智能優化算法原理與應用（簡體書）

《智能優化算法原理與應用》可作為高校自動化、計算機、系統工程、管理工程、人工智能等相關專業研究生學習用書，也可供相關專業的科研人員及工程建設人員學習參考。

第1章緒論
1.1最優化問題的描述
1.2函數優化問題
1.3組合優化問題
1.4最優化問題的智能優化求解方法
1.5智能優化算法的實質——智能逼近
第2章模糊邏輯推理算法
2.1模糊集合與模糊邏輯
2.2模糊關系與模糊矩陣
2.3模糊語言與模糊推理
2.4可加性模糊系統
2.5模糊系統的逼近特性
2.6模糊系統的萬能逼近定理
第3章神經網絡學習算法
3.1電腦與人腦
3.2神經細胞的結構與功能
3.3人工神經元的基本特性
3.4人工神經網絡及其特點
3.5神經網絡的結構及其分類
3.6前向網絡
3.7 BP網絡的非線性映射能力
3.8神經網絡應用
第4章進化算法與遺傳算法
4.1生物的進化與遺傳
4.2進化算法的分類
4.3遺傳算法
4.4基本遺傳算法及其在函數優化中的應用
4.5遺傳算法的模式定理
4.6 GA的收斂性分析
4.7 GA的特點及其應用領域
第5章模擬退火算法
5.1 SA的基本思想
5.2固體退火過程的統計力學
5.3模擬退火模型
5.4 Metropolis算法與組合優化問題
5.5 SA的主要操作及實現步驟
5.6用SA求解TSP問題的例子
第6章禁忌搜索算法
6.1引言
6.2組合優化中的鄰域概念
6.3局部搜索算法
6.4禁忌搜索的一個例子
6.5禁忌搜索中的主要操作及參數
6.6用禁忌搜索算法求解車間調度問題
第7章人工免疫算法
7.1人工免疫系統
7.2人工免疫算法的免疫學基礎
7.3免疫應答中的學習與優化原理
7.4免疫算法
第8章人工蟻群算法
8.1群智能的概念
8.2螞蟻社會及信息系統
8.3螞蟻的覓食行為
8.4蟻群覓食策略的優化機制
8.5人工蟻與真實蟻的異同
8.6螞蟻系統模型的建立
8.7基本蟻群算法的實現步驟
8.8基本（標準）蟻群算法流程
第9章微粒群優化算法
9.1 PSO算法的提出
9.2基本微粒群算法
9.3 PSO算法步驟
9.4 PSO算法的改進及應用
第10章混沌優化算法
10.1混沌現象和混沌學
10.2 Logistic映射
10.3從倍周期分支到混沌
10.4區間映射與混沌
10.5混沌中的規律性
10.6 Lyapunov指數
10.7奇異吸引子
10.8混沌優化方法
第11章量子優化算法
11.1量子比特
11.2量子邏輯門
11.3 Grover量子搜索算法
11.4量子遺傳算法
11.5實數編碼雙鏈量子遺傳算法
第12章智能優化算法的工程應用
12.1基于RBF神經網絡優化自適應模糊導引律
12.2帶有成長算子遺傳算法在辨識與優化中的應用
12.3改進的免疫克隆算法在函數優化中的應用
12.4蟻群算法在聚類分析中的應用
12.5蟻群算法在機器人路徑規劃中的應用
12.6改進的蟻群算法在巡航導彈航跡規劃中的應用
12.7混沌量子免疫算法及其在連續優化問題中的應用
參考文獻

7.1.2人工免疫模型
1.獨特型免疫網絡模型
Jerne于1974年首次提出了獨特型免疫網絡模型，在這一模型中，淋巴細胞通過識別而相互刺激或抑制，因而形成一個相互作用的動態網絡，免疫系統對抗原的識別不是局部行為，而是整個網絡的整體行為，可用一個不等式來描述免疫網絡的動態特性。
2.多值免疫網絡模型
1997年，Tang基于免疫系統中B細胞和T細胞的相互作用機理，提出了一種多值免疫網絡模型用于模式識別，這種模型不但具有良好的記憶能力，而且還可以抑制噪聲。在模型中，抗原作為輸入模式，B細胞作為輸入層，輔助T細胞作為輸出層，輔助T細胞與B細胞的連接權值作為記憶模式，抗體作為輸入模式與記憶模式之間的誤差。多值免疫網絡通過模式輸入，激活T細胞，記憶模式與輸入模式的比較和調節T細胞與B細胞連接權值4個步驟來學習，最終使記憶模式接近輸入模式，達到模式識別的目的。
3.免疫聯想記憶模型
免疫系統在消滅抗原后，通過生成記憶細胞實現對該抗原的記憶。1996年，Smith指出免疫記憶是一種具有魯棒性的聯想記憶，并且將它與分布式記憶（Distributed Memory）相比較，指出二者的相似性。同年，Abbattista基于免疫網絡的學習和自適應原理提出了免疫聯想記憶模型，用于模式識別。該模型用n維空間中的某些特定點來記憶模式，分為學習和回憶兩個階段。學習階段可以找到代表輸入模式的空間中某些特定點，回憶階段可以在學習得到的模式中找到與輸入模式相匹配的模式。
除以上三種人工免疫模型外，2000年以來又提出免疫系統的二進制模型及隨機模型等。
7.1.3人工免疫算法
1.反向選擇算法
免疫系統中的T細胞在胸腺中發育，與自身蛋白質發生反應的未成熟T細胞被破壞掉，所以成熟的T細胞具有忍耐自身的性質，不對自身蛋白質發生反應，只對外來蛋白質產生反應，以此來識別自己與非己，這就是所謂的反向選擇原理。
1994年，Forrest基于反向選擇原理提出了反向選擇算法用來異常檢測，算法主要包括兩個步驟：首先，產生一個檢測器集合，其中每一個檢測器與被保護的數據不匹配；其次，不斷地將集合中的每一個檢測器與被保護數據相比較，如果檢測器與被保護數據相匹配，則據此判斷數據發生了變化。