編輯推薦:

內(nèi)容簡(jiǎn)介:本書對(duì)近年來(lái)認(rèn)知計(jì)算和多目標(biāo)優(yōu)化領(lǐng)域常見(jiàn)的理論及技術(shù)進(jìn)行了較為全面的闡述和總結(jié)，并結(jié)合作者多年的研究成果，對(duì)相關(guān)理論及技術(shù)在應(yīng)用領(lǐng)域的實(shí)踐情況進(jìn)行了展示和報(bào)告。全書從認(rèn)知計(jì)算和多目標(biāo)優(yōu)化兩個(gè)方面展開(kāi)，主要內(nèi)容包含如下方面：認(rèn)知科學(xué)及其特點(diǎn)簡(jiǎn)介，多目標(biāo)優(yōu)化問(wèn)題簡(jiǎn)介，基于等度規(guī)映射的ε支配機(jī)制用于求解多目標(biāo)優(yōu)化問(wèn)題，基于在線非支配抗體的自適應(yīng)多目標(biāo)優(yōu)化算法，基于自適應(yīng)等級(jí)克隆和動(dòng)態(tài)m近鄰表的克隆選擇多目標(biāo)優(yōu)化算法，基于角解優(yōu)先的高維多目標(biāo)非支配排序方法，一種雙檔案高維多目標(biāo)進(jìn)化算法，融合非局部均值去噪的高效免疫多目標(biāo)SAR圖像自動(dòng)分割算法，基于免疫克隆優(yōu)化的認(rèn)知無(wú)線網(wǎng)絡(luò)頻譜分配方法，基于混沌量子克隆的按需頻譜分配算法，量子免疫克隆算法求解基于認(rèn)知引擎的頻譜決策問(wèn)題，基于免疫優(yōu)化的認(rèn)知OFDM系統(tǒng)資源分配等算法。

作者簡(jiǎn)介:

目錄:前言

第1章 認(rèn)知科學(xué)及其特點(diǎn)
1.1 認(rèn)知科學(xué)
1.1.1 認(rèn)知科學(xué)的定義
1.1.2 認(rèn)知科學(xué)的歷史起源
1.1.3 認(rèn)知科學(xué)的研究領(lǐng)域
1.1.4 認(rèn)知科學(xué)的研究方法
1.1.5 認(rèn)知科學(xué)的未來(lái)方向
1.2 認(rèn)知雷達(dá)
1.2.1 認(rèn)知雷達(dá)的基礎(chǔ)概念
1.2.2 認(rèn)知雷達(dá)的基本框架
1.2.3 認(rèn)知雷達(dá)的工作原理
1.2.4 認(rèn)知雷達(dá)的關(guān)鍵技術(shù)
1.3 認(rèn)知無(wú)線網(wǎng)絡(luò)及其無(wú)線資源管理概述.
1.3.1 認(rèn)知無(wú)線網(wǎng)絡(luò)概述
1.3.2 認(rèn)知無(wú)線網(wǎng)絡(luò)的智能性
1.3.3 認(rèn)知無(wú)線網(wǎng)絡(luò)的應(yīng)用領(lǐng)域
1.3.4 認(rèn)知無(wú)線網(wǎng)絡(luò)的研究進(jìn)展
1.3.5 認(rèn)知無(wú)線網(wǎng)絡(luò)的主要研究?jī)?nèi)容
1.3.6 認(rèn)知無(wú)線網(wǎng)絡(luò)中的無(wú)線資源管理問(wèn)題
1.3.7 頻譜分配的研究進(jìn)展
1.3.8 頻譜決策的研究進(jìn)展
1.3.9 認(rèn)知OFDM資源分配的研究進(jìn)展
參考文獻(xiàn)

第2章 多目標(biāo)優(yōu)化問(wèn)題
2.1 多目標(biāo)優(yōu)化問(wèn)題介紹
2.2 多目標(biāo)進(jìn)化算法簡(jiǎn)介
2.2.1 基于Pareto的多目標(biāo)進(jìn)化算法
2.2.2 基于指標(biāo)的多目標(biāo)進(jìn)化算法
2.2.3 基于分解的多目標(biāo)進(jìn)化算法
2.3 多目標(biāo)優(yōu)化測(cè)試問(wèn)題與度量指標(biāo)研究
2.3.1 多目標(biāo)優(yōu)化測(cè)試問(wèn)題
2.3.2 多目標(biāo)優(yōu)化算法度量指標(biāo)
2.4 研究難點(diǎn)及現(xiàn)狀
2.4.1 決策空間復(fù)雜的多目標(biāo)優(yōu)化問(wèn)題
2.4.2 目標(biāo)空間復(fù)雜的多目標(biāo)優(yōu)化問(wèn)題
參考文獻(xiàn)

