●第1章 緒論——從人工智能到計算智能 1 1.1 人工智能的發展 1 1.1.1 人工智能的萌芽 1 1.1.2 人工智能的誕生 3 1.1.3 人工智能的發展 6 1.2 人工智能預言、現狀和未來 9 1.3 人工智能的新生：計算智能 10 1.3.1 人工神經網絡 10 1.3.2 模糊邏輯 10 1.3.3 進化計算 11 1.3.4 計算智能 11 1.4 智能的三個層次 12 1.5 計算智能領域研究成果 12 1.5.1 進化計算研究成果 12 1.5.2 模糊理論研究成果 16 1.5.3 人工神經網絡研究成果 19 習題 22 參考文獻 22第2章 進化計算 29 2.1 緒論 29 2.1.1 引例 29 2.1.2 從進化論到進化計算 31 2.2 遺傳算法 37 2.2.1 遺傳算法簡介 37 2.2.2 遺傳的特點 38 2.2.3 示例 38 2.2.4 遺傳算法的基本框架 40 2.2.5 遺傳算法的優點 40 2.2.6 遺傳算法的五個關鍵問題 41 2.3 遺傳編碼和種群初始化 41 2.3.1 遺傳編碼 41 2.3.2 種群初始化 46 2.4 交叉和變異 47 2.4.1 交叉算子 47 2.4.2 變異算子 50 2.5 選擇和適應度函數 52 2.5.1 選擇 52 2.5.2 適應度函數 54 2.5.3 適應度共享和群體多樣性 56 2.6 遺傳算法用於求解數值優化問題 57 2.7 遺傳算法的理論基礎 65 2.7.1 模式理論 65 2.7.2 建築塊假說 69 2.8 進化算法的收斂性分析 71 2.8.1 收斂性的定義 71 2.8.2 基於壓縮映射原理的收斂性分析 71 2.8.3 基於有限Markov鏈的收斂性分析 72 2.8.4 公理化模型 73 2.9 基於進化計算的約束優化問題 75 2.9.1 無約束優化問題 75 2.9.2 約束優化問題的形式及處理方法 80 2.9.3 罰函數 82 2.9.4 應用GA求解約束優化問題 86 2.9.5 隨機優化問題 89 2.9.6 非線性目標規劃問題 94 2.9.7 區間規劃問題 98 2.10 基於進化計算的組合優化問題 104 2.10.1 組合優化問題的基本概念 104 2.10.2 背包問題 104 2.10.3 TSP問題 111 2.11 基於進化計算的多目標優化問題 124 2.11.1 多目標優化的基本思想 124 2.11.2 遺傳算法求解多目標優化問題 129 2.11.3 適應度分配機制 131 2.11.4 多目標優化的主要算法 134 2.12 群智能算法 136 2.12.1 蟻群算法 137 2.12.2 粒子群算法 141 2.13 免疫克隆算法 143 2.13.1 從生物免疫到人工免疫繫統 143 2.13.2 免疫進化算法 146 2.13.3 克隆選擇計算 151 習題 157 參考文獻 160第3章 模糊邏輯 164 3.1 模糊理論基礎 164 3.1.1 概率與模糊 165 3.1.2 模糊集合的定義 166 3.1.3 模糊集合和經典集合 167 3.1.4 模糊集合的表示方法 170 3.1.5 模糊集合的幾何圖示 171 3.1.6 模糊集合的運算 174 3.2 隸屬度函數 178 3.2.1 隸屬度函數的基本概念 178 3.2.2 隸屬度函數遵守的基本原則 183 3.2.3 隸屬度函數的設計 184 3.2.4 模糊集合的特性 188 3.2.5 模糊性的度量 190 3.3 模糊關繫及運算 192 3.3.1 模糊關繫 192 3.3.2 模糊關繫的運算 195 3.4 模糊推理 197 3.4.1 模糊邏輯的特點及運算 197 3.4.2 模糊語言變量 198 3.4.3 模糊推理 201 3.4.4 模糊化和去模糊化 205 3.5 模糊控制繫統 207 3.5.1 模糊控制 207 3.5.2 模糊控制器 208 3.6 模糊聚類分析 210 3.6.1 問題的提出 210 3.6.2 模糊聚類分析的基礎知識 210 3.6.3 模糊聚類分析的一般步驟 212 3.7 模糊綜合評判模型 217 3.8 模糊理論在圖像處理中的應用 221 3.8.1 基於模糊稀疏自編碼器框架的單幅圖像人臉識別算法 221 3.8.2 基於模糊超像素表征學習的PolSAR圖像分類 232 習題 245 參考文獻 246第4章 人工神經網絡 252 4.1 緒論 252 4.1.1 人工神經網絡簡介 252 4.1.2 人工神經網絡的發展 254 4.1.3 人工神經網絡的應用與實現 257 4.2 人工——單感知器 260 4.2.1 生物學基礎 260 4.2.2 感知器模型 261 4.2.3 激活函數 263 4.2.4 感知器參數學習 266 4.3 人工神經網絡 268 4.3.1 單層神經網絡 269 4.3.2 多層神經網絡 269 4.3.3 神經網絡參數學習 270 4.3.4 人工神經網絡的信息處理能力 271 4.4 神經網絡的學習方法 272 4.4.1 Hebb規則 272 4.4.2 梯度下降方法 276 4.4.3 誤差反向傳播算法 280 4.4.4 其他學習方法 282 4.5 徑向基函數網絡 284 4.5.1 徑向基函數簡介 284 4.5.2 徑向基函數網絡概念 285 4.5.3 徑向基函數網絡的模型 285 4.5.4 徑向基函數網絡的工作原理及特點 286 4.5.5 徑向基函數網絡的學習算法 287 4.6 深度神經網絡 289 4.6.1 有監督學習與無監督學習 289 4.6.2 卷積神經網絡 289 4.6.3 循環神經網絡 298 4.6.4 生成對抗網絡 303 4.6.5 增強學習 309 習題 314參考文獻 315

