本书导论性地介绍了计算智能的5 个典型范例：人工神经网络、进化计算、计算群体智能、人工免疫系统和模糊系统。它们分别是对生物神经系统、生物进化过程、社会组织的群体行为、自然免疫系统和人类思维过程的成功建模。这些范例已经得到了广泛深入的研究，人们在取得了很大的成功之后，已将研究成果广泛地应用到了众多的实际应用领域。极大提高了人们发现问题，求解问题，尤其是求解复杂科学与工程问题的能力。

通过阅读本书，读者可以全面地了解到目前计算智能研究的主要成果和最新进展，对相关专业的研究生、高年级本科生、高校教师、科研人员和工程技术人员都具有很好的参考价值，故我们决定将该书的英文版第2 版翻译成中文出版，希望本书中文版的出版能够推动计算智能在我国的普及和广泛深入的研究，促进我国智能科学的发展和进步。

全书分成6 个部分共23 章和1 个附录。

原著（第2 版）序

人们从自然系统的研究中学到许多知识，并用这些知识发展新的算法和模型来求解复杂问题。本书在计算智能（CI）框架下，给出了这些技术范例（paradigm ）的导论。书中将讨论人工神经网络、进化计算、群体智能、人工免疫系统和模糊系统。它们分别建模了以下自然系统：生物神经网络、进化、社会组织的群体行为、自然免疫系统和人类思维过程。

为什么本书要讨论计算智能？需求来自于一门研究生课程，在该课程中学生们缺乏对人工智能和数学背景知识的深入了解。因此，对计算智能范例进行概述，同时提供一定深度的数学分析是有必要的。本书的内容虽然是导论性质的，但没有回避对相关技术细节的论述，并且还为有兴趣的读者提供了数学理论基础。本书的目的不是对所有的计算智能范例和算法进行全面介绍，而只是概述了流行的和常用的模型。对于这些模型，本书详细概述了它们的不同实现。因此，本书最适合于刚进入计算智能领域的初学者。本书也适合用做大学三年级学生的教材。

除了论述计算智能范例以外，本书还对CI 研究前沿的许多新发展进行了介绍，以飨感兴趣的读者。因此，本书的材料对于许多研究生和那些希望学习不同CI 范例的研究人员，以及那些不了解CI 技术魅力的研究人员（如，生物信息学家、生物化学家、机械化学工程师、经济学家、音乐家和医生）来说都是非常有用的。

本书包括6 个部分。第Ⅰ部分简要介绍不同计算智能范例和历史回顾。第Ⅱ部分～第Ⅵ部分分别论述不同的计算智能范例，读者可以以任意顺序阅读它们。

第Ⅱ部分论述人工神经网络（NN），包括以下主题：第2 章介绍作为神经网络基础的人工神经元，讨论各类激活函数、神经元几何结构和学习规则。第3 章论述监督学习。简要介绍各种类型的监督网络，包括前馈神经网络、功能联结神经网络、乘积单元神经网络、级联神经网络和回馈神经网络。同时，还论述各类监督学习算法，包括梯度下降法、共轭梯度法、跳蛙和粒子群优化。第4 章论述非监督学习。讨论各种非监督神经网络模型，包括学习向量量化和自组织特征图。第5 章论述径向基函数神经网络。在第6 章讨论增强学习。第7 章主要讨论监督网络的性能问题，重点是精度指标和性能改进方法。

第Ⅲ部分介绍几种进化计算模型，包括下面的主题：第8 章是对计算进化过程及其基本算子的综述；第9 章讨论遗传算法；第10 章讨论遗传编程；第11 章讨论进化规划；第12 章讨论进化策略；第13 章讨论差分进化；第14 章讨论文化算法；第15 章讨论协同进化，并简要介绍竞争与符号化的协同进化。

第Ⅳ部分简要介绍两类基于群体的模型：第16 章讨论粒子群优化；第17 章讨论蚂蚁算法。

关于人工免疫系统的内容放在了第Ⅴ部分。其中第18 章讨论自然免疫系统，第19 章介绍几种人工免疫模型。

第Ⅵ部分论述模糊系统。第20 章简要介绍模糊逻辑并讨论隶属函数。第21 章讨论模糊推理系统。第22 章讨论模糊控制。第23 章简要综述了粗糙集。

全书通过习题加深所论述的内容并激发读者深入思考。书中许多地方都很适时地给出了实际应用例子，以便更好地展示相关的理论概念。

配合本书的网站地址为http://ci.cs.up.ac.za，该网站提供了许多本书所讨论的CI 模型的实现算法。这些算法均由比勒陀利亚大学（Pretoria University ）计算机系计算智能研究组使用Java 编程实现，并且作为开放源代码库CIlib 的一部分。CIlib（http://cilib.sourceforge.net） 是一个使实现新CI 算法方便、简易的通用框架。目前，它已包含了粒子群优化、神经网络和进化计算等框架。在本书的网站中，读者还可以下载书中所使用的首字母缩略词表和符号表。