第3章 基于等度規(guī)映射的逯浠樸糜誶蠼舛嗄勘曖嘔侍？
3.1 引言
3.2 逯淶畝ㄒ逵敕治？
3.2.1 逯溆隤areto支配的關(guān)系
3.2.2 傳統(tǒng)逯淶娜鋇惴治？
3.3 基于等度規(guī)映射的歧配
3.3.1 等度規(guī)映射
3.3.2 改進(jìn)逯浠頻牡榷裙嬗成浞椒¨
3.3.3 基于等度規(guī)映射的逯淶氖奔涓叢傭確治？
3.4 基于等度規(guī)映射逯淶氖笛櫸治？
3.4.1 實(shí)驗(yàn)測(cè)試函數(shù)
3.4.2 實(shí)驗(yàn)參數(shù)設(shè)置與評(píng)價(jià)指標(biāo)選擇
3.4.3 對(duì)九個(gè)不同Pareto前沿問(wèn)題的實(shí)驗(yàn)測(cè)試結(jié)果與分析
3.4.4 本征維數(shù)的估計(jì)
3.5 本章小結(jié)
參考文獻(xiàn)

第4章 基于在線非支配抗體的自適應(yīng)多目標(biāo)優(yōu)化
4.1 引言
4.2 非支配等級(jí)劃分方法和擁擠距離計(jì)算
4.2.1 非支配等級(jí)劃分方法
4.2.2 擁擠距離計(jì)算
4.3 基于在線非支配抗體的自適應(yīng)多目標(biāo)優(yōu)化算法
4.3.1 進(jìn)化計(jì)算中的自適應(yīng)機(jī)制總結(jié)
4.3.2 在線非支配抗體數(shù)量調(diào)查
4.3.3 基于在線非支配抗體的自適應(yīng)多目標(biāo)優(yōu)化算法流程
4.3.4 在線非支配抗體自適應(yīng)多目標(biāo)優(yōu)化算法的時(shí)間復(fù)雜度分析
4.4 仿真對(duì)比實(shí)驗(yàn)研究
4.4.1 測(cè)試函數(shù)選擇與實(shí)驗(yàn)設(shè)置
4.4.2 對(duì)十個(gè)低維目標(biāo)優(yōu)化問(wèn)題的實(shí)驗(yàn)結(jié)果對(duì)比與分析
4.4.3 引入?yún)?shù)KPO和KPT的敏感性分析
4.4.4 AHMA中三個(gè)階段平均被調(diào)用次數(shù)
4.4.5 AHMA在求解高維目標(biāo)優(yōu)化問(wèn)題的性能分析
4.4.6 AHMA的運(yùn)行時(shí)間分析
4.5 本章小結(jié)
參考文獻(xiàn)

第5章 基于自適應(yīng)等級(jí)克隆和動(dòng)態(tài)m近鄰表的克隆選擇多目標(biāo)優(yōu)化
5.1 引言
5.2 傳統(tǒng)免疫多目標(biāo)優(yōu)化算法的性能分析
5.3 基于自適應(yīng)等級(jí)克隆和動(dòng)態(tài)m近鄰表的克隆選擇多目標(biāo)優(yōu)化算法
5.3.1 基于動(dòng)態(tài)近鄰表的抗體刪除機(jī)制
5.3.2 自適應(yīng)等級(jí)克隆機(jī)制
5.3.3 基于自適應(yīng)等級(jí)克隆機(jī)制和m近鄰表的克隆選擇多目標(biāo)優(yōu)化算法流程
5.4 NNIA2的實(shí)驗(yàn)對(duì)比與分析
5.4.1 對(duì)比算法選擇
5.4.2 優(yōu)化問(wèn)題選擇和實(shí)驗(yàn)參數(shù)設(shè)置
5.4.3 NNIA2在求解低維目標(biāo)測(cè)試函數(shù)的性能分析
5.4.4 NNIA2在求解高維目標(biāo)測(cè)試函數(shù)的性能分析
5.4.5 NNIA2與NNIA的魯棒性分析
5.4.6 NNIA2運(yùn)算時(shí)間分析
5.5 本章小結(jié)
參考文獻(xiàn)

