人工智能發(fā)展歷史是短暫而曲折的，它點滴的進步都有效推動了社會的發(fā)展。1956年，在達特茅斯學院舉行的一次會議上，計算機科學家約翰·麥卡錫說服與會者接受人工智能一詞作為本領域的名稱，這次會議也被大家看作人工智能正式誕生的標志。此后的十幾年是人工智能發(fā)展的黃金年代，無數科學家前赴后繼對此進行研究，為機器智能化和人性化不斷努力奮斗，獲得了許多成果，得到了廣泛贊賞，同時也讓研究者對人工智能領域的發(fā)展信心倍增。到了20世紀70年代，由于計算復雜性呈指數級增長，而計算機性能遇到瓶頸，同時出現(xiàn)數據量缺失等問題，一些難題看上去好像完全找不到答案，人工智能開始遭受批評。1977年，費根鮑姆在第五屆國際人工智能大會上提出了知識工程的概念，標志著人工智能研究從傳統(tǒng)的以推理為中心的階段進入以知識為中心的新階段。人工智能重新獲得人們的普遍重視，逐步跨進了復興期。隨著人工智能的深入研究，模式識別的興起，機器思維可以代替人腦進行各種計算、決策和分析，有效解放了人們雙手，智能技術越來越受到人們的歡迎。越來越多的科學家堅信，人工智能將為人類社會帶來第三次技術革命。作為人工智能的新生領域，智能算法是在自然計算、啟發(fā)式方法、量子、神經網絡等分支發(fā)展相對成熟的基礎上，通過相互之間的有機融合形成的新的科學方法，也是智能理論和技術發(fā)展的嶄新階段。
自然計算方法主要通過模仿自然界中的群體智能等特點，建立具有自適應、自組織、自學習能力的模型與算法，用于解決傳統(tǒng)計算方法解決復雜問題時的限制問題。本書涵蓋遺傳算法、免疫算法、Memetic算法、粒子群算法、人工蟻群算法等多種自然計算方法，從算法起源、算法實現(xiàn)和算法應用等方面進行總結和介紹，涉及經典組合優(yōu)化、圖像處理等問題。
啟發(fā)式方法相對于化算法提出，基于經驗建立模型，獲得可行解。啟發(fā)式優(yōu)化算法也屬于自然計算方法的范疇，主要包模擬退火算法、雨滴算法等。本書通過介紹啟發(fā)式算法的基礎原理，對包括多目標優(yōu)化問題、調度問題、圖像處理等應用進行了討論。
量子計算的并行性、指數級存儲容量和指數加速特征展示了其強大的運算能力。計算智能的研究也可以建立在物理基礎上，有效利用量子理論的原理和概念，在人工智能領域的應用中取得明顯優(yōu)于傳統(tǒng)智能計算模型的結果，因此量子計算智能具有很高的理論價值和發(fā)展?jié)摿�。本書對量子計算智能的幾種模型及協(xié)同量子粒子群優(yōu)化等方法進行了詳細介紹。
神經網絡作為一種模仿動物神經網絡行為特征的方法，通過分布式并行信息處理調整內部神經元之間的連接關系，進行信息處理。隨著計算機處理速度和存儲能力的提高，深層神經網絡的設計和實現(xiàn)也逐漸成為可能。鏈式結構便是神經網絡中為常見的結構，鏈的全長被稱為模型深度，深度學習由此產生。本書對神經網絡和深度學習進行介紹，并討論它們在計算機視覺、語音處理等方面的應用。
此外，本書還對小二乘法、A*算法、強化學習方法和幾種混合智能算法進行了介紹，并對其數學基礎、算法流程及機器學習領域中的簡單案例進行了討論。
經過近十幾年對人工智能領域和智能算法的研究，對相關知識和方法進行了系統(tǒng)的梳理，總結了一套較為完整的體系，終形成此書。
本書特色
(1) 緊跟學術前沿
編著者查閱大量的相關資料，結合近年來智能算法的研究成果，緊跟國內外相關研究機構的研究動態(tài)，積極與國內外學者和企業(yè)人員進行交流，力圖將動態(tài)與各位讀者分享。
