《软计算及其应用》较系统地介绍了软计算及其应用方法，包括模拟退火算法、人工神经网络计算方法、遗传算法、支持向量机和模糊计算等。软计算方法是国际上最新发展起来的数学优化方法，它在国民经济的各个领域都有广泛的应用。书中从结构上对软计算方法进行了统一地描述，并注重叙述各内容之间的相互融合，特别注意讲述这些软计算方法的实际应用，并给出了其应用实例。
　　《软计算及其应用》取材新颖，反映了当前国际先进的软计算技术，并兼顾课堂教学、自学的特点。叙述深入浅出，易读易懂，可作为高等院校相关专业的研究生、本科生的教材和参考书，也可供有关学科的教师及工程技术人员参考。

　　第1章 绪论
　　软计算（Soft Computing)作为一种创建计算智能系统的新颖方法，正在引起人们的关注。目前已经认识到，复杂的实际问题需要智能系统对各种不同来源的知识、技术和方法进行组合。人们期望这些智能系统在特定领域拥有像人类一样的专门知识，在变化的环境中能够调节自身将学习做得更好，并对怎样做出决策和采取行动进行解释。在解决实际计算问题时，协同地而不是互斥地采用几种计算技术通常具有优越性，所产生的系统被称为互补的混合智能系统。设计这类智能系统的精髓就是神经～模糊计算，其中神经元网络负责识别模式和按变化的环境进行自适应调节，模糊推理系统包含对人类知识进行推理和决策。这两种互补方法，连同一些非求导优化技术的集成，产生了一门新颖的学科，即软计算科学。
　　1.1 软计算与人工智能的关系
　　软计算是正在发展起来的一种计算方法，它与人脑相对应，具有在不确定及不精确环境中进行推理和学习的卓越能力。
　　软计算是利用非精确裕度和非确定裕度来获得易控性、鲁棒性以及低成本的方法集合。它不是一种单一的方法，而是由若干种计算方法构成，包括神经网络、模糊逻辑及一些非导数优化方法，如遗传算法和模拟退火。它们分别提供不同方面的能力，其中模糊逻辑主要处理非精确性和进行近似推理，神经网络使系统获得学习和适应的能力，遗传算法等进化算法则提供进行随机搜索和优化的能力。其中的每一种方法都有其长处，将这些技术紧密集成就形成了软计算的核心；通过协作，可以保证使计算有效利用人类知识、处理不精确及不确定的情况，对未知或变化的环境进行学习和调节以提高性能。针对学习和自适应，软计算需要强化计算。在这个意义下，软计算与计算智能有共同的特征。

前言
第1章 绪论
1.1 软计算与人工智能的关系
1.2 软计算科学的主要分支
1.2.1 人工神经网络
1.2.2 遗传算法
1.2.3 模糊逻辑
1.3 软计算的特性
1.4 软计算研究的主要问题
1.4.1 学习
1.4.2 搜索
1.4.3 推理

第2章 模拟退火算法
2.1 概述
2.1.1 物理退火过程
2.1.2 Metroplis算法
2.1.3 模拟退火算法
2.2 模拟退火算法的收敛性分析
2.2.1 模拟退火算法的Markov链描述
2.2.2 模拟退火算法的收敛性
2.3 模拟退火算法的设计
2.3.1 初始温度t
2.3.2 终止温度t2
2.3.3 Markov链长L4
2.3.4 控制参数的更新函数T（t）
2.4 模拟退火算法的应用
2.4.1 模拟退火算法应用的一般要求
2.4.2 典型组合优化问题的模拟退火算法
参考文献

第3章 人工神经网络
3.1 人工神经网络的基本概念
3.1.1 生物神经元模型
3.1.2 人工神经元模型
3.1.3 人工神经网络模型
3.2 人工神经网络的学习方法
3.2.1 学习机理
3.2.2 学习方法
3.2.3 学习规则
3.3 前向式神经网络与算法
3.3.1 感知器及算法
3.3.2 BP网络与误差反向传播算法
3.4 反馈网络模型及其主要算法
3.4.1 Hopfield网络与算法
3.4.2 Boltzmann机网络和学习方法
3.4.3 自组织特征映射网络和算法
3.5 神经网络的系统设计
3.5.1 神经网络的适用范围
3.5.2 神经网络的设计过程和需求分析
3.5.3 神经网络的性能评价
3.5.4 输入数据的预处理
3.6 神经网络的应用
3.6.1 基于神经网络的优化计算
3.6.2 图像边缘检测
参考文献

第4章 遗传算法
4.1 遗传算法的概念
4.1.1 遗传算法的生物遗传学基础
4.1.2 遗传算法的一般结构
4.1.3 遗传算法的特点
4.2 标准遗传算法的基本设计
4.2.1 编码
4.2.2 适应度函数
4.2.3 遗传算法的基本操作
4.2.4 遗传算法的终止控制设计
4.3 遗传算法的模式理论
4.3.1 模式概念
4.3.2 模式定理
4.3.3 遗传算法有效处理的模式数量
4.4 遗传算法的理论与分析
4.4.1 遗传算法的一般收敛性理论
4.4.2 遗传算法的Markov链模型
4.4.3 遗传算法的收敛速度分析
4.4.4 遗传算法结构分析与设计
4.5 遗传算法的发展
4.5.1 改进遗传算法的一般结构
4.5.2 编码问题
4.5.3 遗传运算
4.5.4 控制参数
4.5.5 混合遗传算法
4.6 遗传算法的应用
4.6.1 巡回旅行商问题
4.6.2 进化神经刚络
4.6.3 基于遗传算法的分类器系统
参考文献

第5章 支持向量机
5.1 基本原理
5.1.1 统计学习概述
5.1.2 支持向最
5.2 支持向量机用于多类问题
5.3 支持向量机用于回归
5.3.1 ε不敏感损失回归
5.3.2 核岭回归
5.4 支持向量机的算法
5.5 贝叶斯方法与高斯过程
5.5.1 贝叶斯方法
5.5.2 高斯过程
5.6 支持向量机的应用
5.6.1 文本分类
5.6.2 图像识别
5.6.3 手写数字识别
参考文献

第6章 模糊计算
6.1 模糊系统概述
6.1.1 传统数学与模糊数学
6.1.2 不相容原理
6.2 模糊集合与隶属度函数
6.2.1 模糊集合与隶属度函数
6.2.2 模糊集合的运算
6.3 模糊关系与模糊矩阵
6.3.1 普通关系
6.3.2 模糊关系
6.3.3 模糊关系的合成
6.3.4 模糊矩阵
6.3.5 模糊蕴含关系
6.4 模糊逻辑与模糊推理
6.4.1 模糊逻辑
6.4.2 语言变量
6.4.3 模糊推理
6.5 模糊系统的建模
6.5.1 模糊系统模型
6.5.2 模糊系统模型的建立方法
6.6 模糊系统与其他软计算的混合计算
6.6.1 模糊神经网络
6.6.2 模糊推理与遗传算法的结合
参考文献