第1章緒論
1.1最優(yōu)化問題的描述
1.2函數(shù)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(zhì)——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(guān)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(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法
3.1電腦與人腦
3.2神經(jīng)細胞的結(jié)構(gòu)與功能
3.3人工神經(jīng)元的基本特性
3.4人工神經(jīng)網(wǎng)絡(luò)及其特點
3.5神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及其分類
3.6前向網(wǎng)絡(luò)
3.7 BP網(wǎng)絡(luò)的非線性映射能力
3.8神經(jīng)網(wǎng)絡(luò)應(yīng)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(shù)優(yōu)化中的應(yīng)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(yīng)用領(lǐng)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(xué)
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(xiàn)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(shù)
6.6用禁忌搜索算法求解車間調(diào)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(xué)基礎(chǔ)
7.3免疫應(yīng)答中的學(xué)習(xí)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(xiàn)步驟
8.8基本（標(biāo)準(zhǔn)）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(yīng)用
第10章混沌優(yōu)化算法
10.1混沌現(xiàn)象和混沌學(xué)
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(shù)
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(shù)編碼雙鏈量子遺傳算法
第12章智能優(yōu)化算法的工程應(yīng)用
12.1基于RBF神經(jīng)網(wǎng)絡(luò)優(yōu)化自適應(yīng)模糊導(dǎo)引律
12.2帶有成長算子遺傳算法在辨識與優(yōu)化中的應(yīng)用
12.3改進的免疫克隆算法在函數(shù)優(yōu)化中的應(yīng)用
12.4蟻群算法在聚類分析中的應(yīng)用
12.5蟻群算法在機器人路徑規(guī)劃中的應(yīng)用
12.6改進的蟻群算法在巡航導(dǎo)彈航跡規(guī)劃中的應(yīng)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(yīng)用
參考文獻