(2) 論述清晰，知識完整
本書內容豐富，闡述嚴謹，對若干智能算法的起源、理論基礎、基本框架和典型應用進行了詳細論述，適合在人工智能領域以及相關交叉領域的教師教學和學生學習。
(3) 學科交叉
智能算法應用廣泛，與生物學、計算機科學、神經科學、語言學等學科交叉發(fā)展，互相影響。本書充分體現(xiàn)了學科交叉，很好地將這些知識進行了結合。
(4) 重視應用
本書不僅論述了智能算法的起源、理論基礎和基本框架，還在此基礎上針對相關領域中的典型問題給出智能算法的應用示例，使讀者可以在理解理論知識的同時，對人工智能學科產生興趣，培養(yǎng)動手能力。
致謝
本書是西安電子科技大學人工智能學院智能感知與圖像理解教育部重點實驗室、智能感知與計算教育部國際聯(lián)合實驗室、國家111計劃創(chuàng)新引智基地、國家2011信息感知協(xié)同創(chuàng)新中心、大數據智能感知與計算陜西省2011協(xié)同創(chuàng)新中心、智能信息處理研究所集體智慧的結晶，感謝集體中的每一位同仁的奉獻。特別感謝保錚院士多年來的悉心培養(yǎng)和指導； 感謝中國科學技術大學陳國良院士和IEEE計算智能學會副主席、英國伯明翰大學姚新教授，英國埃塞克斯大學張青富教授，英國薩里大學金耀初教授，英國諾丁漢大學屈嶸教授的指導和幫助； 感謝國家自然科學基金委信息科學部的大力支持； 感謝田捷教授、高新波教授、石光明教授、梁繼民教授的幫助； 感謝張瑋桐、孟洋、張靜雯、路夢瑤、王路娟、何江海、張雨萌等智能感知與圖像理解教育部重點實驗室研究生所付出的辛勤勞動。在此特別感謝以下支持： 國家自然科學基金61773304、U1701267、61871310、61773300、61772399、61672405、61473215、61876141、61806156、61806154、61802295、61801351； 國家自然科學基金重點項目61836009； 國家自然科學基金創(chuàng)新研究群體科學基金61621005； 優(yōu)秀青年科學基金項目61522311； 高等學校學科創(chuàng)新引智計劃(111計劃)B07048； 重大研究計劃91438201和91438103； 教育部指導高�？萍紕�(chuàng)新規(guī)劃項目； 教育部長江學者和創(chuàng)新團隊發(fā)展計劃IRT_15R53。
感謝編著者家人的大力支持和理解。
由于編著者水平有限，書中不妥或疏漏之處在所難免，敬請各位專家及廣大讀者批評指正。
編著者
2021年6月
第1章遺傳算法
1.1遺傳算法起源
1.1.1遺傳算法生物學基礎
1.1.2遺傳算法發(fā)展歷程
1.2遺傳算法實現(xiàn)
1.2.1遺傳算法流程
1.2.2重要參數
1.3基于遺傳算法的組合優(yōu)化
1.3.1基于遺傳算法的TTP問題
1.3.2基于遺傳算法的旅行商問題
1.3.3基于遺傳算法的01規(guī)劃
1.4基于遺傳算法的圖像處理
1.4.1基于遺傳算法的圖像分割
1.4.2基于遺傳算法的圖像增強
1.4.3基于遺傳算法的圖像變化檢測
1.5基于遺傳算法的社區(qū)檢測
1.5.1多目標遺傳算法
1.5.2遺傳編碼
1.5.3Pareto解
參考文獻
第2章免疫算法
2.1生物免疫系統(tǒng)與人工免疫系統(tǒng)
2.2免疫算法實現(xiàn)
2.2.1克隆選擇算法