最后，我要感谢那些为完成本书给予我们帮助的人们。首先，我要感谢我的母亲Magriet Engelbrecht 帮助我输入和校对了书中的许多文字。其次，要感谢Anri Henning，她花费了许多晚间时光进行校对工作。本书的人工免疫系统部分是由我的一个博士生Attie Graaff 撰写的。如果没有他的帮助，本书不可能如此完整。最后，我还要感谢我的所有研究生们，他们为本书开发和建立了CIlib。

A. P. Engelbrecht 

于比勒陀利亚南非

第Ⅰ部分引言

第1 章计算智能简介 3 

11 计算智能典型方法 4 

111 人工神经网络 4 

112 进化计算 6 

113 群体智能 7 

114 人工免疫系统 7 

115 模糊系统 7 

12 简短历史 8 

13 习题10 

第Ⅱ部分人工神经网络

第2 章人工神经元 13 

21 计算网络输入信号 13 

22 激活函数 14 

23 人工神经元几何构型 15 

24 人工神经元学习 17 

241 增广向量 17 

242 梯度下降学习规则 18 

243 Widrow-Hoff 学习规则 19 

244 广义delta 学习规则 19 

245 误差修正学习规则 19 

25 习题19 

第3 章监督学习神经网络 21 

31 神经网络的类型 21 

311 前馈神经网络 21 

312 函数链神经网络 22 

313 乘积单元神经网络 23 

314 简单反馈神经网络 25 

315 时延神经网络 26 

316 级联神经网络 27 

32 监督学习规则 28 

321 监督学习问题 28 

322 梯度下降优化 29 

323 尺度化共轭梯度 34 

324 LeapFrog 优化 38 

325 粒子群优化 38 

33 隐层单元的功能 40 

34 集成神经网络 40 

35 习题42 

第4 章非监督学习神经网络 43 

41 背景43 

42 Hebbian 学习规则 44 

43 主成分学习规则 45 

44 学习向量量化-I  46 

45 自组织特征映射 48 

451 随机训练规则 49 

452 批映射 51 

453 可生长SOM  51 

454 加快收敛速度 53 

455 聚类和可视化 54 

456 使用SOM  55 

46 习题56 

第5 章径向基函数网络 57 

51 学习向量量化-II  57 

52 径向基函数神经网络 57 

521 径向基函数网络结构 57 

522 径向基函数 58 

523 训练算法 59 

524 径向基函数网络的变体 62 

53 习题63 

第6 章增强学习 64 

61 通过奖励学习 64 

62 无模型增强学习模型 66 

621 即时差分学习 66 

622 Q 学习 66 

63 神经网络和增强学习 67 

631 RPROP  67 

632 梯度下降增强学习 68 

633 连接主义的Q-学习 69 

64 习题70 

第7 章监督学习的性能问题 71 

71 性能准则 71 

711 精度 71 

712 复杂度 74 

713 收敛性 75 

72 性能分析 75 

73 性能因素 76 

731 数据预备 76 

732 权值初始化 81 

733 学习率和冲量 81 

734 优化方法 83 

735 结构选择 83 

736 自适应激活函数 88 

737 主动学习 89 

74 习题95 

第Ⅲ部分进化计算 

第8 章进化计算导论 99 

81 一般进化算法 100 

82 染色体的表示 101 

83 初始种群 103 

84 适应度函数 103 

85 选择 104 

851 选择压力 105 

852 随机选择 105 

853 比例选择 105 

854 锦标赛选择 106 

855 排序选择 107 

856 波尔兹曼选择 107 

857 (μ+, λ)选择 108 

858 精英选择 108 

859 名人堂 108 

86 繁殖算子 108 

87 终止条件 109 

88 进化计算与经典优化算法 109 

89 习题 110 

第9 章遗传算法 111

91 经典遗传算法 111

92 交叉 111 

921 二进制表示 112 

922 浮点表示 113 

93 变异 119 

931 二进制表示 119 

932 浮点表示 120 

933 宏变异算子-无头鸡 120 

94 控制参数 120 

95 遗传算法的变体 122 

951 代沟方法 122 

952 杂乱遗传算法 122 

953 交互进化 124 

954 岛屿遗传算法 125 

96 前沿专题 127 

961 小生境遗传算法 127 

962 约束处理 130 

963 多目标优化 130 

964 动态环境 133 

97 应用 133 

98 作业 134 

第10 章遗传编程 136 

101 基于树的表示 136 

102 初始群体 138 

