xué)、信息科學(xué)、人工智能、自動化技術(shù)等領(lǐng)域相關(guān)專業(yè)技術(shù)人員提供參考，也可以作為相關(guān)專業(yè)研究生和高年級本科生教材。 智能算法應(yīng)用廣泛，與生物學(xué)、計算機(jī)科學(xué)、神經(jīng)科學(xué)、語言學(xué)等學(xué)科交叉發(fā)展，互相影響。本書充分將自然計算、啟發(fā)式方法、量子、神經(jīng)網(wǎng)絡(luò)等有機(jī)融合，體現(xiàn)了深度的學(xué)科交叉。內(nèi)容豐富，闡述嚴(yán)謹(jǐn)，結(jié)合近年來智能算法的研究成果，緊跟國內(nèi)外研究動態(tài)，總結(jié)國內(nèi)外發(fā)展現(xiàn)狀，闡述編者對相關(guān)領(lǐng)域未來發(fā)展的思考，分享智能算法領(lǐng)域前沿技術(shù)。 人工智能發(fā)展歷史是短暫而曲折的，它點滴的進(jìn)步都有效推動了社會的發(fā)展。1956年，在達(dá)特茅斯學(xué)院舉行的一次會議上，計算機(jī)科學(xué)家約翰·麥卡錫說服與會者接受人工智能一詞作為本領(lǐng)域的名稱，這次會議也被大家看作人工智能正式誕生的標(biāo)志。此后的十幾年是人工智能發(fā)展的黃金年代，無數(shù)科學(xué)家前赴后繼對此進(jìn)行研究，為機(jī)器智能化和人性化不斷努力奮斗，獲得了許多成果，得到了廣泛贊賞，同時也讓研究者對人工智能領(lǐng)域的發(fā)展信心倍增。到了20世紀(jì)70年代，由于計算復(fù)雜性呈指數(shù)級增長，而計算機(jī)性能遇到瓶頸，同時出現(xiàn)數(shù)據(jù)量缺失等問題，一些難題看上去好像完全找不到答案，人工智能開始遭受批評。1977年，費根鮑姆在第五屆國際人工智能大會上提出了知識工程的概念，標(biāo)志著人工智能研究從傳統(tǒng)的以推理為中心的階段進(jìn)入以知識為中心的新階段。人工智能重新獲得人們的普遍重視，逐步跨進(jìn)了復(fù)興期。隨著人工智能的深入研究，模式識別的興起，機(jī)器思維可以代替人腦進(jìn)行各種計算、決策和分析，有效解放了人們雙手，智能技術(shù)越來越受到人們的歡迎。越來越多的科學(xué)家堅信，人工智能將為人類社會帶來第三次技術(shù)革命。作為人工智能的新生領(lǐng)域，智能算法是在自然計算、啟發(fā)式方法、量子、神經(jīng)網(wǎng)絡(luò)等分支發(fā)展相對成熟的基礎(chǔ)上，通過相互之間的有機(jī)融合形成的新的科學(xué)方法，也是智能理論和技術(shù)發(fā)展的嶄新階段。
尚榮華 博士，教授，博士生導(dǎo)師，IEEE 會員，教育部重點實驗室骨干成員，教育部創(chuàng)新團(tuán)隊骨干成員，國家 111計劃 創(chuàng)新引智基地骨干成員，校 智能信息處理優(yōu)秀創(chuàng)新團(tuán)隊 骨干成員。一直致力于智能感知與自然計算、類腦計算與大數(shù)據(jù)的學(xué)習(xí)、優(yōu)化與應(yīng)用研究。發(fā)表論文100余篇，其中SCI檢索80余篇，IEEE期刊16篇。Google Scholar引用2007次，單篇168次。主持了包括2項國家自然科學(xué)基金面上在內(nèi)的10余項科研項目。授權(quán)國家發(fā)明專利20余項，出版專著6部。 