2.2.2人工免疫系統(tǒng)模型
2.3基于免疫算法的聚類分析
2.3.1聚類問題
2.3.2免疫進化方法
2.4基于免疫算法的限量弧路由問題
2.4.1限量弧路由問題模型
2.4.2基于免疫協(xié)同進化的限量弧路由問題
參考文獻
第3章Memetic算法
3.1Memetic算法發(fā)展歷程
3.2Memetic算法實現(xiàn)
3.2.1Memetic算法流程
3.2.2Memetic算法改進
3.2.3Memetic算法研究分類
3.3基于Memetic算法的社區(qū)檢測
3.3.1多目標Memetic優(yōu)化算法
3.3.2局部搜索
3.4基于Memetic算法的限量弧路由問題
3.4.1路由距離分組
3.4.2子問題解的更替
3.4.3基于分解的Memetic算法
參考文獻
第4章粒子群算法
4.1粒子群算法起源
4.1.1粒子群算法生物學基礎
4.1.2粒子群算法發(fā)展歷程
4.2粒子群算法實現(xiàn)
4.2.1基本粒子群算法
4.2.2改進粒子群算法
4.3基于粒子群算法的圖像處理
4.3.1基于粒子群算法的圖像分割
4.3.2基于粒子群算法的圖像分類
4.3.3基于粒子群算法的圖像匹配
4.4基于粒子群算法的優(yōu)化問題
4.4.1基于粒子群算法的旅行商問題
4.4.2基于粒子群算法的配送中心選址問題
4.4.3基于粒子群算法的函數優(yōu)化
參考文獻
第5章蟻群算法
5.1蟻群算法起源
5.1.1蟻群算法生物學基礎
5.1.2蟻群算法發(fā)展歷程
5.2蟻群算法實現(xiàn)
5.2.1蟻群算法流程
5.2.2離散域和連續(xù)域蟻群算法
5.3基于蟻群算法的路徑規(guī)劃
5.3.1蟻群算法的路徑規(guī)劃中的優(yōu)勢
5.3.2算法描述以及實現(xiàn)
5.3.3全局路徑規(guī)劃方法
5.4基于蟻群算法的社區(qū)檢測
5.4.1多目標蟻群算法
5.4.2社區(qū)檢測問題的改進
參考文獻
第6章狼群算法
6.1狼群算法起源
6.1.1狼群算法生物學基礎
6.1.2狼群算法發(fā)展歷程
6.2狼群算法實現(xiàn)
6.2.1狼群算法中的智能行為定義
6.2.2狼群算法流程
6.3基于狼群算法的函數求解
6.3.1數學模型
6.3.2函數優(yōu)化問題
6.4基于狼群算法的優(yōu)化調度問題
6.4.1基于狼群算法的電網調度優(yōu)化
6.4.2基于狼群算法的水電站優(yōu)化調度
參考文獻
第7章人工蜂群算法
7.1人工蜂群算法起源
7.1.1人工蜂群算法生物學基礎
7.1.2人工蜂群算法發(fā)展歷程
7.2人工蜂群算法實現(xiàn)
7.2.1人工蜂群算法流程
7.2.2混合人工蜂群算法
7.3基于人工蜂群算法的函數優(yōu)化
7.3.1基于人工蜂群算法的多目標優(yōu)化問題
7.3.2基于人工蜂群算法的動態(tài)優(yōu)化
7.4基于人工蜂群算法的圖像處理
7.4.1基于人工蜂群算法的圖像增強
7.4.2基于人工蜂群算法的圖像分割
7.4.3基于人工蜂群算法的圖像融合
參考文獻
第8章細菌覓食優(yōu)化算法
8.1細菌覓食優(yōu)化算法起源
8.1.1細菌覓食優(yōu)化算法生物學基礎
8.1.2細菌覓食優(yōu)化算法發(fā)展歷程
8.2細菌覓食優(yōu)化算法實現(xiàn)
8.2.1細菌覓食優(yōu)化算法的操作步驟
