×
图文详情
  • ISBN:9787560653495
  • 装帧:一般胶版纸
  • 册数:暂无
  • 重量:暂无
  • 开本:23cm
  • 页数:319页
  • 出版时间:2019-09-01
  • 条形码:9787560653495 ; 978-7-5606-5349-5

本书特色

本书可为人工智能、计算机科学、信息科学、自动化技术等领域及其交叉领域中从事量子计算、进化算法、机器学习及相关应用研究的技术人员提供参考,也可作为相关专业研究生和高年级本科生教材,其中前四部分为基础理论适合本科生使用,后四部分为高阶算法适合研究生使用。

内容简介

本书在总结自然计算领域主要理论研究和实际应用成果的基础上, 着重对近年来量子计算智能领域常见的理论及技术进行了较为全面的阐述, 并结合作者多年的研究成果, 对相关理论及技术在应用领域的实践情况进行了展示和总结。全书从优化和学习两个方面展开, 分为八章, 主要内容包括进化计算、群体智能算法、量子进化计算、量子粒子群优化, 以及基于量子智能优化的数据聚类、数据分类、网络学习和相关应用。

目录

第1章 进化计算 1 1.1 进化计算概述 1 1.1.1 基本原理 4 1.1.2 进化计算的一般框架 7 1.1.3 进化计算研究现状 8 1.1.4 进化计算典型算法 10 1.2 人工免疫系统 13 1.2.1 基本原理 14 1.2.2 人工免疫系统研究现状 17 本章参考文献 20 第2章 群体智能算法 25 2.1 群体智能概述 25 2.2 蚁群优化算法 27 2.2.1 基本原理 27 2.2.2 蚁群算法理论研究现状 28 2.2.3 蚁群算法应用研究现状 29 2.3 粒子群优化算法 30 2.3.1 基本原理 31 2.3.2 粒子群算法的理论研究现状 32 2.3.3 粒子群算法的应用研究现状 34 本章参考文献 34 第3章 量子进化计算 42 3.1 量子进化计算 42 3.1.1 基本概念 43 3.1.2 量子进化算法 44 3.2 量子克隆进化计算 52 3.2.1 基本概念 53 3.2.2 量子克隆进化算法 54 3.2.3 量子克隆进化算法的结构框架 57 3.2.4 量子克隆进化算法的收敛性 59 3.2.5 量子克隆进化算法仿真 61 3.2.6 量子克隆进化算法的并行实现 66 3.3 量子免疫克隆多目标优化算法 67 3.3.1 多目标优化 67 3.3.2 量子免疫克隆多目标优化算法 73 3.3.3 算法分析 76 3.3.4 实验结果及分析 78 3.4 结论与讨论 92 本章参考文献 92 第4章 量子粒子群优化 96 4.1 量子粒子群算法基础 96 4.1.1 量子粒子群优化算法 96 4.1.2 量子粒子群优化算法的改进算法 98 4.2 基于协作学习的单目标量子粒子群优化 100 4.2.1 协作学习策略 100 4.2.2 基于协作学习策略的量子粒子群算法框架及实现 103 4.2.3 实验结果及分析 105 4.3 基于记忆策略的动态单目标量子粒子群优化 118 4.3.1 动态优化环境下的记忆策略 119 4.3.2 基于记忆策略的动态单目标量子粒子群算法框架实现 120 4.3.3 实验结果及分析 124 4.4 基于MapReduce的量子行为的粒子群优化算法 131 4.4.1 量子行为的粒子群优化算法 131 4.4.2 MRQPSO算法 132 4.4.3 实验结果及分析 135 4.5 结论与讨论 140 本章参考文献 140 第5章 基于量子智能优化的数据聚类 145 5.1 基于核熵成分分析的量子聚类算法 145 5.1.1 量子聚类算法 145 5.1.2 基于核熵成分分析的量子聚类算法 147 5.1.3 实验结果及分析 153 5.2 基于量子粒子群的软子空间聚类算法 165 5.2.1 QPSO算法 166 5.2.2 QPSOSC算法 168 5.2.3 实验结果及分析 171 5.3 结论与讨论 178 本章参考文献 179 第6章 基于量子智能优化的数据分类 181 6.1 基于量子粒子群的*近邻原型数据分类 181 6.1.1 数据分类方法简介 181 6.1.2 K近邻分类概述 185 6.1.3 基于量子粒子群的*近邻原型的数据分类 187 6.1.4 实验结果及分析 189 6.2 改进的量子粒子群的*近邻原型数据分类 196 6.2.1 基于多次塌陷-正交交叉量子粒子群的*近邻原型算法的数据分类 196 6.2.2 实验结果及分析 198 6.3 结论与讨论 206 本章参考文献 206 第7章 基于量子智能优化的网络学习 208 7.1 基于量子进化算法的超参数优化 208 7.1.1 常用的机器学习模型 208 7.1.2 常用的优化算法 213 7.1.3 基于单个体量子遗传算法的超参数优化 220 7.1.4 实验设计及结果分析 223 7.2 基于量子多目标的稀疏受限玻尔兹曼机学习算法 227 7.2.1 引言 227 7.2.2 相关理论背景 227 7.2.3 基于量子多目标的稀疏受限玻尔兹曼机学习算法 234 7.2.4 基于量子多目标优化的稀疏深度信念网络 238 7.2.5 实验结果及分析 238 7.3 基于量子蚁群优化算法的复杂网络社区检测 245 7.3.1 引言 245 7.3.2 基于量子蚁群优化算法的社区结构检测算法 246 7.3.3 实验结果及分析 252 7.4 讨论与结论 264 本章参考文献 265 第8章 基于量子智能优化的应用 273 8.1 基于文化进化机制和多观测策略的多目标量子粒子群调度优化算法 273 8.1.1 引言 273 8.1.2 EED问题模型 274 8.1.3 基于文化进化机制和多观测策略的多目标量子粒子群算法框架及实现 275 8.1.4 基于CMOQPSO的环境/经济调度优化 281 8.1.5 实验结果及分析 282 8.2 基于量子多目标进化聚类算法的图像分割 295 8.2.1 基于量子多目标进化聚类算法的图像分割 295 8.2.2 实验结果及分析 299 8.3 基于多背景变量协同量子粒子群优化及医学图像分割 308 8.3.1 背景变量概述 308 8.3.2 多背景变量协同量子粒子群算法 308 8.3.3 基于多背景协同量子粒子群算法的图像分割 312 8.4 讨论与结论 316 本章参考文献 316
展开全部

作者简介

李阳阳,河南开封人,博士,西安电子科技大学教授,博士生导师,国家教育部重点实验室骨干成员,教育部创新团队骨干成员,国家"111计划"创新引智基地骨干成员,校"智能信息处理优秀创新团队"骨干成员。李阳阳现为IEEE高级会员,IEEE CIS 西安分部成员、IET西安分会司库,中国计算机学会高级会员、中国电子学会会员。李阳阳分别于2001年与2004年在西安电子科技大学获得工学学士学位与工学硕士学位,并于2007年毕业于西安电子科技大学模式识别与智能系统专业,获得工学博士学位

预估到手价 ×

预估到手价是按参与促销活动、以最优惠的购买方案计算出的价格(不含优惠券部分),仅供参考,未必等同于实际到手价。

确定
快速
导航