第1章遺傳算法 1.1遺傳算法起源 1.1.1遺傳算法生物學(xué)基礎(chǔ) 1.1.2遺傳算法發(fā)展歷程 1.2遺傳算法實現(xiàn) 1.2.1遺傳算法流程 1.2.2重要參數(shù) 1.3基于遺傳算法的組合優(yōu)化 1.3.1基于遺傳算法的TTP問題 1.3.2基于遺傳算法的旅行商問題 1.3.3基于遺傳算法的01規(guī)劃 1.4基于遺傳算法的圖像處理 1.4.1基于遺傳算法的圖像分割 1.4.2基于遺傳算法的圖像增強(qiáng) 1.4.3基于遺傳算法的圖像變化檢測 1.5基于遺傳算法的社區(qū)檢測 1.5.1多目標(biāo)遺傳算法 1.5.2遺傳編碼 1.5.3Pareto解 參考文獻(xiàn) 第2章免疫算法 2.1生物免疫系統(tǒng)與人工免疫系統(tǒng) 2.2免疫算法實現(xiàn) 2.2.1克隆選擇算法 2.2.2人工免疫系統(tǒng)模型 2.3基于免疫算法的聚類分析 2.3.1聚類問題 2.3.2免疫進(jìn)化方法 2.4基于免疫算法的限量弧路由問題 2.4.1限量弧路由問題模型 2.4.2基于免疫協(xié)同進(jìn)化的限量弧路由問題 參考文獻(xiàn) 第3章Memetic算法 3.1Memetic算法發(fā)展歷程 3.2Memetic算法實現(xiàn) 3.2.1Memetic算法流程 3.2.2Memetic算法改進(jìn) 3.2.3Memetic算法研究分類 3.3基于Memetic算法的社區(qū)檢測 3.3.1多目標(biāo)Memetic優(yōu)化算法 3.3.2局部搜索 3.4基于Memetic算法的限量弧路由問題 3.4.1路由距離分組 3.4.2子問題解的更替 3.4.3基于分解的Memetic算法 參考文獻(xiàn) 第4章粒子群算法 4.1粒子群算法起源 4.1.1粒子群算法生物學(xué)基礎(chǔ) 4.1.2粒子群算法發(fā)展歷程 4.2粒子群算法實現(xiàn) 4.2.1基本粒子群算法 4.2.2改進(jìn)粒子群算法 4.3基于粒子群算法的圖像處理 4.3.1基于粒子群算法的圖像分割 4.3.2基于粒子群算法的圖像分類 4.3.3基于粒子群算法的圖像匹配 4.4基于粒子群算法的優(yōu)化問題 4.4.1基于粒子群算法的旅行商問題 4.4.2基于粒子群算法的配送中心選址問題 4.4.3基于粒子群算法的函數(shù)優(yōu)化 參考文獻(xiàn) 第5章蟻群算法 5.1蟻群算法起源 5.1.1蟻群算法生物學(xué)基礎(chǔ) 5.1.2蟻群算法發(fā)展歷程 5.2蟻群算法實現(xiàn) 5.2.1蟻群算法流程 5.2.2離散域和連續(xù)域蟻群算法 5.3基于蟻群算法的路徑規(guī)劃 5.3.1蟻群算法的路徑規(guī)劃中的優(yōu)勢 5.3.2算法描述以及實現(xiàn) 5.3.3全局路徑規(guī)劃方法 5.4基于蟻群算法的社區(qū)檢測 5.4.1多目標(biāo)蟻群算法 5.4.2社區(qū)檢測問題的改進(jìn) 參考文獻(xiàn) 第6章狼群算法 6.1狼群算法起源 6.1.1狼群算法生物學(xué)基礎(chǔ) 6.1.2狼群算法發(fā)展歷程 6.2狼群算法實現(xiàn) 6.2.1狼群算法中的智能行為定義 6.2.2狼群算法流程 6.3基于狼群算法的函數(shù)求解 6.3.1數(shù)學(xué)模型 6.3.2函數(shù)優(yōu)化問題 6.4基于狼群算法的優(yōu)化調(diào)度問題 6.4.1基于狼群算法的電網(wǎng)調(diào)度優(yōu)化 