本書對計算智能的諸多基礎理論進行了詳細的介紹和釋義，並介紹了神經網絡、模糊繫統、進化計算的應用範例以及實驗結果，將理論與實踐緊密聯繫起來。全書共4章，其中，第1章對人工智能的萌芽、誕生和發展，以及現狀和未來進行了簡要介紹；第2章為進化計算，論述了遺傳算法、蟻群算法、粒子群算法，以及免疫克隆算法；第3章為模糊邏輯，介紹了模糊理論基礎，論述了常見的模糊隸屬度函數以及模糊集合常用的算子，並對模糊關繫及運算、模糊推理進行了詳細介紹；第4章為人工神經網絡，論述了人工神經網絡的特點、生物學基礎及其發展與應用。本書可供計算機科學、信息科學、人工智能、自動化技術等領域及其交叉領域中從事量子計算、進化算法、機器學習及相關應用研究的技術人員參考使用，也可作為相關專業研究生和高年級本科生的教材。

尚榮華 著

人類對於人工智能的暢想與探索有著悠久的歷前4世紀，亞裡士多德提出了形而上學和邏輯學兩個方面的思想，主要成就包括主謂命題及關於此類題的邏輯推理方法，特別是三段論。1620年，弗朗西斯·培根在《新工具》中提出歸納法。他看到了實驗對於揭示自然奧秘的作用，認為科學研究應該使用以觀察和實驗為基礎的歸納法。從某種意義上來講，這些可以看做人工智能科學的萌芽。1950年，“人工智能之父”艾倫·麥席森·圖靈提出了有名的“圖靈測試”；1956年，赫伯特·西蒙等人合作編寫了《邏輯理論機》，即數學定理證明程序，使機器邁出了邏輯推理的第一步，並在達特茅斯會議上首次提出了“人工智能”（Artificial Intelligence，AI）這一術語；在經歷數次起落之後，1997年，計算機“深藍”擊敗了等級分排名世界第一的棋手加裡·卡斯帕羅夫，人工智能重新獲得人們的普遍重視，逐步跨進了復興期；2016年，人工智能等