搜索
高级检索
高级搜索
书       名 :
著       者 :
出  版  社 :
I  S  B  N:
文献来源:
出版时间 :
自然计算导论
0.00    
图书来源: 浙江图书馆(由图书馆配书)
  • 配送范围:
    全国(除港澳台地区)
  • ISBN:
    9787547805671
  • 作      者:
    吴启迪[等]著
  • 出 版 社 :
    上海科学技术出版社
  • 出版日期:
    2011
收藏
编辑推荐
    《自然计算导论》紧跟国内外自然计算领域最新的研究动态,试图作进一步深入的思考和系统的总结。首先对自然计算模式和应用领域进行系统、全面的综述,基本涉及目前自然计算领域受到关注的各种计算模式;然后考虑到各类自然计算模式内在的群体协同“进化”(寻优)机制的普适性,对自然计算的总体模式进行基于群体智能理解的形式化描述(伪方程+框图描述),并提出自然计算的统一模式理念,得到自然计算总体分层框架模型。
展开
内容介绍
    本书论述几种典型智能计算模式——蚊群算法、微粒群算法、人工神经网络、遗传算法、分布估计算法、人工免疫系统和人工内分泌系统等为例,说明所建群体智能计算框架模式的有效性及统一性。
展开
精彩书摘
    1.3  自然计算的主要研究分支<br>    自然计算其本质是借鉴自然界的功能与作用机理抽象出的计算模型,其研究必然涉及现代自然科学的方方面面,柑关领域非常广泛。正是由于自然计算模式的多样性,其外延和内涵互相交织,相互包含,研究范畴常常被混淆,难以对其研究范畴进行准确而细敛的划分,例如,作为自然计算的主要研究领域之一,进化计算研究内容丰富,形成了系统的研究体系和方法,通常被看作是个独立的分支,但由于遗传算法以染色体构成的种群为基础,又可以划分为群体智能的一个分支;神经网络计算由于其鲜明的生物学特点,常常被认为是生物启发计算的重要代表,但究其内部作用机理,神经刚络由可以作为自组织理论研究的一部分处理,而且由神经元构成的神经网络还具有群体智能信息处理的特征,也可以归为群体智能范畴。究其本质发现,群体智能具有普适性,笔者已在专著《群体智能的多样性研究与典型实现》中提出“广义群体智能”的概念和范畴。本书对自然计算的描述也将沿用广义群体智能表达的理念。<br>    ……
展开
目录
第1章 绪论<br>1.1 从仿生学人工智能到自然计算<br>1.2 自然计算<br>1.3 自然计算的主要研究分支<br>1.3.1 进化计算<br>1.3.2 群体智能<br>1.3.3 生物启发计算<br>1.3.4 生态计算<br>1.3.5 复杂自适应计算<br>第2章 自然计算的研究综述与统一模型<br>2.1 自然计算的实现模式总览<br>2.2 自然计算模式综述<br>2.2.1 元胞自动机<br>2.2.2 模拟退火算法<br>2.2.3 人工蜂群算法<br>2.2.4 人工鱼群算法<br>2.2.5 群搜索优化<br>2.2.6 细菌觅食算法<br>2.2.7 细菌趋药性算法<br>2.2.8 差分进化<br>2.2.9 DNA计算<br>2.2.10 量子计算<br>2.2.11 复杂自适应系统<br>2.2.12 混沌优化<br>2.2.13 生物地理学优化<br>2.2.14 自组织迁移算法<br>2.2.15 膜计算<br>2.2.16 文化基因算法<br>2.2.17 文化算法<br>2.2.18 情感计算<br>2.2.19 社会认知优化<br>2.3 自然计算的应用与发展趋势<br>2.3.1 自然计算应用领域综述<br>2.3.2 应用分析与展望<br>2.4 自然计算的统一模型<br>2.4.1 自然计算模式的总体形式化描述<br>2.4.2 自然计算模式的统一框架理念<br>第3章 进化计算<br>3.1 遗传算法概述<br>3.1.1 遗传算法的产生<br>3.1.2 遗传算法的基本思想<br>3.1.3 遗传算法基本操作<br>3.1.4 遗传算法的特点<br>3.2 遗传算法研究进展<br>3.2.1 基本操作方法的改进研究<br>3.2.2 编码方法的改进研究<br>3.2.3 保持群体多样性方法的研究<br>3.3 遗传算法的收敛性研究<br>3.3.1 