目錄

第1章 進化計算 1
1.1 從人工智能到計算智能 2
1.2 從進化論到進化計算 4
1.2.1 現代進化論 5
1.2.2 生物進化與優化 7
1.3 進化計算基礎知識 8
1.3.1 進化計算的主要分支 9
1.3.2 進化計算的數學基礎 12
1.3.3 進化算法的收斂理論 13
1.3.4 進化計算的應用 18
1.4 協同進化計算 19
1.4.1 協同進化的生物學基礎 20
1.4.2 協同進化的動力學描述 24
1.4.3 協同進化算法的發展現狀 25
1.5 非達爾文進化理論與密母計算 28
1.5.1 非達爾文進化的主要理論 29
1.5.2 密母計算的研究進展 30
參考文獻 32
第2章 人工免疫系統 44
2.1 從免疫系統到人工免疫系統 44
2.2 人工免疫系統的研究領域 46
2.2.1 人工免疫系統模型的研究 46
2.2.2 人工免疫系統算法的研究 48
2.2.3 人工免疫系統方法的應用研究 52
2.3 人工免疫系統與其它方法的比較 55
2.3.1 人工免疫系統與進化計算 55
2.3.2 人工免疫系統與人工神經網絡 55
2.3.3 人工免疫系統與一般的確定性優化算法 57
2.4 免疫優化計算研究的新進展 58
2.4.1 免疫優化算法研究的主要進展 58
2.4.2 免疫優化計算理論分析的主要進展 63
2.5 問題與展望 65
參考文獻 66
第3章 量子計算智能 75
3.1 量子計算原理 75
3.1.1 狀態的疊加 76
3.1.2 狀態的相干 76
3.1.3 狀態的糾纏 76
3.1.4 量子并行性 77
3.2 量子計算智能的幾種模型 77
3.2.1 量子人工神經網絡 77
3.2.2 基于量子染色體的進化算法 78
3.2.3 基于量子特性的優化算法 78
3.2.4 量子聚類算法 79
3.2.5 量子模式識別算法 79
3.2.6 量子小波與小波包算法 80
3.2.7 量子退火算法 80
3.2.8 其它 80
3.3 量子進化算法 81
3.3.1 量子進化算法的提出 81
3.3.2 量子進化操作 82
3.3.3 量子進化算法的結構框架 86
3.4 問題與展望 88
參考文獻 89
第4章 多智能體系統 93
4.1 復雜適應系統 93
4.1.1 復雜適應系統概述 93
4.1.2 復雜適應系統的適應性與生物進化過程 95
4.1.3 生物進化過程的數學模型 97
4.2 多智能體系統 99
4.2.1 智能體的基本概念 100
4.2.2 智能體形式化描述 102
4.2.3 多智能體系統的主要研究內容 105
4.2.4 面向問題解決的多智能體系統研究現狀 108
4.2.5 多智能體系統與分布式人工智能 110
4.2.6 多智能體系統與人工生命 111
4.2.7 多智能體系統與進化計算 114
參考文獻 115
第5章 進化多目標優化 119
5.1 多目標優化問題的數學描述 120
5.2 進化多目標優化的主要算法 121
5.2.1 第一代進化多目標優化算法 121
5.2.2 第二代進化多目標優化算法 122
5.3 當代進化多目標優化算法及研究趨勢 124
5.3.1 基于粒子群優化的多目標優化 125
5.3.2 基于人工免疫系統的多目標優化 125
5.3.3 基于分布估計算法的多目標優化 126
5.3.4 新型占優機制研究 126
5.3.5 高維多目標優化研究 127
5.4 幾種典型進化多目標優化算法的性能比較 128
5.4.1 實驗設置 129
5.4.2 NSGAⅡ、 SPEA2、 PESAⅡ和NNIA的性能比較 132
5.5 總結與展望 136
參考文獻 136
第6章 核機器學習 143
6.1 Mercer核 144
6.2 核機器學習的主要方法 144
6.2.1 支撐矢量機及統計學習理論 144
6.2.2 支持矢量新穎發現 147
