《智能優(yōu)化算法原理與應用》主要講述了，智能優(yōu)化算法是指通過計算機軟件編程模擬自然界、生物界乃至人類自身的長期演化、生殖繁衍、競爭、適應、自然選擇中不斷進化的機制與機理，從而實現對復雜優(yōu)化問題求解的一大類算法的統(tǒng)稱�！吨悄軆�(yōu)化算法原理與應用》主要介紹模糊邏輯推理算法、神經網絡學習算法、遺傳算法、模擬退火算法、禁忌算法、人工免疫算法、人工蟻群算法、微粒群算法、混沌優(yōu)化算法、量子優(yōu)化算法，以及智能優(yōu)化算法在函數優(yōu)化、聚類分析、系統(tǒng)辨識、路徑規(guī)劃、航跡規(guī)劃等方面的應用。
《智能優(yōu)化算法原理與應用》可作為高校自動化、計算機、系統(tǒng)工程、管理工程、人工智能等相關專業(yè)研究生學習用書，也可供相關專業(yè)的科研人員及工程建設人員學習參考。
第1章緒論
1.1最優(yōu)化問題的描述
1.2函數優(yōu)化問題
1.3組合優(yōu)化問題
1.4最優(yōu)化問題的智能優(yōu)化求解方法
1.5智能優(yōu)化算法的實質——智能逼近
第2章模糊邏輯推理算法
2.1模糊集合與模糊邏輯
2.2模糊關系與模糊矩陣
2.3模糊語言與模糊推理
2.4可加性模糊系統(tǒng)
2.5模糊系統(tǒng)的逼近特性
2.6模糊系統(tǒng)的萬能逼近定理
第3章神經網絡學習算法
3.1電腦與人腦
3.2神經細胞的結構與功能
3.3人工神經元的基本特性
3.4人工神經網絡及其特點
3.5神經網絡的結構及其分類
3.6前向網絡
3.7 BP網絡的非線性映射能力
3.8神經網絡應用
第4章進化算法與遺傳算法
4.1生物的進化與遺傳
4.2進化算法的分類
4.3遺傳算法
4.4基本遺傳算法及其在函數優(yōu)化中的應用
4.5遺傳算法的模式定理
4.6 GA的收斂性分析
4.7 GA的特點及其應用領域
第5章模擬退火算法
5.1 SA的基本思想
5.2固體退火過程的統(tǒng)計力學
5.3模擬退火模型
5.4 Metropolis算法與組合優(yōu)化問題
5.5 SA的主要操作及實現步驟
5.6用SA求解TSP問題的例子
第6章禁忌搜索算法
6.1引言
6.2組合優(yōu)化中的鄰域概念
6.3局部搜索算法
6.4禁忌搜索的一個例子
6.5禁忌搜索中的主要操作及參數
6.6用禁忌搜索算法求解車間調度問題
第7章人工免疫算法
7.1人工免疫系統(tǒng)
7.2人工免疫算法的免疫學基礎
7.3免疫應答中的學習與優(yōu)化原理
7.4免疫算法
第8章人工蟻群算法
8.1群智能的概念
8.2螞蟻社會及信息系統(tǒng)
8.3螞蟻的覓食行為
8.4蟻群覓食策略的優(yōu)化機制
8.5人工蟻與真實蟻的異同
8.6螞蟻系統(tǒng)模型的建立
8.7基本蟻群算法的實現步驟
8.8基本（標準）蟻群算法流程
第9章微粒群優(yōu)化算法
9.1 PSO算法的提出
9.2基本微粒群算法
9.3 PSO算法步驟
9.4 PSO算法的改進及應用
第10章混沌優(yōu)化算法
10.1混沌現象和混沌學
10.2 Logistic映射
10.3從倍周期分支到混沌
10.4區(qū)間映射與混沌
10.5混沌中的規(guī)律性
10.6 Lyapunov指數
10.7奇異吸引子
10.8混沌優(yōu)化方法
第11章量子優(yōu)化算法
11.1量子比特
11.2量子邏輯門
11.3 Grover量子搜索算法
11.4量子遺傳算法
11.5實數編碼雙鏈量子遺傳算法
第12章智能優(yōu)化算法的工程應用
12.1基于RBF神經網絡優(yōu)化自適應模糊導引律
12.2帶有成長算子遺傳算法在辨識與優(yōu)化中的應用
12.3改進的免疫克隆算法在函數優(yōu)化中的應用
12.4蟻群算法在聚類分析中的應用
12.5蟻群算法在機器人路徑規(guī)劃中的應用
12.6改進的蟻群算法在巡航導彈航跡規(guī)劃中的應用
12.7混沌量子免疫算法及其在連續(xù)優(yōu)化問題中的應用
參考文獻
書單推薦
