目录







第1章绪论

1．1智能计算概述

1．2进化计算

1．3群智能计算

1．4神经计算

1．5机器学习

第2章进化计算中的遗传算法

2．1遗传算法概述

2．1．1遗传算法

2．1．2基本原理图

2．1．3模式定理

2．1．4积木块假设

2．1．5研究进展

2．2遗传算法的流程

2．2．1科学定义

2．2．2执行过程

2．2．3基本本质

2．2．4染色体编码

2．2．5群体初始化

2．2．6适应度值评价

2．2．7选择算子

2．2．8交叉算子

2．2．9变异算子

2．2．10流程图和伪代码

2．3遗传算法的改进

2．3．1算子选择

2．3．2参数设置

2．3．3混合遗传算法

2．3．4并行遗传算法

2．4遗传算法的编码规则

2．4．1二进制编码法

2．4．2浮点编码法

2．4．3符号编码法

2．5遗传算法的应用

2．6遗传算法的相关应用与MATLAB算例

2．6．1遗传算法实例1

2．6．2遗传算法实例2

2．7遗传算法总结





第3章群智能计算

3．1粒子群优化算法

3．1．1粒子群优化算法简介

3．1．2粒子群优化算法的基本流程

3．1．3粒子群算法分类

3．1．4粒子群优化算法的改进研究

3．1．5粒子群优化算法的参数设置

3．1．6粒子群优化算法与遗传算法的比较

3．1．7粒子群优化算法的相关应用与MATLAB算例

3．2蚁群算法

3．2．1蚁群算法的基本原理

3．2．2蚁群算法的算法流程

3．2．3蚁群算法的发展

3．2．4蚁群算法的改进研究

3．2．5蚁群算法的参数设置

3．2．6蚁群算法的应用

3．2．7蚁群算法的相关应用与MATLAB算例

3．2．8蚁群算法的总结与展望

第4章神经计算

4．1BP神经网络

4．1．1BP神经网络的概念

4．1．2BP神经网络的模型

4．1．3BP神经网络的特性

4．1．4BP神经网络的相关应用与MATLAB算例

4．1．5BP神经网络的算法改进

4．2深度神经网络

4．2．1深度神经网络的概念

4．2．2深度神经网络的模型

4．2．3深度神经网络的特性

4．2．4深度神经网络的应用

4．2．5深度神经网络的优化

4．3卷积神经网络

4．3．1卷积神经网络的历史和基本概念

4．3．2卷积神经网络的结构

4．3．3卷积神经网络的应用与MATLAB算例

4．3．4卷积神经网络的最新发展

4．4循环神经网络

4．4．1循环神经网络的历史和基本概念

4．4．2循环神经网络的结构

4．4．3循环神经网络的应用与MATLAB算例

4．3．4循环神经网络的最新发展

第5章机器学习

5．1朴素贝叶斯算法

5．1．1朴素贝叶斯算法的基本概念

5．1．2朴素贝叶斯算法的流程与模型

5．1．3朴素贝叶斯算法的特性与应用场景

5．1．4朴素贝叶斯算法的相关应用与MATLAB算例

5．2决策树

5．2．1决策树的基本概念

5．2．2决策树的构建

5．2．3决策树的剪枝

5．2．4决策树的算法实现

5．2．5决策树的相关应用与MATLAB算例

5．3随机森林

5．3．1随机森林的基本概念

5．3．2随机森林的构造方法

5．3．3随机森林的推广

5．3．4随机森林的相关应用与MATLAB算例