103 适应度函数 138 

104 交叉算子 138 

105 变异算子 139 

106 积木块遗传规划 141 

107 应用 141 

108 习题 142 

第11 章进化规划 143 

111 基本进化规划 143 

112 进化规划算子 144 

1121  变异算子 144 

1122  选择算子 147 

113 策略参数 148 

1131  静态策略参数 149 

1132  动态策略参数 149 

1133  自适应 151 

114 进化规划的实现 153 

1141  经典进化规划 153 

1142  快速进化规划 153 

1143  指数进化规划 153 

1144  加速进化规划 154 

1145  动量进化规划 154 

1146  具有局部搜索的进化规划 155 

1147  带灭绝的进化规划 156 

1148  与粒子群优化的混合 157 

115 前沿专题 157 

1151  约束处理方法 157 

1152  多目标优化与小生境 158 

1153  动态环境 158 

116 应用 158 

1161  有限状态机 158 

1162  函数优化 160 

1163  训练神经网络 160 

1164  实际应用 160 

117 习题 161 

第12 章进化策略 162 

121 (1+1)-进化策略 162 

122 一般进化策略算法 163 

123 策略参数和自适应 164 

1231 策略参数类型 164 

1232 策略参数变种 165 

1233 自适应策略 167 

124 进化策略算子 168 

1241 选择算子 168 

1242 交叉算子 169 

1243 变异算子 170 

125 进化策略变种 172 

1251 极进化策略 172 

1252 带方向变量的进化策略 173 

1253 增量进化策略 174 

1254 替代进化策略 174 

126 高级话题 174 

1261 约束处理方法 175 

1262 多目标优化 176 

1263 动态环境和噪声环境 178 

1264 小生境 178 

127 进化策略的应用 179 

128 习题 180 

第13 章差分进化 181 

131 基本的差分进化 181 

1311 差异向量 181 

1312 变异 182 

1313 交叉 182 

1314 选择 183 

1315 一般差分进化算法 184 

1316 控制参数 184 

1317 几何演示 185 

132 差分进化/x/y/z 186 

133 基本差分进化的变种 187 

1331 混合差分进化策略 187 

1332 基于种群的差分进化 192 

1333 自适应差分进化 192 

134 离散值问题的差分进化 193 

1341 角度模型差分进化 194 

1342 二值差分进化 194 

135 高级话题 195 

1351 约束控制方法 196 

1352 多目标优化 196 

1353 动态环境 197 

136 应用 198 

137 习题 199 

第14 章文化算法 200 

141 文化和人工文化 200 

142 基本的文化算法 201 

143 信念空间 202 

1431 知识成分 202 

1432 接受函数 203 

1433 调整信念空间 204 

1434 影响函数 205 

144 模糊文化算法 206 

1441 模糊接受函数 206 

1442 模糊化信念空间 207 

1443 模糊影响函数 208 

145 高级话题 208 

1451 约束控制 208 

1452 多目标优化 210 

1453 动态环境 210 

146 应用 210 

147 习题 211 

第15 章协同进化 212 

151 协同进化类型 212 

152 竞争协同进化 213 

1521 竞争适应度 213 

1522 一般竞争协同进化算法 215 

1523 竞争协同进化的应用 216 

153 协作协同进化 217 

154 习题 218 

第Ⅳ部分计算群体智能 

第16 章粒子群优化 221 

161 基本粒子群优化 221 

1611 全局最佳粒子群优化 222 

1612 局部最佳粒子群优化 223 

1613 比较gbest PSO 与lbest PSO  223 

1614 速度成分 224 

1615 几何描述 225 

1616 算法有关方面 226 

162 社会网络结构 229 

163 基本变种 231 

1631 速度箝位 232 

1632 惯性权重 233 

1633 约束系数 236 

1634 同步更新与异步更新 236 

1635 速度模型 237 

164 基本PSO 的参数 238 

165 单解粒子群优化 240 

1651 保证收敛的PSO 240 

1652 基于社会的PSO 241 

1653 混合算法 244 