8.2.2細菌覓食算法的流程
8.3基于細菌覓食算法的圖像匹配
8.3.1自適應步長
8.3.2解逃逸
8.4基于細菌覓食算法的聚類問題
8.4.1改進趨化操作
8.4.2改進復制操作
8.4.3改進遷徙操作
參考文獻
第9章分布估計算法
9.1分布估計算法起源
9.1.1分布估計算法統(tǒng)計學原理
9.1.2分布估計算法發(fā)展歷程
9.2分布估計算法實現(xiàn)
9.2.1分布估計算法流程
9.2.2分布估計算法改進
9.3基于分布估計算法的收斂性分析及多目標優(yōu)化問題
9.3.1收斂性分析
9.3.2多分布估計算法
9.4基于分布估計算法的調度問題
9.4.1基于分布估計算法的柔性車間調度
9.4.2基于分布估計算法的資源受限項目調度
參考文獻
第10章差分進化算法
10.1差分進化算法與遺傳算法
10.1.1遺傳算法流程
10.1.2差分進化算法流程
10.1.3差分進化算法與遺傳算法的比較
10.2差分進化算法實現(xiàn)
10.2.1差分進化算法主要參數
10.2.2差分進化算法流程
10.3基于差分進化算法的多目標優(yōu)化問題
10.3.1混合差分進化處理多目標優(yōu)化問題
10.3.2自適應差分進化處理多目標優(yōu)化問題
10.4基于差分進化算法的調度問題
10.4.1基于差分進化算法的置換流水線調度
10.4.2基于差分進化算法的有限緩沖區(qū)調度
10.4.3基于差分進化算法的作業(yè)車間調度
參考文獻
第11章模擬退火算法
11.1模擬退火算法起源
11.1.1固體退火原理
11.1.2模擬退火算法發(fā)展歷程
11.2模擬退火算法實現(xiàn)
11.2.1模擬退火算法基本思想
11.2.2模擬退火算法流程
11.3基于模擬退火算法的超大規(guī)模集成電路研究
11.3.1集成電路布線
11.3.2優(yōu)化目標
11.4基于模擬退火算法的圖像處理
11.4.1基于模擬退火算法的圖像復原
11.4.2基于模擬退火算法的圖像去噪
11.4.3基于模擬退火算法的圖像分割
11.5基于模擬退火算法的組合優(yōu)化
11.5.1基于模擬退火算法的01背包問題
11.5.2基于模擬退火算法的圖著色問題
11.5.3基于模擬退火算法的旅行商問題
參考文獻
第12章貪心算法
12.1從背包問題了解貪心算法
12.2貪心算法實現(xiàn)
12.2.1局部解概念
12.2.2貪心算法流程
12.3基于貪心算法的組合優(yōu)化
12.3.1基于貪心算法的背包問題
12.3.2基于貪心算法的旅行商問題
參考文獻
第13章雨滴算法
13.1自然降雨現(xiàn)象啟發(fā)下的雨滴算法
13.2雨滴算法理論基礎
13.3基于雨滴算法的多目標優(yōu)化問題
13.3.1基于雨滴算法的多目標應急物資路徑優(yōu)化
13.3.2基于雨滴算法的混合時間窗車輛路徑問題
參考文獻
第14章禁忌搜索算法
14.1禁忌搜索算法起源
14.1.1禁忌搜索算法發(fā)展歷程
14.1.2禁忌搜索算法基本思想
14.2禁忌搜索算法實現(xiàn)
14.2.1禁忌搜索算法構成要素
14.2.2禁忌搜索算法流程
14.3基于禁忌搜索的飛蜂窩網絡頻譜分配方法
14.3.1算法主要思想及流程
14.3.2算法實現(xiàn)具體步驟
14.3.3實驗分析
參考文獻
第15章量子搜索與優(yōu)化
15.1量子計算原理
15.1.1狀態(tài)的疊加
15.1.2狀態(tài)的相干