6.4.2基于狼群算法的水電站優(yōu)化調(diào)度 參考文獻(xiàn) 第7章人工蜂群算法 7.1人工蜂群算法起源 7.1.1人工蜂群算法生物學(xué)基礎(chǔ) 7.1.2人工蜂群算法發(fā)展歷程 7.2人工蜂群算法實現(xiàn) 7.2.1人工蜂群算法流程 7.2.2混合人工蜂群算法 7.3基于人工蜂群算法的函數(shù)優(yōu)化 7.3.1基于人工蜂群算法的多目標(biāo)優(yōu)化問題 7.3.2基于人工蜂群算法的動態(tài)優(yōu)化 7.4基于人工蜂群算法的圖像處理 7.4.1基于人工蜂群算法的圖像增強(qiáng) 7.4.2基于人工蜂群算法的圖像分割 7.4.3基于人工蜂群算法的圖像融合 參考文獻(xiàn) 第8章細(xì)菌覓食優(yōu)化算法 8.1細(xì)菌覓食優(yōu)化算法起源 8.1.1細(xì)菌覓食優(yōu)化算法生物學(xué)基礎(chǔ) 8.1.2細(xì)菌覓食優(yōu)化算法發(fā)展歷程 8.2細(xì)菌覓食優(yōu)化算法實現(xiàn) 8.2.1細(xì)菌覓食優(yōu)化算法的操作步驟 8.2.2細(xì)菌覓食算法的流程 8.3基于細(xì)菌覓食算法的圖像匹配 8.3.1自適應(yīng)步長 8.3.2解逃逸 8.4基于細(xì)菌覓食算法的聚類問題 8.4.1改進(jìn)趨化操作 8.4.2改進(jìn)復(fù)制操作 8.4.3改進(jìn)遷徙操作 參考文獻(xiàn) 第9章分布估計算法 9.1分布估計算法起源 9.1.1分布估計算法統(tǒng)計學(xué)原理 9.1.2分布估計算法發(fā)展歷程 9.2分布估計算法實現(xiàn) 9.2.1分布估計算法流程 9.2.2分布估計算法改進(jìn) 9.3基于分布估計算法的收斂性分析及多目標(biāo)優(yōu)化問題 9.3.1收斂性分析 9.3.2多分布估計算法 9.4基于分布估計算法的調(diào)度問題 9.4.1基于分布估計算法的柔性車間調(diào)度 9.4.2基于分布估計算法的資源受限項目調(diào)度 參考文獻(xiàn) 第10章差分進(jìn)化算法 10.1差分進(jìn)化算法與遺傳算法 10.1.1遺傳算法流程 10.1.2差分進(jìn)化算法流程 10.1.3差分進(jìn)化算法與遺傳算法的比較 10.2差分進(jìn)化算法實現(xiàn) 10.2.1差分進(jìn)化算法主要參數(shù) 10.2.2差分進(jìn)化算法流程 10.3基于差分進(jìn)化算法的多目標(biāo)優(yōu)化問題 10.3.1混合差分進(jìn)化處理多目標(biāo)優(yōu)化問題 10.3.2自適應(yīng)差分進(jìn)化處理多目標(biāo)優(yōu)化問題 10.4基于差分進(jìn)化算法的調(diào)度問題 10.4.1基于差分進(jìn)化算法的置換流水線調(diào)度 10.4.2基于差分進(jìn)化算法的有限緩沖區(qū)調(diào)度 10.4.3基于差分進(jìn)化算法的作業(yè)車間調(diào)度 參考文獻(xiàn) 第11章模擬退火算法 11.1模擬退火算法起源 11.1.1固體退火原理 11.1.2模擬退火算法發(fā)展歷程 11.2模擬退火算法實現(xiàn) 11.2.1模擬退火算法基本思想 11.2.2模擬退火算法流程 11.3基于模擬退火算法的超大規(guī)模集成電路研究 11.3.1集成電路布線 