遗传算法的一般收敛性理论<br>3.3.2 遗传算法的马尔可夫链模型<br>3.3.3 遗传算法的收敛性分析<br>3.4 遗传算法的基本流程<br>3.5 遗传算法的形式化描述<br>3.6 遗传算法的自然计算框架模型<br>3.7 小结<br>第4章 分布估计算法<br>4.1 分布估计算法概述<br>4.1.1 分布估计算法起源<br>4.1.2 分布估计算法的基本思想<br>4.2 分布估计算法的基本流程<br>4.3 分布估计算法的研究进展<br>4.3.1 离散的分布估计算法<br>4.3.2 连续的分布估计算法<br>4.3.3 分布估计算法的理论研究<br>4.3.4 分布估计算法的研究热点<br>4.4 分布估计算法的形式化描述<br>4.5 分布估计算法的自然计算框架模型<br>4.6 小结<br>第5章 神经网络计算<br>5.1 人工神经网络概述<br>5.1.1 人工神经元模型<br>5.1.2 人工神经网络模型<br>5.1.3 神经网络学习(训练)方法<br>5.1.4 人工神经网络的特点<br>5.2 人工神经网络的总体形式化描述<br>5.3 Hopfield神经网络的自然计算框架描述<br>5.3.1 Hopfield神经网络<br>5.3.2 Hopfield神经网络的形式化描述<br>5.3.3 Hopfield神经网络的自然计算框架模型<br>5.4 RBF神经网络的自然计算框架描述<br>5.4.1 径向基函数(RBF)神经网络<br>5.4.2 RBF神经网络的形式化描述<br>5.4.3 RBF神经网络的自然计算框架模型<br>5.5 小结<br>第6章 群体智能——蚁群算法<br>6.1 蚁群算法概述<br>6.1.1 蚁群算法的起源<br>6.1.2 蚁群个体的运动规则<br>6.1.3 实例说明及应用状况<br>6.2 蚁群算法的研究进展<br>6.2.1 蚁群算法的改进<br>6.2.2 蚁群算法的收敛性研究<br>6.2.3 蚁群算法的仿真和实现<br>6.2.4 蚁群算法的应用<br>6.3 蚁群算法描述<br>6.3.1 用于求解TSP问题的蚁群算法定义<br>6.3.2 蚁群算法的形式化描述<br>6.4 蚁群算法的自然计算框架模型<br>6.5 小结<br>第7章 群体智能——微粒群算法<br>7.1 微粒群算法概述<br>7.2 微粒群算法描述<br>7.2.1 微粒群算法的基本原理<br>7.2.2 微粒群算法的数学描述<br>7.2.3 微粒群算法流程<br>7.3 微粒群算法研究进展<br>7.3.1 微粒群算法的改进研究<br>7.3.2 微粒群算法的应用<br>7.3.3 微粒群算法的收敛性研究<br>7.3.4 微粒群算法的参数效能分析<br>7.4 微粒群算法的形式化描述<br>7.5 微粒群算法的自然计算框架模型<br>7.6 小结<br>第8章 免疫计算<br>8.1 人工免疫系统概述<br>8.1.1 人工免疫系统<br>8.1.2 人工免疫系统的研究概况<br>8.1.3 人工免疫系统的应用<br>8.2 人工免疫算法<br>8.2.1 概述<br>8.2.2 典型的人工免疫算法<br>8.2.3 人工免疫算法的收敛性分析<br>8.2.4 人工免疫算法的工程应用<br>8.3 标准人工免疫算法描述<br>8.4 人工免疫算法的形式化描述<br>8.5 人工免疫算法的自然计算框架模型<br>8.6 小结<br>第9章 人工内分泌系统<br>9.1 人工内分泌系统概述<br>9.1.1 内分泌系统<br>9.1.2 人工内分泌系统研究现状<br>9.2 人工内分泌系统描述<br>9.2.1 人工内分泌网络模型定义<br>9.2.2 人工内分泌网络的动力学描述<br>9.2.3 网络模型的自适应调节<br>9.3 基于人工内分泌网络模型的行为控制算法<br>9.4 人工内分泌网络的形式化描述<br>9.5 人工内分泌系统的自然计算框架模型<br>9.6 小结<br>后记<br>参考文献
展开
加入书架成功!
收藏图书成功!
我知道了(3)
发表书评
读者登录

请选择您读者所在的图书馆

选择图书馆
浙江图书馆
点击获取验证码
登录
没有读者证?在线办证