本书对计算智能的诸多基础理论进行了详细的介绍和释义，并介绍了神经网络、模糊系统、进化计算的应用范例以及实验结果，将理论与实践紧密联系起来。全书共4章，其中，章对人工智能的萌芽、诞生和发展，以及现状和未来进行了简要介绍；第2章为进化计算，论述了遗传算法、蚁群算法、粒子群算法，以及免疫克隆算法；第3章为模糊逻辑，介绍了模糊理论基础，论述了常见的模糊隶属度函数以及模糊集合常用的算子，并对模糊关系及运算、模糊推理进行了详细介绍；第4章为人工神经网络，论述了人工神经网络的特点、生物学基础及其发展与应用。本书可供计算机科学、信息科学、人工智能、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参考使用，也可作为相关专业研究生和高年级本科生的教材。

焦李成，男，汉族，1959年10月生，1992年起任西安电子科技大学教授。现任智能感知与计算靠前联合研究中心主任、智能感知与图像理解重点实验室主任、智能感知与计算靠前合作联合实验室主任、“智能信息处理科学与技术”高等学校学科创新引智基地（“111计划”）主任、科技委靠前合作部学部委员、中国人工智能学会副理事长、IET西安分会主席、IEEE西安分会奖励委员会主席、IEEE计算智能协会西安分会主席、IEEEGRSS西安分会主席，IEEETGRS副主编、创新团队首席专家。国务院学位委员会学科评议组成员、本科教学水平评估专家。1991年被批准为享受国务院政府津贴的专家，1996年首批入选国家“百千万”人才工程。当选为全国模范教师、陕西省师德标兵和曾任第八届全国人大代表。
焦李成教授的主要研究方向为智能感知与计算、图像理解与目标识别、深度学习与类脑计算，培养的十余名博士获全国很好博士学位论文奖、提名奖及陕西省很好博士论文奖。研究成果获包括国家自然科学奖二等奖及省部级一等奖以上科技奖励十余项，出版学术专著十余部，五次获国家很好科技图书奖励及全国首届三个一百很好图书奖。所发表的论著被他人引用超过25000余篇次，H指数为65。

章 绪论——从人工智能到计算智能 1 1.1 人工智能的发展 1 1.1.1 人工智能的萌芽 1 1.1.2 人工智能的诞生 3 1.1.3 人工智能的发展 6 1.2 人工智能预言、现状和未来 9 1.3 人工智能的新生：计算智能 10 1.3.1 人工神经网络 10 1.3.2 模糊逻辑 10 1.3.3 进化计算 11 1.3.4 计算智能 11 1.4 智能的三个层次 12 1.5 计算智能领域研究成果 12 1.5.1 进化计算研究成果 12 1.5.2 模糊理论研究成果 16 1.5.3 人工神经网络研究成果 19 习题 22 参考文献 22第2章 进化计算 29 2.1 绪论 29 2.1.1 引例 29 2.1.2 从进化论到进化计算 31 2.2 遗传算法 37 2.2.1 遗传算法简介 37 2.2.2 遗传的特点 38 2.2.3 示例 38 2.2.4 遗传算法的基本框架 40 2.2.5 遗传算法的优点 40 2.2.6 遗传算法的五个关键问题 41 2.3 遗传编码和种群初始化 41 2.3.1 遗传编码 41 2.3.2 种群初始化 46 2.4 交叉和变异 47 2.4.1 交叉算子 47 2.4.2 变异算子 50 2.5 选择和适应度函数 52 2.5.1 选择 52 2.5.2 适应度函数 54 2.5.3 适应度共享和群体多样性 56 2.6 遗传算法用于求解数值优化问题 57 2.7 遗传算法的理论基础 65 2.7.1 模式理论 65 2.7.2 建筑块假说 69 2.8 进化算法的收敛性分析 71 2.8.1 收敛性的定义 71 2.8.2 基于压缩映射原理的收敛性分析 71 2.8.3 基于有限Markov链的收敛性分析 72 2.8.4 公理化模型 73 2.9 基于进化计算的约束优化问题 75 2.9.1 无约束优化问题 