《软计算》首先介绍了硬计算、软计算和优化等基本概念及有关方法，继而详细讨论了软计算的三大成员方法，即遗传算法、模糊理论与方法和神经网络，最后逐章论述了组合遗传算法一模糊逻辑、组合遗传算法一神经网络、组合神经网络一模糊逻辑等成员方法的集成。书中算法讨论与许多已解决的数值例子相结合，便于理解；在应用上强调软计算算法的组合。
　　《软计算》可作为控制、信息、机电、系统科学与工程、计算机等专业高年级本科生、研究生的教材或教学参考书。

　　1．3混合计算
　　混合计算是传统的硬计算和新兴的软计算的组合。图1．2是一个混合计算原理的示意图。硬、软计算都有其固有的本质优势和缺陷。为各自技术的优势，消除各自的局限性，人们可转向混合计算以更有效地求解问题。因此，如确有需要，问题的一部分将由硬计算解决，其余部分则可用软计算完成。进一步地，这两种技术在解决一些复杂现实问题时可能是互补的。然而，由于习惯势力，硬计算的应用者通常不喜欢软计算的同行，其间容易发生争执。
　　如今，许多研究者已应用混合计算来更有效地解决不同的工程问题。Ovaska等给出了混合计算各种应用的一个总结。混合计算的一些典型应用有：
　　（1）运用有限元方法（finiteelementmethods，FEM）和软计算对机械元件进行最优设计。已有一些运用FEM设计不同的机械元件的尝试。然而，这些解的质量取决于元件的选择、尺寸和连接。进一步地，应用过程中，各成员的材料性能可能并非一成不变。因此，在FEM分析和材料方面存在模糊性。在应用FEM分析而最终获得最优的机械元件设计之前，可应用软计算对该模糊性建模。
　　（2）用软计算训练．PID控制器。今天，PID控制器是最广为使用的控制器之一。其增益值（Kr，K，Ko）是基于固定的环境条件而用数学方法确定的。因而，若环境发生突然改变，传统PID就不能产生一个最优的控制行为。为克服这一困难，可用软计算原理调节增益值。应用预先调试的基于FL或NN的专家系统，就能够在一个动态环境中在线确定PID控制器的合适增益值。

译者序
前言
术语
希腊符号
缩写
第1章  绪论
1.1  硬计算
1.1.1  硬计算的特征
1.2  软计算
1.2.1  软计算的概念
1.2.2  软计算的特征
1.3  混合计算
1.4  总结
1.5  练习
第2章  优化与一些传统方法
2.1  优化引论
2.1.1  一个实际例子
2.1.2  优化问题的分类
2.1.3  优化的原理
2.1.4  对偶原理
2.2  传统优化方法
2.2.1  穷举法
2.2.2  随机步法
2.2.3  最速下降法
2.2.4  传统优化方法的不足
2.3  总结
2.4  练习
第3章  遗传算法介绍
3.1  遗传算法的工作流程
3.2  二进制编码GA
3.2.1  交叉和变异
3.2.2  一个手工计算
3.2.3  GA的基本定理／模式定理
3.2.4  二进制编码GA的局限性
3.3  GA参数设置
3.4  GA中的约束处理
3.4.1  惩罚函数方法
3.5  遗传算法的优缺点
3.6  总结
3.7  练习
第4章  几种专门化的遗传算法
4.1  实值编码GA
4.1.1  交叉算子
4.1.2  变异算子
4.2  微-GA
4.3  可视化交互式GA
4.3.1  映射方法
4.3.2  仿真结果
4.3.3  VIGA的工作原理
4.4  调度GA
4.4.1  边缘重组
4.4.2  序交叉井1
4.4.3  序交叉#2
4.4.4  循环交叉
4.4.5  基于位置的交叉
4.4.6  部分映射交叉
4.5  总结
4.6  练习
第5章  模糊集引论
5.1  精确集
5.1.1  集合论中的符号
5.1.2  精确集的运算
5.1.3  精确集的性质
5.2  模糊集
5.2.1  模糊集的表示
5.2.2  精确集与模糊集之间的差异
5.2.3  模糊集中的一些定义
5.2.4  模糊集中的一些标准运算
5.2.5  模糊集的性质
5.3  总结
5.4  练习
第6章  模糊推理与聚类
6.1  引言
6.2  模糊逻辑控制器
6.2.1  两个主要的模糊逻辑控制器
6.2.2  层次模糊逻辑控制器
6.2.3  灵敏度分析
6.2.4  模糊逻辑控制器的优缺点
6.3  模糊聚类
6.3.1  模糊C-均值聚类
6.3.2  基于熵的模糊聚类
6.4  总结
6.5  练习
第7章  神经网络基础
7.1  引言
7.1.1  生物神经元
7.1.2  人工神经元
7.1.3  单层神经元
7.1.4  多层神经元
7.2  静态和动态神经网络的比较
7.3  神经网络的训练
7.3.1  有监督学习
7.3.2  无监督学习
7.4  总结
7.5  练习
第8章  几个神经网络的例子
8.1  引言
8.2  多层前馈神经网络
8.2.1  前向计算
8.2.2  采用反向传播算法的网络训练
8.2.3  设计一个合适的NN应遵循的步骤
8.2.4  优缺点
8.2.5  一个数值例子
8.3  径向基函数网络
8.3.1  前向计算
8.3.2  采用反向传播算法的RBFN的调节
8.4  自组织映射
8.4.1  竞争
8.4.2  合作
8.4.3  更新
8.4.4  最终映射
8.4.5  仿真结果
8.5  递归神经网络
8.5.1  Elman网络
8.5.2  Jordan网络
8.5.3  组合的Elman和Jordan网络
8.6  总结
8.7  练习
第9章  组合遗传算法-模糊逻辑
9.1  引言
9.2  模糊-遗传算法
9.3  遗传-模糊系统
9.3.1  文献简要回顾
9.3.2  遗传-模糊系统的工作原理
9.4  总结
9.5  练习
第10章  组合遗传算法-神经网络
10.1  引言
10.2  遗传-神经系统的工作原理
10.2.1  前向计算
10.2.2  手算实例
10.3  总结
10.4  练习
第11章  组合神经网络-模糊逻辑
11.1  引言
11.2  基于Mamdani方法的神经模糊系统
11.2.1  采用反向传播算法对神经-模糊系统的调节
11.2.2  采用遗传算法对神经-模糊系统的调节
11.2.3  一个数值例子
11.3  基于Takagi-Sugeno方法的神经模糊系统
11.3.1  采用遗传算法对ANFIS的调节
11.3.2  一个数值例子
11.4  总结
11.5  练习
参考文献
附录  软计算中的两个问题的讨论
一、方法集成与软计算方法集成
二、关于软计算与仿生计算