现代智能算法理论及应用2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

现代智能算法理论及应用PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

目录1

前言1

第一章 绪论1

第一节 人工免疫系统概述4

第二节 分形编码概述6

第三节 蚁群优化概述8

第四节 支持向量机概述10

第一节 免疫学基本概念及原理15

第二章 免疫学基本理论及人工免疫系统概论15

第一部 分免疫优化及免疫网络算法理论和应用15

第二节 人工免疫系统概述22

第三节 本篇研究的主要内容及意义30

第四节 最优化问题及分类32

第五节 测试问题及性质分析32

第六节 本章小结36

参考文献36

第一节 引言41

第三章 免疫算法理论及应用41

第二节 免疫算法的概念及工作原理43

第三节 免疫算子及相关概念45

第四节 突变规则48

第五节 免疫算法描述49

第六节 算法收敛性概念51

第七节 免疫算子性质及齐次免疫算法收敛性53

第八节 非齐次免疫算法收敛性57

第九节 免疫算法收敛速度分析60

第十节 免疫算法稳定性理论63

第十一节 免疫算法的计算复杂度及鲁棒性分析73

第十二节 齐次及非齐次免疫算法理论比较分析78

第十三节 免疫算法的性能测试81

第十四节 应用举例86

第十五节 本章小结87

参考文献88

第一节 引言89

第四章 形态空间上免疫算法及收敛性理论89

第二节 小生境免疫算法90

第三节 动态规模免疫算法94

第四节 约束优化免疫算法97

第五节 模糊控制免疫算法104

第六节 形态空间上免疫算法的收敛性111

第七节 应用举例116

参考文献123

第八节 本章小结123

第五章 多目标优化免疫算法及免疫网络算法125

第一节 引言125

第二节 预备知识126

第三节 非约束条件下多目标优化免疫算法127

第四节 约束多目标优化免疫算法138

第五节 模糊免疫网络分类算法147

第六节 本章小结153

参考文献153

第二节 度量空间157

第一节 引言157

第二部分 图像编码的分形算法157

第六章 分形编码的数学基础157

第三节 分形168

第四节 迭代函数系统175

第五节 本章小结184

参考文献184

第七章 基本分形编码算法187

第一节 引言187

第二节 矢量量化与分形编码189

第三节 迭代函数系统正问题与自然图形模拟197

第四节 迭代函数系统逆问题与图像编码202

第五节 分形编码算法的基本原理与实现204

第六节 本章小结222

参考文献222

第八章 分形编码的改进算法225

第一节 引言225

第二节 图像分割227

第三节 虚拟码本构成233

第四节 亮度变换类型235

第五节 变换参数的量化237

第六节 分形解码240

第七节 最优分形编码252

第八节 快速分形编码255

第九节 混合分形编码270

第十节 本章小结275

参考文献276

第三部分 蚁群优化算法理论及其应用283

第九章 蚁群优化算法概述283

第一节 引言283

第二节 蚁群优化原理及算法描述284

第三节 蚁群优化的特点289

第四节 蚁群优化与其他算法的关系290

第五节 蚁群优化的研究现状291

参考文献294

第六节 本章小结294

第十章 蚁群优化元启发式及其收敛性301

第一节 引言301

第二节 蚁群优化元启发式301

第三节 蚁群优化的收敛性307

第四节 本章小结317

参考文献317

第二节 蚂蚁系统及其属性319

第一节 引言319

第十一章 基本蚁群优化算法及其改进算法319

第三节 改进的蚁群优化算法326

第四节 一种新的自适应蚁群算法332

第五节 基于混合行为的蚁群算法335

第六节 本章小结340

参考文献341

第十二章 蚁群优化的并行实现343

第一节 蚁群优化的并行实现概述343

第二节 蚂蚁系统的同步并行实现和部分异步并行实现344

第三节 SPI与PAPI的对比实验346

第四节 对一类带聚类特征TSP的并行蚁群算法求解348

第五节 本章小结356

参考文献356

第十三章 蚁群优化算法的应用357

第一节 概述357

第二节 蚁群优化算法与K-TSP357

第三节 蚁群优化与二次分配问题361

第四节 蚁群优化算法与车间作业调度问题368

第五节 蚁群优化算法与网络路由问题370

第六节 蚁群算法与0-1背包问题372

第七节 蚁群优化算法与三维空间机器人路径规划378

第八节 本章小结382

参考文献383

第四部分 小样本统计学习理论与支持向量机387

第十四章 小样本统计学习的基本理论387

第一节 引言387

第二节 基于SLT的机器学习理论的基本观点387

第三节 支持向量机算法394

第四节 算例399

第五节 本章小结401

参考文献401

第十五章 基于SVM的多类分类算法及其在故障诊断中的应用403

第一节 引言403

第二节 基于二叉树的多级SVM分类器403

第三节 SVM用于故障诊断的一般步骤406

第四节 基于SVM的柴油机故障诊断408

参考文献416

第五节 本章小结416

第十六章 基于支持向量机的函数回归的方法418

第一节 常用的损失函数的定义418

第二节 函数回归的SVM方法419

第三节 基于SVM的故障趋势预测研究421

第四节 本章小结426

参考文献426

中英文词汇对照428