6.2.3 核匹配追蹤學習機 148
6.2.4 Mercer聚類方法 150
6.2.5 Mercer核主分量分析 151
6.2.6 Mercer核Fisher判別分析 152
6.2.7 SVMs用于排序學習 153
6.2.8 學習 154
6.2.9 用于結構化數據識別的核方法 154
6.3 核機器學習方法的優勢與不足 155
6.3.1 Mercer核技術的優勢 155
6.3.2 Mercer核技術的不足 156
6.4 推廣Mercer核函數的主要研究方向 157
參考文獻 159
第7章 流形學習與譜圖學習 166
7.1 流形學習的基本概念 166
7.2 流形學習的降維方法分類 167
7.2.1 構建關系矩陣的方法 167
7.2.2 基于局部模型的全局坐標對齊方法 172
7.2.3 十二種流形降維方法的比較 175
7.3 譜聚類 177
7.3.1 譜圖劃分算法 177
7.3.2 譜聚類算法 179
參考文獻 180
第8章 集成學習 184
8.1 集成學習系統的結構 184
8.1.1 集成學習中多樣性個體的構造 185
8.1.2 集成方法的系統結構 187
8.1.3 集成學習算法中的合并方法 187
8.2 集成核匹配追蹤學習機 188
8.2.1 集成核匹配追蹤學習機的理論分析 188
8.2.2 集成核匹配追蹤學習機的建立 191
8.3 譜聚類集成 191
8.3.1 無監督集成問題 191
8.3.2 具有多樣性的個體譜聚類的構造 192
8.3.3 多個譜聚類結果的合并 193
8.3.4 譜聚類集成的流程 195
參考文獻 196
第9章 非線性逼近理論 199
9.1 函數逼近簡述 199
9.2 非線性逼近 200
9.2.1 基本概念 200
9.2.2 希爾伯特空間中的非線性逼近 202
9.2.3 小波逼近 203
9.3 高度非線性逼近 205
9.3.1 研究背景及其意義 205
9.3.2 正交基庫中最優基的選擇 207
9.3.3 函數字典中最優原子的選擇 208
9.4 問題與展望 215
9.4.1 關于數據的多尺度幾何表示 215
9.4.2 關于基的學習問題 217
參考文獻 218
第10章 多尺度幾何分析 224
10.1 概念的產生 224
10.2 從傅立葉分析到小波分析 225
10.3 小波圖像逼近 227
10.4 人類視覺模型 229
10.5 圖像的多尺度幾何分析 230
10.5.1 自適應幾何逼近 231
10.5.2 Bandelet變換 231
10.5.3 脊波及單尺度脊波變換 234
10.5.4 Curvelet變換 236
10.5.5 Contourlet變換 237
10.6 問題與展望 240
參考文獻 243
第11章 多尺度變換域圖像感知與識別 248
11.1 小波變換的三級統計特性及其機理分析 248
11.2 小波域隱馬爾可夫模型 250
11.2.1 隱馬爾可夫模型 250
11.2.2 小波域隱馬爾可夫模型概述 251
11.3 變換域的十種統計模型 252
11.3.1 小波域的八種模型 253
11.3.2 復小波域模型 257
11.3.3 Contourlet變換域模型 258
11.4 基于變換域統計模型的圖像感知與識別 258
11.4.1 圖像恢復和重建 258
11.4.2 圖像分割 260
11.4.3 邊緣檢測 261
11.5 問題與展望 261
11.5.1 面向應用的模型設計和算法構造 261
11.5.2 變換域的拓展 263
11.5.3 應用領域的推廣 264
參考文獻 264
第12章 圖像的高維奇異性檢測、 學習與理解 271
12.1 圖像識別與理解中存在的主要問題 271
12.1.1 高維奇異性特征提取問題 271
12.1.2 多元特征選擇問題 272
12