本书系统、深入地介绍了仿生智能计算的起源、原理、模型、理论及其应用，力图概括国内外的近期新研究进展。全书共分12章，主要包括仿生智能计算的思想起源、研究现状及机制原理，仿生智能计算的数学基础；蚁群算法、微粒群算法、人工蜂群算法、微分进化算法、Memetic算法、文化算法、人工免疫算法、DNA计算的原理、模型、理论和典型应用，以及仿生硬件、仿生智能计算研究前沿与展望。附录给出了各章算法的程序源代码和相关网站。全书突出基础，强调背景，着眼学术前沿与发展，取材新颖，覆盖面广，深入浅出，系统性强，理论联系实际，力求使读者能较快掌握和应用仿生智能计算方法。

序
前言
章 绪论 1
1.1 引言 1
1.2 最优化、NP-hard问题及算法复杂度 2
1.2.1 序
前言
章 绪论 1
1.1 引言 1
1.2 最优化、NP-hard问题及算法复杂度 2
1.2.1 最优化问题 2
1.2.2 NPGhard问题 2
1.2.3 算法复杂度 5
1.3 仿生智能计算方法 7
1.4 仿生智能计算方法的共同点 15
1.5 本书体系结构 16
1.6 本章小结 17
参考文献 17
第2章 数学基础 19
2.1 引言 19
2.2 Markov链理论 19
2.2.1 定义及其等价性质 19
2.2.2 齐次Markov链及状态类 21
2.2.3 Markov链的极限分布 26
2.3 鞅与鞅列 30
2.4 模式定理 30
2.4.1 模式 31
2.4.2 模式定理的证明 31
2.5 本章小结 34
参考文献 34
第3章 蚁群算法 36
3.1 引言 36
3.2 起源和进展 36
3.2.1 蚁群行为描述 36
3.2.2 蚁群优化的机制原理 37
3.2.3 研究进展 38
3.3 系统学特征 40
3.4 数学模型 43
3.4.1 TSP 43
3.4.2 算法流程 45
3.5 理论分析 48
3.5.1 ACOgb，τmin算法收敛性证明 48
3.5.2 复杂度分析 53
3.6 应用实例 55
3.7 本章小结 61
参考文献 61
第4章 微粒群算法 63
4.1 引言 63
4.2 起源和进展 63
4.3 基本原理 67
4.3.1 基本思想 67
4.3.2 算法流程 68
4.3.3 社会行为分析 69
4.4 数学模型 70
4.4.1 全局模型与局部模型 70
4.4.2 标准的算法模型 71
4.4.3 引入收缩因子的算法模型 72
4.4.4 邻域结构 72
4.5 理论分析 74
4.6 应用实例 77
4.6.1 图像匹配 77
4.6.2 控制参数整定 79
4.7 本章小结 85
参考文献 85
第5章 人工蜂群算法 88
5.1 引言 88
5.2 起源和进展 88
5.3 基本原理 90
5.4 数学模型 93
5.5 理论分析 94
5.6 应用实例 95
5.6.1 函数极值优化 96
5.6.2 目标识别 98
5.7 本章小结 104
参考文献 104
第6章 微分进化算法 107
6.1 引言 107
6.2 起源和进展 107
6.3 原理与模型 108
6.3.1 数学模型 108
6.3.2 参数设置 110
6.3.3 算法流程 111
6.3.4 算法扩展模式 113
6.4 理论分析 115
6.4.1 Markov链模型 115
6.4.2 收敛性分析 116
6.5 应用实例 117
6.5.1 TSP问题 118
6.5.2 无人机航路规划 121
6.6 本章小结 126
参考文献 127
第7章 Memetic算法 130
7.1 引言 130
7.2 起源和进展 130
7.3 基本原理 132
7.3.1 meme理论 132
7.3.2 算法流程 134
7.3.3 结构分析 136
7.3.4 主要特点 137
7.4 理论分析 138
7.4.1 局部搜索上限问题讨论 138
7.4.2 收敛性分析 140
7.5 应用实例 142
7.5.1 移动机器人路径规划 142
7.5.2 高维函数优化 146
7.6 本章小结 147
参考文献 148
第8章 文化算法 150
8.1 引言 150
8.2 起源与进展 150
8.3 基本原理 152
8.4 数学模型 155
8.4.1 种群空间 155
8.4.2 信度空间 155
8.4.3 接受函数 159
8.4.4 影响函数 161
8.5 应用实例 162
8.6 本章小结 164
参考文献 165
第9章 人工免疫算法 168
9.1 引言 168
9.2 起源和进展 168
9.3 生物免疫系统 171
9.3.1 基本概念 171
9.3.2 组成和功能 172
9.3.3 基本原理 172