11.3.2優(yōu)化目標(biāo) 11.4基于模擬退火算法的圖像處理 11.4.1基于模擬退火算法的圖像復(fù)原 11.4.2基于模擬退火算法的圖像去噪 11.4.3基于模擬退火算法的圖像分割 11.5基于模擬退火算法的組合優(yōu)化 11.5.1基于模擬退火算法的01背包問題 11.5.2基于模擬退火算法的圖著色問題 11.5.3基于模擬退火算法的旅行商問題 參考文獻(xiàn) 第12章貪心算法 12.1從背包問題了解貪心算法 12.2貪心算法實現(xiàn) 12.2.1局部解概念 12.2.2貪心算法流程 12.3基于貪心算法的組合優(yōu)化 12.3.1基于貪心算法的背包問題 12.3.2基于貪心算法的旅行商問題 參考文獻(xiàn) 第13章雨滴算法 13.1自然降雨現(xiàn)象啟發(fā)下的雨滴算法 13.2雨滴算法理論基礎(chǔ) 13.3基于雨滴算法的多目標(biāo)優(yōu)化問題 13.3.1基于雨滴算法的多目標(biāo)應(yīng)急物資路徑優(yōu)化 13.3.2基于雨滴算法的混合時間窗車輛路徑問題 參考文獻(xiàn) 第14章禁忌搜索算法 14.1禁忌搜索算法起源 14.1.1禁忌搜索算法發(fā)展歷程 14.1.2禁忌搜索算法基本思想 14.2禁忌搜索算法實現(xiàn) 14.2.1禁忌搜索算法構(gòu)成要素 14.2.2禁忌搜索算法流程 14.3基于禁忌搜索的飛蜂窩網(wǎng)絡(luò)頻譜分配方法 14.3.1算法主要思想及流程 14.3.2算法實現(xiàn)具體步驟 14.3.3實驗分析 參考文獻(xiàn) 第15章量子搜索與優(yōu)化 15.1量子計算原理 15.1.1狀態(tài)的疊加 15.1.2狀態(tài)的相干 15.1.3狀態(tài)的糾纏 15.1.4量子并行性 15.2量子計算智能的幾種模型 15.2.1量子人工神經(jīng)網(wǎng)絡(luò) 15.2.2基于量子染色體的進(jìn)化算法 15.2.3基于量子特性的優(yōu)化算法 15.2.4量子聚類算法 15.2.5量子模式識別算法 15.2.6量子小波與小波包算法 15.2.7量子退火算法 15.3量子進(jìn)化算法 15.3.1基于量子旋轉(zhuǎn)門的進(jìn)化算法 15.3.2基于吸引子的進(jìn)化算法 參考文獻(xiàn) 第16章量子粒子群優(yōu)化 16.1量子行為粒子群算法 16.1.1思想來源 16.1.2勢阱模型 16.1.3算法流程 16.2協(xié)同量子粒子群優(yōu)化 16.2.1協(xié)同量子粒子群算法 16.2.2改進(jìn)的協(xié)同量子粒子群算法 16.2.3實驗結(jié)果及分析 16.3基于多次坍塌正交交叉的量子粒子群優(yōu)化 16.3.1量子多次坍塌 16.3.2正交交叉實驗簡介 16.3.3多次坍塌正交交叉的量子粒子群算法 16.3.4實驗及分析 參考文獻(xiàn) 第17章小二乘法 17.1小二乘法數(shù)學(xué)基礎(chǔ) 17.2小二乘法流程 17.3小二乘法在機(jī)器學(xué)習(xí)中的應(yīng)用 參考文獻(xiàn) 第18章A*算法 18.1短路徑搜索 18.2A*算法實現(xiàn) 18.2.1A*算法原理 18.2.2A*算法簡單案例 18.3A*算法的優(yōu)勢與缺陷 參考文獻(xiàn) 第19章神經(jīng)網(wǎng)絡(luò)算法 19.1神經(jīng)網(wǎng)絡(luò)算法起源 