第1章 緒論
1．1 軟計算與硬計算
1．1．1 硬計算
1．1．2 軟計算
1．2 軟計算的內(nèi)涵及主要特征
1．3 常用的軟件計算方法
1．3．1 遺傳算法
1．3．2 免疫算法
1．3．3 神經(jīng)網(wǎng)絡(luò)算法
1．3．4 蟻群算法
1．3．5 微粒群算法
1．3．6 模擬退火算法
1．3．7 模糊集
1．3．8 粗糙集
1．3．9 貝葉斯網(wǎng)絡(luò)
1．4 軟計算方法的軍事應(yīng)用

第2章 遺傳算法
2．1 遺傳算法的基本思想
2．2 遺傳算法的基本概念
2．3 遺傳算法的優(yōu)點
2．4 遺傳算法的操作步驟
2．5 遺傳算法的實現(xiàn)
2．5．1 編碼和解碼
2．5．2 種群規(guī)模
2．5．3 種群初始化
2．5．4 適應(yīng)度函數(shù)
2．5．5 選擇算子
2．5．6 交叉算子
2．5．7 變異算子
2．5．8 算法終止條件
2．6 遺傳算法的改進
2．6．1 基本遺傳算法的缺點
2．6．2 常見的遺傳改進算法
2．7 遺傳算法的軍事應(yīng)用
2．7．1 遺傳算法在軍事上的應(yīng)用
2．7．2 遺傳算法的應(yīng)用步驟
2．7．3 遺傳算法在作戰(zhàn)部署中的應(yīng)用實例
2．7．4 遺傳算法在火力分配中的應(yīng)用示例

第3章 免疫算法
3．1 免疫算法的基本思想
3．2 免疫算法的常用術(shù)語及參數(shù)
3．3 免疫算法的仿生機理
3．3．1 免疫識別
3．3．2 免疫學習
3．3．3 免疫記憶
3．3．4 克隆選擇
3．3．5 免疫網(wǎng)絡(luò)
3．3．6 免疫調(diào)節(jié)
3．3．7 免疫反饋
3．3．8 免疫代謝
3．3．9 免疫耐受
3．4 人工免疫算法
3．4．1 一般免疫算法
3．4．2 克隆選擇算法
3．4．3 陰性選擇算法
3．4．4 免疫網(wǎng)絡(luò)算法
3．5 一般免疫算法的實現(xiàn)
3．5．1 抗體編碼
3．5．2 抗體抗原的親和度計算
3．5．3 接種疫苗
3．5．4 克隆選擇
3．5．5 抗體抑制和促進
3．6 免疫算法的軍事應(yīng)用
3．6．1 免疫算法在軍事上的應(yīng)用
3．6．2 一般免疫算法的應(yīng)用步驟
3．6．3 免疫算法在決策優(yōu)化中的應(yīng)用示例
3．6．4 免疫遺傳算法在路經(jīng)規(guī)劃中的應(yīng)用

第4章 神經(jīng)網(wǎng)絡(luò)算法
4．1 神經(jīng)網(wǎng)絡(luò)的基本思想
4．2 神經(jīng)網(wǎng)絡(luò)的基本概念
4．2．1 神經(jīng)元模型
4．2．2 神經(jīng)網(wǎng)絡(luò)模型
4．2．3 神經(jīng)網(wǎng)絡(luò)的學習方法
4．3 神經(jīng)網(wǎng)絡(luò)的具體實現(xiàn)
4．3．1 多層前向神經(jīng)網(wǎng)絡(luò)
4．3．2 Hopfield神經(jīng)網(wǎng)絡(luò)
4．3．3 自組織神經(jīng)網(wǎng)絡(luò)
4．4 神經(jīng)網(wǎng)絡(luò)的軍事應(yīng)用
4．4．1 神經(jīng)網(wǎng)絡(luò)在軍事上的應(yīng)用
4．4．2 神經(jīng)網(wǎng)絡(luò)的具體應(yīng)用步驟
4．4．3 神經(jīng)網(wǎng)絡(luò)在作戰(zhàn)輔助決策中的應(yīng)用
4．4．4 神經(jīng)網(wǎng)絡(luò)在訓練成績評判中的應(yīng)用

第5章 蟻群算法
5．1 蟻群算法的基本思想
5．2 蟻群算法的基本概念
5．2．1 蟻群算法的數(shù)學描述
5．2．2 蟻群算法的收斂性分析
5．3 蟻群算法的操作步驟
5．4 蟻群算法的具體實現(xiàn)
5．4．1 離散域蟻群尋優(yōu)算法
5．4．2 連續(xù)域蟻群尋優(yōu)算法
5．5 蟻群算法的軍事應(yīng)用
5．5．1 蟻群算法在軍事上的應(yīng)用
5．5．2 在后勤運輸路徑選擇中的應(yīng)用
5．5．3 在武器火力優(yōu)化分配中的應(yīng)用
5．5．4 與遺傳算法在軍事領(lǐng)域的融合應(yīng)用