9.3.4 计算能力 174
9.4 原理与模型 175
9.4.1 算法原理 175
9.4.2 主要算子 176
9.4.3 算法流程 178
9.5 理论分析 179
9.6 应用实例 182
9.6.1 基于免疫进化的TSP问题 182
9.6.2 基于克隆选择的函数优化 185
9.7 本章小结 187
参考文献 188
0章 DNA计算 190
10.1 引言 190
10.2 起源和进展 190
10.2.1 DNA基本结构 190
10.2.2 相关生物酶 192
10.2.3 DNA分子的基本操作 193
10.2.4 研究进展 195
10.3 基本原理 195
10.3.1 基本流程 195
10.3.2 实现方式 197
10.3.3 优点 198
10.4 数学模型 198
10.4.1 剪接系统模型 198
10.4.2 粘贴系统模型 199
10.4.3 插入-删除系统模型 200
10.4.4 强迫-禁止系统模型 201
10.5 理论分析 202
10.5.1 禁止集和强迫集的性质 202
10.5.2 有限性条件 203
10.5.3 强迫-禁止系统 203
10.6 应用实例 204
10.6.1 Adleman试管实验 204
10.6.2 Adleman实验的计算机模拟 206
10.7 本章小结 207
参考文献 207
1章 仿生硬件 209
11.1 引言 209
11.2 定义与分类 209
11.3 起源与进展 210
11.4 基本原理 211
11.5 蚁群算法硬件实现 212
11.5.1 FPGA基本结构 212
11.5.2 将蚁群算法映射到FPGA的难点 213
11.5.3 P-ACO算法 214
11.5.4 P-ACO算法在PFGA上的实现 215
11.5.5 实验结果 221
11.6 微粒群算法硬件实现 224
11.6.1 量子微粒群算法模型 224
11.6.2 QPSO算法系统硬件结构设计 224
11.6.3 QPSO硬件子群系统结构 225
11.6.4 具体功能模块设计 226
11.7 本章小结 228
参考文献 228
2章 研究前沿与展望 230
12.1 引言 230
12.2 哲学定理 230
12.3 模型改进 232
12.4 理论分析 234
12.5 应用领域 235
12.6 仿生硬件与产业化 235
12.7 本章小结 236
参考文献 237
附录A 蚁群算法源程序 238
附录B 微粒群算法源程序 248
附录C 人工蜂群算法源程序 252
附录D 微分进化算法源程序 257
附录E Memetic算法源程序 263
附录F 文化算法源程序 266
附录G 人工免疫算法源程序 272
附录H DNA计算源程序 277
附录I 相关网站资源 281优化问题 2
1.2.2 NPGhard问题 2
1.2.3 算法复杂度 5
1.3 仿生智能计算方法 7
1.4 仿生智能计算方法的共同点 15
1.5 本书体系结构 16
1.6 本章小结 17
参考文献 17
第2章 数学基础 19
2.1 引言 19
2.2 Markov链理论 19
2.2.1 定义及其等价性质 19
2.2.2 齐次Markov链及状态类 21
2.2.3 Markov链的极限分布 26
2.3 鞅与鞅列 30
2.4 模式定理 30
2.4.1 模式 31
2.4.2 模式定理的证明 31
2.5 本章小结 34
参考文献 34
第3章 蚁群算法 36
3.1 引言 36
3.2 起源和进展 36
3.2.1 蚁群行为描述 36
3.2.2 蚁群优化的机制原理 37
3.2.3 研究进展 38
3.3 系统学特征 40
3.4 数学模型 43
3.4.1 TSP 43
3.4.2 算法流程 45
3.5 理论分析 48
3.5.1 ACOgb，τmin算法收敛性证明 48
3.5.2 复杂度分析 53
3.6 应用实例 55
3.7 本章小结 61
参考文献 61
第4章 微粒群算法 63
4.1 引言 63
4.2 起源和进展 63
4.3 基本原理 67
4.3.1 基本思想 67
4.3.2 算法流程 68
4.3.3 社会行为分析 69
4.4 数学模型 70
4.4.1 全局模型与局部模型 70
4.4.2 标准的算法模型 71
4.4.3 引入收缩因子的算法模型 72
4.4.4 邻域结构 72
4.5 理论分析 74
4.6 应用实例 77
4.6.1 图像匹配 77
4.6.2 控制参数整定 79
4.7 本章小结 85
参考文献 85
第5章 人工蜂群算法 88
5.1 引言 88
5.2 起源和进展 88
5.3 基本原理 90
5.4 数学模型 93
