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
缺书网
扫码进群