75 2.9.2 约束优化问题的形式及处理方法 80 2.9.3 罚函数 82 2.9.4 应用GA求解约束优化问题 86 2.9.5 随机优化问题 89 2.9.6 非线性目标规划问题 94 2.9.7 区间规划问题 98 2.10 基于进化计算的组合优化问题 104 2.10.1 组合优化问题的基本概念 104 2.10.2 背包问题 104 2.10.3 TSP问题 111 2.11 基于进化计算的多目标优化问题 124 2.11.1 多目标优化的基本思想 124 2.11.2 遗传算法求解多目标优化问题 129 2.11.3 适应度分配机制 131 2.11.4 多目标优化的主要算法 134 2.12 群智能算法 136 2.12.1 蚁群算法 137 2.12.2 粒子群算法 141 2.13 免疫克隆算法 143 2.13.1 从生物免疫到人工免疫系统 143 2.13.2 免疫进化算法 146 2.13.3 克隆选择计算 151 习题 157 参考文献 160第3章 模糊逻辑 164 3.1 模糊理论基础 164 3.1.1 概率与模糊 165 3.1.2 模糊集合的定义 166 3.1.3 模糊集合和经典集合 167 3.1.4 模糊集合的表示方法 170 3.1.5 模糊集合的几何图示 171 3.1.6 模糊集合的运算 174 3.2 隶属度函数 178 3.2.1 隶属度函数的基本概念 178 3.2.2 隶属度函数遵守的基本原则 183 3.2.3 隶属度函数的设计 184 3.2.4 模糊集合的特性 188 3.2.5 模糊性的度量 190 3.3 模糊关系及运算 192 3.3.1 模糊关系 192 3.3.2 模糊关系的运算 195 3.4 模糊推理 197 3.4.1 模糊逻辑的特点及运算 197 3.4.2 模糊语言变量 198 3.4.3 模糊推理 201 3.4.4 模糊化和去模糊化 205 3.5 模糊控制系统 207 3.5.1 模糊控制 207 3.5.2 模糊控制器 208 3.6 模糊聚类分析 210 3.6.1 问题的提出 210 3.6.2 模糊聚类分析的基础知识 210 3.6.3 模糊聚类分析的一般步骤 212 3.7 模糊综合评判模型 217 3.8 模糊理论在图像处理中的应用 221 3.8.1 基于模糊稀疏自编码器框架的单幅图像人脸识别算法 221 3.8.2 基于模糊超像素表征学习的PolSAR图像分类 232 习题 245 参考文献 246第4章 人工神经网络 252 4.1 绪论 252 4.1.1 人工神经网络简介 252 4.1.2 人工神经网络的发展 254 4.1.3 人工神经网络的应用与实现 257 4.2 人工神经单元——单感知器 260 4.2.1 生物学基础 260 4.2.2 感知器模型 261 4.2.3 激活函数 263 4.2.4 感知器参数学习 266 4.3 人工神经网络 268 4.3.1 单层神经网络 269 4.3.2 多层神经网络 269 4.3.3 神经网络参数学习 270 4.3.4 人工神经网络的信息处理能力 271 4.4 神经网络的学习方法 272 4.4.1 Hebb规则 272 4.4.2 梯度下降方法 276 4.4.3 误差反向传播算法 280 4.4.4 其他学习方法 282 4.5 径向基函数网络 284 4.5.1 径向基函数简介 284 4.5.2 径向基函数网络概念 285 4.5.3 径向基函数网络的模型 285 4.5.4 径向基函数网络的工作原理及特点 286 4.5.5 径向基函数网络的学习算法 287 4.6 深度神经网络 289 4.6.1 有监督学习与无监督学习 289 4.6.2 卷积神经网络 289 4.6.3 循环神经网络 298 4.6.4 生成对抗网络 303 4.6.5 增强学习 309 习题 314参考文献 315