5.5 理论分析 94
5.6 应用实例 95
5.6.1 函数极值优化 96
5.6.2 目标识别 98
5.7 本章小结 104
参考文献 104
第6章 微分进化算法 107
6.1 引言 107
6.2 起源和进展 107
6.3 原理与模型 108
6.3.1 数学模型 108
6.3.2 参数设置 110
6.3.3 算法流程 111
6.3.4 算法扩展模式 113
6.4 理论分析 115
6.4.1 Markov链模型 115
6.4.2 收敛性分析 116
6.5 应用实例 117
6.5.1 TSP问题 118
6.5.2 无人机航路规划 121
6.6 本章小结 126
参考文献 127
第7章 Memetic算法 130
7.1 引言 130
7.2 起源和进展 130
7.3 基本原理 132
7.3.1 meme理论 132
7.3.2 算法流程 134
7.3.3 结构分析 136
7.3.4 主要特点 137
7.4 理论分析 138
7.4.1 局部搜索上限问题讨论 138
7.4.2 收敛性分析 140
7.5 应用实例 142
7.5.1 移动机器人路径规划 142
7.5.2 高维函数优化 146
7.6 本章小结 147
参考文献 148
第8章 文化算法 150
8.1 引言 150
8.2 起源与进展 150
8.3 基本原理 152
8.4 数学模型 155
8.4.1 种群空间 155
8.4.2 信度空间 155
8.4.3 接受函数 159
8.4.4 影响函数 161
8.5 应用实例 162
8.6 本章小结 164
参考文献 165
第9章 人工免疫算法 168
9.1 引言 168
9.2 起源和进展 168
9.3 生物免疫系统 171
9.3.1 基本概念 171
9.3.2 组成和功能 172
9.3.3 基本原理 172
9.3.4 计算能力 174
9.4 原理与模型 175
9.4.1 算法原理 175
9.4.2 主要算子 176
9.4.3 算法流程 178
9.5 理论分析 179
9.6 应用实例 182
9.6.1 基于免疫进化的TSP问题 182
9.6.2 基于克隆选择的函数优化 185
9.7 本章小结 187
参考文献 188
0章 DNA计算 190
10.1 引言 190
10.2 起源和进展 190
10.2.1 DNA基本结构 190
10.2.2 相关生物酶 192
10.2.3 DNA分子的基本操作 193
10.2.4 研究进展 195
10.3 基本原理 195
10.3.1 基本流程 195
10.3.2 实现方式 197
10.3.3 优点 198
10.4 数学模型 198
10.4.1 剪接系统模型 198
10.4.2 粘贴系统模型 199
10.4.3 插入-删除系统模型 200
10.4.4 强迫-禁止系统模型 201
10.5 理论分析 202
10.5.1 禁止集和强迫集的性质 202
10.5.2 有限性条件 203
10.5.3 强迫-禁止系统 203
10.6 应用实例 204
10.6.1 Adleman试管实验 204
10.6.2 Adleman实验的计算机模拟 206
10.7 本章小结 207
参考文献 207
1章 仿生硬件 209
11.1 引言 209
11.2 定义与分类 209
11.3 起源与进展 210
11.4 基本原理 211
11.5 蚁群算法硬件实现 212
11.5.1 FPGA基本结构 212
11.5.2 将蚁群算法映射到FPGA的难点 213
11.5.3 P-ACO算法 214
11.5.4 P-ACO算法在PFGA上的实现 215
11.5.5 实验结果 221
11.6 微粒群算法硬件实现 224
11.6.1 量子微粒群算法模型 224
11.6.2 QPSO算法系统硬件结构设计 224
11.6.3 QPSO硬件子群系统结构 225
11.6.4 具体功能模块设计 226
11.7 本章小结 228
参考文献 228
2章 研究前沿与展望 230
12.1 引言 230
12.2 哲学定理 230
12.3 模型改进 232
12.4 理论分析 234
12.5 应用领域 235
12.6 仿生硬件与产业化 235
12.7 本章小结 236
参考文献 237
附录A 蚁群算法源程序 238
附录B 微粒群算法源程序 248
附录C 人工蜂群算法源程序 252
附录D 微分进化算法源程序 257
附录E Memetic算法源程序 263
附录F 文化算法源程序 266
附录G 人工免疫算法源程序 272
附录H DNA计算源程序 277
附录I 相关网站资源 281