第6章 基于角解優(yōu)先的高維多目標(biāo)非支配排序方法
6.1 引言
6.2 基于角解優(yōu)先的高維多目標(biāo)非支配排序方法相關(guān)背景
6.2.1 角解
6.2.2 相關(guān)非支配排序方法
6.3 基于角解優(yōu)先的非支配排序方法
6.3.1 基本框架
6.3.2 排序方法
6.3.3 高維多目標(biāo)優(yōu)化問(wèn)題的優(yōu)勢(shì)
6.4 算法有效性驗(yàn)證與結(jié)果分析
6.4.1 云數(shù)據(jù)
6.4.2 固定前端數(shù)據(jù)
6.4.3 混合數(shù)據(jù)
6.4.4 實(shí)際數(shù)據(jù)
6.4.5 討論與分析
6.5 本章小結(jié)
參考文獻(xiàn)

第7章 雙檔案高維多目標(biāo)進(jìn)化算法
7.1 引言
7.2 雙檔案算法簡(jiǎn)介
7.2.1 基本框架
7.2.2 優(yōu)點(diǎn)與缺點(diǎn)
7.3 基于雙檔案的高維多目標(biāo)進(jìn)化算法
7.3.1 基本框架
7.3.2 收斂性檔案選擇方法
7.3.3 多樣性檔案選擇方法
7.4 算法有效性驗(yàn)證與結(jié)果分析
7.4.1 算法分析
7.4.2 對(duì)比實(shí)驗(yàn)
7.5 本章小結(jié)
參考文獻(xiàn)

第8章 融合非局部均值去噪的高效免疫多目標(biāo)SAR圖像自動(dòng)分割
8.1 引言
8.2 基于非局部均值的SAR圖像去噪技術(shù)
8.3 融合非局部均值去噪的高效免疫多目標(biāo)SAR圖像自動(dòng)分割算法
8.3.1 基于動(dòng)態(tài)擁擠距離的抗體刪除策略
8.3.2 自適應(yīng)等級(jí)均勻克隆機(jī)制
8.3.3 基因座近鄰表示的抗體編碼機(jī)制與分割目標(biāo)函數(shù)選擇
8.3.4 本章提出的SAR圖像自動(dòng)分割算法
8.4 實(shí)驗(yàn)及結(jié)果分析
8.4.1 五個(gè)對(duì)比算法分析與關(guān)鍵參數(shù)設(shè)置
8.4.2 針對(duì)兩幅合成SAR圖像和TerraSAR衛(wèi)星圖像的實(shí)驗(yàn)結(jié)果分析
8.4.3 進(jìn)化代數(shù)對(duì)于MASF性能的影響
8.4.4 非局部均值濾波與特征提取方案對(duì)最終分割結(jié)果的比較
8.4.5 MASF運(yùn)行時(shí)間對(duì)比分析
8.5 本章小結(jié)
參考文獻(xiàn)

第9章 基于自然計(jì)算優(yōu)化的非凸重構(gòu)方法
9.1 引言
9.2 基于自然計(jì)算優(yōu)化的兩階段壓縮感知重構(gòu)模型
9.3 基于過(guò)完備字典和結(jié)構(gòu)稀疏的重構(gòu)策略
9.3.1 塊壓縮感知重構(gòu)
9.3.2 結(jié)構(gòu)稀疏約束的重構(gòu)模型
9.4 基于自然計(jì)算優(yōu)化的兩階段非凸重構(gòu)方法
9.4.1 基于遺傳進(jìn)化的第一階段重構(gòu)
9.4.2 基于克隆選擇的第二階段重構(gòu)
9.5 仿真實(shí)驗(yàn)及結(jié)果分析
參考文獻(xiàn)