第6章 微粒群算法
6．1 微粒群算法的相關(guān)概念
6．1．1 微粒群算法的起源
6．1．2 微粒群算法的基本原理
6．1．3 基于微粒群算法的多目標優(yōu)化
6．1．4 微粒群算法的設(shè)計步驟
6．2 微粒群算法的行為和拓撲分析
6．2．1 基于離散時間線理論的分析
6．2．2 代數(shù)分析
6．2．3 拓撲結(jié)構(gòu)分析
6．3 微粒群算法的軍事應(yīng)用
6．3．1 微粒群算法在軍事上的應(yīng)用
6．3．2 微粒群算法的應(yīng)用步驟
6．3．3 車輛路徑問題微粒群解法
6．3．4 軍事車輛路徑問題

第7章 模擬退火
7．1 物理退火過程
7．2 模擬退火算法
7．2．1 Metropolis準則
7．2．2 模擬退火算法模型
7．2．3 影響模擬退火算法的主要因素
7．2．4 模擬退火算法收斂性證明
7．3 模擬退火算法設(shè)計
7．3．1 初始溫度
7．3．2 終止溫度
7．3．3 MarKov鏈長
7．3．4 冷卻進度表
7．4 軍事上的應(yīng)用
7．4．1 雷達網(wǎng)部署優(yōu)化問題
7．4．2 任務(wù)調(diào)度問題

第8章 模糊集
8．1 模糊集的基本思想
8．2 模糊集的基本概念
8．2．1 模糊集和隸屬函數(shù)
8．2．2 模糊集的表示方法
8．2．3 隸屬函數(shù)的確定方法
8．3 模糊集的具體應(yīng)用步驟
8．3．1 模糊綜合評判模型建立
8．3．2 因素重要程度系數(shù)確定
8．4 模糊集的軍事應(yīng)用
8．4．1 模糊集在軍事領(lǐng)域的應(yīng)用
8．4．2 模糊集的軍事應(yīng)用步驟
8．4．3 在武器裝備采辦風險評估中的應(yīng)用示例
8．4．4 在裝備管理經(jīng)濟效益評價中的應(yīng)用示例
8．4．5 在軍事領(lǐng)域與其他算法的融合應(yīng)用示例

第9章 粗糙集理論
9．1 粗糙集提出的背景
9．2 粗糙集的理論研究
9．3 粗糙集的特點
9．4 粗糙集所能處理的問題
9．5 粗糙集與模糊集的區(qū)別
9．6 粗糙集的相關(guān)概念
9．6．1 粗糙集的概念
9．6．2 知識約簡
9．6．3 決策規(guī)則
9．6．4 可變精度粗糙集模型
9．7 粗糙集理論的軍事應(yīng)用
9．7．1 粗糙集理論在軍事上的應(yīng)用領(lǐng)域
9．7．2 粗糙集理論的應(yīng)用步驟
9．7．3 粗糙集理論在目標識別中的應(yīng)用示例
9．7．4 粗糙集理論在加權(quán)指標評估中的應(yīng)用

第10章 貝葉斯網(wǎng)絡(luò)
10．1 貝葉斯網(wǎng)絡(luò)的提出背景
10．2 貝葉斯網(wǎng)絡(luò)的基本思想
10．3 貝葉斯網(wǎng)絡(luò)的基本概念
10．3．1 貝葉斯網(wǎng)絡(luò)的理論基礎(chǔ)
10．3．2 貝葉斯網(wǎng)絡(luò)的基本定義
10．4 貝葉斯網(wǎng)絡(luò)方法的優(yōu)點
10．5 貝葉斯網(wǎng)絡(luò)的構(gòu)建
10．5．1 貝葉斯網(wǎng)絡(luò)的構(gòu)建方法
10．5．2 貝葉斯網(wǎng)絡(luò)學習
10．5．3 貝葉斯網(wǎng)絡(luò)的構(gòu)建步驟
10．6 貝葉斯網(wǎng)絡(luò)的推理模式
10．7 貝葉斯網(wǎng)絡(luò)的軍事應(yīng)用
10．7．1 貝葉斯網(wǎng)絡(luò)在軍事上的應(yīng)用
10．7．2 在空戰(zhàn)態(tài)勢評估中的應(yīng)用
10．7．3 在軍事威懾信息傳遞機制分析中的應(yīng)用
參考文獻