用于最優(yōu)化的計算智能

前言
第1章 引言
1．1 計算復(fù)雜度
1. 1．1 算法分析
1．1．2 NP完全問題
1．2 最優(yōu)化技術(shù)綜述
1. 2．1 啟發(fā)式搜索
1．2．2 霍普費爾德神經(jīng)網(wǎng)絡(luò)
1．2. 3 模擬退火與隨機機一
1．2. 4 均場退火
1．2. 5 遺傳算法
1．3 本書的結(jié)構(gòu)
1．4 習(xí)題
第2章 啟發(fā)式搜索方法
2．1 圖搜索算法
2．2 啟發(fā)函數(shù)
2．3 A*搜索算法
2．4 習(xí)題
第3章 霍普費爾德神經(jīng)網(wǎng)絡(luò)
3．1 離散霍氏網(wǎng)
3．2 連續(xù)霍氏網(wǎng)
3．3 按內(nèi)容聯(lián)想的存儲器
3．4 組合最優(yōu)化
3．4. 1 旅行商問題
3．4. 2 二分圖問題
3．4. 3 N皇后問題
3．5 習(xí)題
第4章 模擬退火和隨機機
4．1 統(tǒng)計力學(xué)和麥綽潑里斯算法
4．2 模擬退火
4．2．1 有限時間實現(xiàn)
4．2．2 一個例子：TSP
4．3 隨機機
4．3．1 波爾茲曼機
4．3．2 高斯機
4．3．3 柯西機
4. 4 習(xí)題
第5章 均場退火
5．1 均場近似
5．2 鞍點展開
5．3 穩(wěn)定性
5．4 均場網(wǎng)的參數(shù)
5．5 二分圖不例
5. 6 習(xí)題
第6章 遺傳算法
6．1 簡單遺傳操作
6．1．1 繁殖
6．1．2 交叉
6．1．3 突變
6．2 一個不例
6．3 為什么遺傳算法會奏效？
6．4 其它遺傳操作
6. 5 習(xí)題
第7章 旅行商問題
7．1 為什么霍氏網(wǎng)經(jīng)常不能生成有效解答？
7．1．1 霍氏網(wǎng)的動力學(xué)
7. 1．2 拉格朗目參數(shù)的另一種表達(dá)方式
7．1．3 霍普費爾德的10城市問題
7. 2 應(yīng)用啟發(fā)式搜索算法求解TSP
7. 3 應(yīng)用模擬退火算法求解TSP
7. 4 應(yīng)用遺傳算法求解TSP
7．5 本征值分析概述
7. 6 連接矩陣的人的推導(dǎo)
7. 7 習(xí)題
第8章 電信
8．1 衛(wèi)星廣播調(diào)度
8. 1．I SBS問題的神經(jīng)網(wǎng)絡(luò)表達(dá)
8．1．2 SBS問題的均場公式
8. 1．3 算法的參數(shù)
8. 1．4 臨界溫度T
8．1．5 一個示例
8. 2 集成TDMA通信系統(tǒng)的數(shù)據(jù)吞吐量最大化
8. 2．1 多路復(fù)用方案與數(shù)據(jù)吞吐量
8. 2．2 數(shù)據(jù)吞吐量的最大化
8. 3 總結(jié)
8. 4 習(xí)題
第9章 點模式匹配
9. 1 問題的表述
9．2 模擬退火框架
9．2．1 編碼方案
9. 2．2 能量函數(shù)
9．2．3 擾動規(guī)則
9．2．4 接受規(guī)則
9．2．5 冷卻流程
9．2．6 停止準(zhǔn)則
9．3 進(jìn)化程序設(shè)計
9．3．1 解空間的表示
9．3．2 群體空間：規(guī)模、初始化及其利用
9. 3．3 適度函數(shù)
9．3．4 繁殖
9．3．5 遺傳算子
9．3．6 模擬結(jié)果
9. 4 總結(jié)
第10章 多處理器調(diào)度
10．1 模型與定義
10．2 均場退火
10．2．1 MSP霍普費爾德能量函數(shù)
10．2．2 均場近似
10. 2. 3 MSP的均場公式
10. 2．4 數(shù)值解法和仿真
10．3 遺傳算法
10．3．1 符號串表示
10．3．2 起始群體
10．3．3 適度函數(shù)
10．3．4 遺傳操作
10．3．5 完整的算法
10．3．6 仿真結(jié)果
10．4 習(xí)題
第11章 作業(yè)調(diào)度
11．1 調(diào)度的分類
11．2 JSP的遺傳算法
11．2．1 JSP的編碼方式
11．2．2 調(diào)度的生成
11．2. 3 遺傳操作
11．3 仿真結(jié)果
11．4 習(xí)題
參考文獻(xiàn)
各詞術(shù)語中英文對照來（以漢語拼音排序）