19.1.1腦神經(jīng)元學(xué)說 19.1.2神經(jīng)網(wǎng)絡(luò)算法發(fā)展歷程 19.2神經(jīng)網(wǎng)絡(luò)算法實現(xiàn) 19.2.1神經(jīng)網(wǎng)絡(luò)構(gòu)成要素 19.2.2典型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 19.3基于神經(jīng)網(wǎng)絡(luò)算法的圖像處理 19.3.1基于神經(jīng)網(wǎng)絡(luò)算法的圖像分割 19.3.2基于神經(jīng)網(wǎng)絡(luò)算法的圖像修復(fù) 19.3.3基于神經(jīng)網(wǎng)絡(luò)算法的目標(biāo)檢測與識別 19.4基于神經(jīng)網(wǎng)絡(luò)算法的預(yù)測控制 19.4.1基于神經(jīng)網(wǎng)絡(luò)算法的預(yù)測模型 19.4.2神經(jīng)網(wǎng)絡(luò)預(yù)測控制中的滾動優(yōu)化 參考文獻(xiàn) 第20章深度學(xué)習(xí)算法 20.1深度學(xué)習(xí)算法與神經(jīng)網(wǎng)絡(luò) 20.2深度學(xué)習(xí)算法實現(xiàn) 20.2.1深度概念 20.2.2深度學(xué)習(xí)算法基本思想 20.2.3深度模型優(yōu)化 20.3基于深度學(xué)習(xí)算法的計算機(jī)視覺 20.3.1基于深度學(xué)習(xí)算法的人臉識別 20.3.2基于深度學(xué)習(xí)算法的目標(biāo)跟蹤 20.4基于深度學(xué)習(xí)算法的語音識別 20.4.1基于深度學(xué)習(xí)算法的聲學(xué)模型 20.4.2基于深度學(xué)習(xí)算法的語言模型 參考文獻(xiàn) 第21章強(qiáng)化學(xué)習(xí) 21.1強(qiáng)化學(xué)習(xí)模型 21.1.1強(qiáng)化學(xué)習(xí)思路 21.1.2基于馬爾可夫決策過程的強(qiáng)化學(xué)習(xí) 21.2逆向強(qiáng)化學(xué)習(xí) 21.2.1邊際規(guī)劃 21.2.2基于信息熵的逆向強(qiáng)化學(xué)習(xí) 21.3基于多尺度FCNCRF網(wǎng)絡(luò)和強(qiáng)化學(xué)習(xí)的高分辨SAR圖像語義分割 21.3.1深度強(qiáng)化學(xué)習(xí) 21.3.2SAR圖像語義分割動態(tài)調(diào)優(yōu)策略 21.3.3算法實現(xiàn) 21.3.4實驗結(jié)果 參考文獻(xiàn) 第22章混合智能算法 22.1粒子群深度網(wǎng)絡(luò)模型及學(xué)習(xí)算法 22.1.1PSO自編碼網(wǎng)絡(luò) 22.1.2自適應(yīng)PSO自編碼網(wǎng)絡(luò) 22.1.3模擬退火PSO算法自編碼網(wǎng)絡(luò) 22.1.4實驗與分析 22.2混沌模擬退火深度網(wǎng)絡(luò)模型及學(xué)習(xí)算法 22.2.1混沌模擬退火深度網(wǎng)絡(luò)學(xué)習(xí)算法 22.2.2混沌模擬退火自編碼網(wǎng)絡(luò) 22.2.3混沌模擬退火深度小波網(wǎng)絡(luò) 22.2.4實驗與分析 參考文獻(xiàn)
你還可能感興趣
我要評論
|