1654 基于子群的PSO 248 

1655 多次开始PSO 算法 254 

1656 排斥方法 257 

1657 二元PSO 259 

166 高级专题 260 

1661 约束处理方法 260 

1662 多目标优化 261 

1663 动态环境 263 

1664 小生境PSO 266 

167 应用 269 

1671 神经网络 269 

1672 结构选择 271 

1673 游戏学习 271 

168 习题 272 

第17 章蚂蚁算法 273 

171 蚁群优化元启发 273 

1711 蚂蚁的觅食行为 274 

1712 激发工作和人工信息素 276 

1713 简单蚁群优化算法 277 

1714 蚂蚁系统 280 

1715 蚁群系统 283 

1716 最大最小蚂蚁系统 285 

1717 蚂蚁-Q 288 

1718 快速蚂蚁系统 289 

1719 蚂蚁禁忌表 289 

17110 蚂蚁排名系统 290 

17111 逼近的非确定树搜索 290 

17112 参数设置 292 

172 墓地组织与育雏 293 

1721 基本蚁群聚类模型 293 

1722 一般化后的蚁群聚类模型 294 

1723 蚁群聚类的最小模型 298 

173 分工 298 

1731 昆虫群落的分工 299 

1732 基于反应阈值的分配 300 

1733 动态任务分配和专业化 301 

174 高级专题 302 

1741 连续蚁群优化算法 302 

1742 多目标优化算法 304 

1743 动态环境 307 

175 应用 309 

1751 旅行商问题 310 

1752 二次分配问题 311 

1753 其他应用 313 

176 习题 313 

第Ⅴ部分人工免疫系统 

第18 章自然免疫系统 317 

181 经典模型 317 

182 抗体与抗原 318 

183 白细胞 318 

184 免疫类型 321 

185 抗原结构的学习 321 

186 网络理论 322 

187 危险理论 322 

188 习题 323 

第19 章人工免疫模型 324 

191 人工免疫系统算法 324 

192 经典模型 326 

192 进化方法 327 

193 克隆选择理论模型 328 

1931 克隆选择算法 329 

1932 动态克隆选择 330 

1933 多层AIS 330 

194 网络理论模型 333 

1941 人工免疫网络 333 

1942 自稳定AIS 335 

1943 增强型人工免疫网络 336 

1944 动态加权B 细胞AIS 337 

1945 自适应人工免疫网络 338 

1946 aiNet 网络模型 338 

195 危险理论 340 

1951 移动自组网络 340 

1952 自适应邮箱 341 

1953 入侵检测 343 

196 应用及其他AIS 模型 343 

197 习题 343 

第Ⅵ部分模糊系统 

第20 章模糊集 347 

201 正式定义 347 

202 隶属函数 348 

203 模糊算子 350 

204 模糊集的特性 353 

205 模糊和概率 354 

206 习题 354 

第21 章模糊逻辑和模糊推理 356 

211 模糊逻辑 356 

2111 语言学变量和限定 356 

2112 模糊规则 358 

212 模糊推理 359 

2121 模糊化 359 

2122 推理 360 

2123 去模糊化 360 

213 习题 362 

第22 章模糊控制器 364 

221 模糊控制器的部件 364 

222 模糊控制器类型 365 

2221 基于表的控制器 365 

2222 Mamdani 模糊控制器 366 

2223 Takagi-Sugeno 控制器 366 

223 习题 366 

第23 章粗糙集 368 

231 辨别力的概念 369 

232 粗糙集中的模糊 370 

233 模糊集中的不确定性 370 

234 习题 371 

参考文献 372 

附录A 优化理论 431 

A1 优化问题的基本要素 431 

A2 优化问题分类 431 

A3 最优值类型 432 

A4 优化方法分类 433 

A5 非约束优化 434 

A51 问题定义 434 

A52 优化算法 434 

A53 例子测试问题 437 

A6 约束优化 438 

A61 问题定义 438 

A62 约束处理方法 439 

A63 例子测试问题 442 

A7 多解问题 443 

A71 问题定义 443 

A72 小生境算法分类 443 

A73 例子测试问题 444 

A8 多目标优化 445 

A81 多目标问题 445 

A82 加权聚合方法 446 

A83 帕累托最优 446 

A9 动态优化问题 449 

A91 定义 449 

A92 动态环境类型 450 

A93 例子测试问题 452 

术语表 453