15.1.3狀態(tài)的糾纏
15.1.4量子并行性
15.2量子計算智能的幾種模型
15.2.1量子人工神經網絡
15.2.2基于量子染色體的進化算法
15.2.3基于量子特性的優(yōu)化算法
15.2.4量子聚類算法
15.2.5量子模式識別算法
15.2.6量子小波與小波包算法
15.2.7量子退火算法
15.3量子進化算法
15.3.1基于量子旋轉門的進化算法
15.3.2基于吸引子的進化算法
參考文獻
第16章量子粒子群優(yōu)化
16.1量子行為粒子群算法
16.1.1思想來源
16.1.2勢阱模型
16.1.3算法流程
16.2協(xié)同量子粒子群優(yōu)化
16.2.1協(xié)同量子粒子群算法
16.2.2改進的協(xié)同量子粒子群算法
16.2.3實驗結果及分析
16.3基于多次坍塌正交交叉的量子粒子群優(yōu)化
16.3.1量子多次坍塌
16.3.2正交交叉實驗簡介
16.3.3多次坍塌正交交叉的量子粒子群算法
16.3.4實驗及分析
參考文獻
第17章小二乘法
17.1小二乘法數學基礎
17.2小二乘法流程
17.3小二乘法在機器學習中的應用
參考文獻
第18章A*算法
18.1短路徑搜索
18.2A*算法實現(xiàn)
18.2.1A*算法原理
18.2.2A*算法簡單案例
18.3A*算法的優(yōu)勢與缺陷
參考文獻
第19章神經網絡算法
19.1神經網絡算法起源
19.1.1腦神經元學說
19.1.2神經網絡算法發(fā)展歷程
19.2神經網絡算法實現(xiàn)
19.2.1神經網絡構成要素
19.2.2典型神經網絡結構
19.3基于神經網絡算法的圖像處理
19.3.1基于神經網絡算法的圖像分割
19.3.2基于神經網絡算法的圖像修復
19.3.3基于神經網絡算法的目標檢測與識別
19.4基于神經網絡算法的預測控制
19.4.1基于神經網絡算法的預測模型
19.4.2神經網絡預測控制中的滾動優(yōu)化
參考文獻
第20章深度學習算法
20.1深度學習算法與神經網絡
20.2深度學習算法實現(xiàn)
20.2.1深度概念
20.2.2深度學習算法基本思想
20.2.3深度模型優(yōu)化
20.3基于深度學習算法的計算機視覺
20.3.1基于深度學習算法的人臉識別
20.3.2基于深度學習算法的目標跟蹤
20.4基于深度學習算法的語音識別
20.4.1基于深度學習算法的聲學模型
20.4.2基于深度學習算法的語言模型
參考文獻
第21章強化學習
21.1強化學習模型
21.1.1強化學習思路
21.1.2基于馬爾可夫決策過程的強化學習
21.2逆向強化學習
21.2.1邊際規(guī)劃
21.2.2基于信息熵的逆向強化學習
21.3基于多尺度FCNCRF網絡和強化學習的高分辨SAR圖像語義分割
21.3.1深度強化學習
21.3.2SAR圖像語義分割動態(tài)調優(yōu)策略
21.3.3算法實現(xiàn)
21.3.4實驗結果
參考文獻
第22章混合智能算法
22.1粒子群深度網絡模型及學習算法
22.1.1PSO自編碼網絡
22.1.2自適應PSO自編碼網絡
22.1.3模擬退火PSO算法自編碼網絡
22.1.4實驗與分析
22.2混沌模擬退火深度網絡模型及學習算法
22.2.1混沌模擬退火深度網絡學習算法
22.2.2混沌模擬退火自編碼網絡
22.2.3混沌模擬退火深度小波網絡
22.2.4實驗與分析
參考文獻
書單推薦