第10章 基于免疫克隆優(yōu)化的認(rèn)知無(wú)線網(wǎng)絡(luò)頻譜分配
10.1 引言
10.2 認(rèn)知無(wú)線網(wǎng)絡(luò)的頻譜感知和分配模型
10.2.1 物理層頻譜感知過(guò)程
10.2.2 物理連接模型及建模過(guò)程
10.2.3 認(rèn)知無(wú)線網(wǎng)絡(luò)頻譜分配的圖著色模型
10.2.4 認(rèn)知無(wú)線網(wǎng)絡(luò)的頻譜分配矩陣
10.3 基于免疫克隆優(yōu)化的頻譜分配具體實(shí)現(xiàn)
10.3.1 算法具體實(shí)現(xiàn)
10.3.2 算法特點(diǎn)和優(yōu)勢(shì)分析
10.3.3 算法收斂性證明
10.4 仿真實(shí)驗(yàn)與結(jié)果分析
10.4.1 實(shí)驗(yàn)數(shù)據(jù)的生成
10.4.2 算法參數(shù)設(shè)置
10.4.3 實(shí)驗(yàn)結(jié)果及對(duì)比分析
10.4.4 基于WRAN的系統(tǒng)級(jí)仿真
10.5 本章小結(jié)
參考文獻(xiàn)

第11章 基于混沌量子克隆的按需頻譜分配算法
11.1 引言
11.2 考慮認(rèn)知用戶需求的按需頻譜分配模型
11.2.1 基于圖著色理論的頻譜分配建模
11.2.2 考慮認(rèn)知用戶需求的頻譜分配模型
11.3 基于混沌量子克隆算法的按需頻譜分配具體實(shí)現(xiàn)
11.3.1 算法具體實(shí)現(xiàn)過(guò)程
11.3.2 算法特點(diǎn)和優(yōu)勢(shì)分析
11.3.3 算法收斂性分析
11.4 仿真實(shí)驗(yàn)與結(jié)果分析
11.4.1 實(shí)驗(yàn)數(shù)據(jù)的生成
11.4.2 相關(guān)算法參數(shù)的設(shè)置
11.4.3 實(shí)驗(yàn)結(jié)果及對(duì)比分析
11.5 本章小結(jié)
參考文獻(xiàn)

第12章 量子免疫克隆算法求解基于認(rèn)知引擎的頻譜決策問(wèn)題
12.1 引言
12.2 基于認(rèn)知引擎的頻譜決策分析與建模
12.3 算法關(guān)鍵技術(shù)與具體實(shí)現(xiàn)
12.3.1 關(guān)鍵技術(shù)
12.3.2 算法具體步驟
12.3.3 算法特點(diǎn)和優(yōu)勢(shì)分析
12.3.4 算法收斂性分析
12.4 仿真實(shí)驗(yàn)及結(jié)果分析
12.4.1 仿真實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置
12.4.2 仿真實(shí)驗(yàn)結(jié)果及分析
12.5 本章小結(jié)
參考文獻(xiàn)

第13章 基于免疫優(yōu)化的認(rèn)知OFDM系統(tǒng)資源分配
13.1 引言
13.2 基于免疫優(yōu)化的子載波資源分配
13.2.1 認(rèn)知OFDM子載波資源分配描述
13.2.2 認(rèn)知OFDM子載波資源分配模型
13.2.3 算法實(shí)現(xiàn)的關(guān)鍵技術(shù)
13.2.4 基于免疫優(yōu)化的算法實(shí)現(xiàn)過(guò)程
13.2.5 算法特點(diǎn)和優(yōu)勢(shì)分析
13.2.6 仿真實(shí)驗(yàn)結(jié)果
13.2.7 小結(jié)
13.3 基于免疫優(yōu)化的功率資源分配
13.3.1 功率資源分配問(wèn)題描述
13.3.2 功率資源分配問(wèn)題的模型
13.3.3 算法實(shí)現(xiàn)的關(guān)鍵技術(shù)
13.3.4 基于免疫克隆優(yōu)化的算法實(shí)現(xiàn)過(guò)程
13.3.5 算法特點(diǎn)分析
13.3.6 實(shí)驗(yàn)結(jié)果與分析
13.3.7 小結(jié)
13.4 聯(lián)合子載波和功率的比例公平資源分配
13.4.1 問(wèn)題描述
13.4.2 比例公平資源分配模型
13.4.3 基于免疫優(yōu)化的資源分配實(shí)現(xiàn)過(guò)程
13.4.4 仿真實(shí)驗(yàn)結(jié)果與分析
13.4.5 小結(jié)
13.5 本章小結(jié)
參考文獻(xiàn)