目錄
第1章 緒論1
1.1 人工智能概述1
1.2 人工智能算法概述6
1.3 人工智能算法的應(yīng)用9
1.4 本章小結(jié)10
第2章 運(yùn)營(yíng)管理中的典型決策問(wèn)題11
2.1 需求預(yù)測(cè)問(wèn)題11
2.2 生產(chǎn)優(yōu)化問(wèn)題15
2.3 運(yùn)輸優(yōu)化問(wèn)題19
2.4 其他典型決策問(wèn)題22
2.5 本章小結(jié)24
第3章 禁忌搜索算法27
3.1 禁忌搜索算法的提出27
3.2 基本禁忌搜索算法28
3.3 禁忌搜索算法的改進(jìn)32
3.4 應(yīng)用案例33
3.5 本章小結(jié)36
第4章 模擬退火算法37
4.1 模擬退火算法的提出37
4.2 基本模擬退火算法38
4.3 模擬退火算法的改進(jìn)42
4.4 應(yīng)用案例43
4.5 本章小結(jié)46
第5章 遺傳算法基礎(chǔ)48
5.1 遺傳算法的提出48
5.2 位串編碼遺傳算法50
5.3 本章小結(jié)57
第6章 遺傳算法進(jìn)階59
6.1 實(shí)數(shù)編碼遺傳算法59
6.2 順序編碼遺傳算法62
6.3 遺傳算法的變體66
6.4 應(yīng)用案例68
6.5 本章小結(jié)71
第7章 蟻群算法72
7.1 蟻群算法的提出72
7.2 基本蟻群算法74
7.3 改進(jìn)的蟻群算法78
7.4 應(yīng)用案例80
7.5 本章小結(jié)83
第8章 粒子群優(yōu)化算法85
8.1 粒子群優(yōu)化算法的提出85
8.2 基本粒子群優(yōu)化算法86
8.3 標(biāo)準(zhǔn)粒子群優(yōu)化算法88
8.4 離散粒子群優(yōu)化算法90
8.5 應(yīng)用案例92
8.6 本章小結(jié)96
第9章 人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)98
9.1 人工神經(jīng)網(wǎng)絡(luò)的生物學(xué)基礎(chǔ)98
9.2 從生物神經(jīng)網(wǎng)絡(luò)到人工神經(jīng)網(wǎng)絡(luò)99
9.3 人工神經(jīng)網(wǎng)絡(luò)的構(gòu)成要素101
9.4 本章小結(jié)104
第10章 多層感知器105
10.1 多層感知器的提出105
10.2 多層感知器模型105
10.3 學(xué)習(xí)算法107
10.4 多層感知器的設(shè)計(jì)110
10.5 應(yīng)用案例111
10.6 本章小結(jié)113
第11章 卷積神經(jīng)網(wǎng)絡(luò)114
11.1 卷積神經(jīng)網(wǎng)絡(luò)的提出114
11.2 卷積神經(jīng)網(wǎng)絡(luò)的基本原理115
11.3 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練119
11.4 典型卷積神經(jīng)網(wǎng)絡(luò)121
11.5 應(yīng)用案例127
11.6 本章小結(jié)129
第12章 循環(huán)神經(jīng)網(wǎng)絡(luò)131
12.1 循環(huán)神經(jīng)網(wǎng)絡(luò)的提出131
12.2 基于門(mén)控的循環(huán)神經(jīng)網(wǎng)絡(luò)133
12.3 其他循環(huán)神經(jīng)網(wǎng)絡(luò)139
12.4 應(yīng)用案例141
12.5 本章小結(jié)144
第13章 注意力模型145
13.1 注意力機(jī)制的提出145
13.2 注意力機(jī)制的變體148
13.3 自注意力模型與多頭自注意力模型150
13.4 使用自注意力模型的深度學(xué)習(xí)算法152
13.5 應(yīng)用案例157
13.6 本章小結(jié)160
參考文獻(xiàn)161
附錄168
A1 基于torchvision包的卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)168
A2 拓展閱讀：魔笛Python實(shí)驗(yàn)平臺(tái)169