第一篇 智能優化與知識發現的綜合集成方法
第1章 人工智能的兩大研究領域及其主要方法
1．1 智能和人工智能的概念及其基本特征
1．2 人工智能研究的主要途徑和基本內容
1．3 人工智能研究中的搜索策略與主要方法
1．4 知識表示的幾種方法以及問題求解的基本過程
習題與思考1
第2章 常用的性能預測智能優化方法
2．1 進化優化算法所涉及的主要內容及其一般框架
2．2 禁忌搜索算法
2．3 遺傳算法，
2．4 模擬退火算法
2．5 蟻群算法
2．6 捕食搜索策略
2．7 粒子群優化算法
習題與思考2
第3章 決策分析的幾種重要策略
3．1 決策理論發展簡史及與其他學科的聯繫
3．2 隨機性決策的效用函數與決策分析的基本步驟
3．3 Bayes定理、Bayes策略與Bayes分析
3．4 模糊多準則決策問題以及多屬性決策方法
3．5 動態規劃概述以及多階段決策與序貫決策
3．6 多目標決策理論基礎以及多屬性決策解法的統一框架
習題與思考3
第4章 智能優化方法與知識模型融合的集成框架
4．1 知識和知識模型．
4．2 智能優化與知識模型融合的基本框架
4．3 智能優化與知識模型融合的運行機制
4．4 智能優化與知識模型融合中的知識
4．5 智能優化與知識模型融合的框架和流程
習題與思考4

第二篇 智能優化在人機繫統中的應用
第5章 神經工效學中的智能量化分析
5．1 神經工程與神經工效學的概述
5．2 腦神經電信號的檢測及腦電圖的結構
5．3 工效學中的神經電信號及ERP初步分析
5．4 人機界面工效學設計原則及注意力分配建模
5．5 神經電信號處理的基礎算法
5．6 基於認知神經學的一類人機交互界面評價技術
習題與思考5
第6章 復雜人機繫統中性能預測的幾種高效算法及其應用
6．1 小波神經網絡算法及小波函數的選擇
6．2 模糊神經網絡算法及連接權重矩陣的調整
6．3 灰色繫統性能建模與定量預測
6．4 反映神經細胞工作原理的RNN和PCNN模型
6．5 深度學習以及卷積神經網絡技術
6．6 WNN算法在優化三維葉片件中的應用
6．7 卷積神經網絡在人機工程中的應用
習題與思考6
第7章 數據挖掘和知識發現在可靠性工程中的應用
7．1 知識發現和數據挖掘在多個領域中的應用
7．2 關聯規則的挖掘及其設備的故障診斷
7．3 確信可靠性方法的理論基礎及指標間的轉化關繫
7．4 考慮認知不確定的性能裕量模型以及BRA技術
7．5 不確定理論與DEA融合技術及其應用
7．6 PSF與TSA融合的人因可靠性智能方法及應用
習題與思考7
第8章 數據挖掘和知識發現在文本與互聯網挖掘的應用
8．1 非結構化文本與多媒體信息的知識表示
8．2 文本挖掘的常用方法以及基本框架
8．3 視頻文本檢測與內容檢索的智能方法
8．4 互聯網金融爬蟲的智能搜索
8．5 時序金融信息流概述及其智能挖掘
習題與思考8
第9章 復雜決策問題的建模與繫統智能評價方法
9．1 復雜繫統的概念以及決策問題的分類
9．2 結構化與半結構化決策問題求解方法
9．3 貝葉斯網絡方法的基本原理
9．4 基於多Agent分布式智能決策方法及其應用
9．5 復雜繫統廣義智能評價的幾種方法
習題與思考9
第10章 人機繫統高維多目標智能優化技術
10．1 多目標進化方法
10．2 多目標進化算法中的三代NSGA技術
10．3 多目標優化中的DE-EDA混合搜索算法
10．4 改進的Two-Archive高維多目標進化算法
習題與思考10

第三篇 未來人機繫統：信息科學與智能技術融合策略
第11章 基於人工智能與認知計算的現代人機繫統及其展望
11．1 全信息的描述及其度量方法：信息科學基礎
11．2 第一類信息轉換原理以及感知、注意與記憶問題
11．3 智能生成機制及其第二類信息轉換原理
11．4 基礎意識的生成機制：第二類A型信息的轉換
11．5 情感的生成機制：第二類B型信息的轉換
11．6 理智的生成機制：第二類C型信息的轉換
11．7 策略執行的機制：第二類D型信息的轉換
11．8 人類智能繫統主要功能模塊及其工作過程
11．9 未來人機繫統的展望
習題與思考11
後記
參考文獻