本书对近年来认知计算和多目标优化领域常见的理论及技术进行了较为全面的阐述和总结，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报告。
更多科学出版社服务，请扫码获取。
目录
前言
第1章 认知科学及其特点 1
1.1 认知科学 1
1.1.1 认知科学的定义 1
1.1.2 认知科学的历史起源 1
1.1.3 认知科学的研究领域 2
1.1.4 认知科学的研究方法 4
1.1.5 认知科学的未来方向 5
1.2 认知雷达 6
1.2.1 认知雷达的基础概念 6
1.2.2 认知雷达的基本框架 7
1.2.3 认知雷达的工作原理 10
1.2.4 认知雷达的关键技术 12
1.3 认知无线网络及其无线资源管理概述 14
1.3.1 认知无线网络概述 14
1.3.2 认知无线网络的智能性 14
1.3.3 认知无线网络的应用领域 16
1.3.4 认知无线网络的研究进展 17
1.3.5 认知无线网络的主要研究内容 18
1.3.6 认知无线网络中的无线资源管理问题 19
1.3.7 频谱分配的研究进展 21
1.3.8 频谱决策的研究进展 24
1.3.9 认知OFDM资源分配的研究进展 25
参考文献 27
第2章 多目标优化问题 32
2.1 多目标优化问题介绍 32
2.2 多目标进化算法简介 32
2.2.1 基于Pareto的多目标进化算法 33
2.2.2 基于指标的多目标进化算法 34
2.2.3 基于分解的多目标进化算法 34
2.3 多目标优化测试问题与度量指标研究 35
2.3.1 多目标优化测试问题 35
2.3.2 多目标优化算法度量指标 36
2.4 研究难点及现状 38
2.4.1 决策空间复杂的多目标优化问题 38
2.4.2 目标空间复杂的多目标优化问题 39
参考文献 40
第3章 基于等度规映射的支配机制用于求解多目标优化问题 47
3.1 引言 47
3.2 ε支配的定义与分析 47
3.2.1 ε支配与Pareto支配的关系 47
3.2.2 传统支配的缺点分析 48
3.3 基于等度规映射的ε支配 49
3.3.1 等度规映射 50
3.3.2 改进支配机制的等度规映射方法 51
3.3.3 基于等度规映射的ε支配的时间复杂度分析 52
3.4 基于等度规映射ε支配的实验分析 53
3.4.1 实验测试函数 53
3.4.2 实验参数设置与评价指标选择 54
3.4.3 对九个不同Pareto前沿问题的实验测试结果与分析 55
3.4.4 本征维数的估计 59
3.5 本章小结 60
参考文献 60
第4章 基于在线非支配抗体的自适应多目标优化 62
4.1 引言 62
4.2 非支配等级划分方法和拥挤距离计算 63
4.2.1 非支配等级划分方法 63
4.2.2 拥挤距离计算 65
4.3 基于在线非支配抗体的自适应多目标优化算法 66
4.3.1 进化计算中的自适应机制总结 66
4.3.2 在线非支配抗体数量调查 68
4.3.3 基于在线非支配抗体的自适应多目标优化算法流程 69
4.3.4 在线非支配抗体自适应多目标优化算法的时间复杂度分析 73
4.4 仿真对比实验研究 74
4.4.1 测试函数选择与实验设置 74
4.4.2 对十个低维目标优化问题的实验结果对比与分析 75
4.4.3 引入参数KPO和KPT的敏感性分析 79
4.4.4 AHMA中三个阶段平均被调用次数 80
4.4.5 AHMA在求解高维目标优化问题的性能分析 81
4.4.6 AHMA的运行时间分析 84
4.5 本章小结 84
参考文献 85
第5章 基于自适应等级克隆和动态m近邻表的克隆选择多目标优化 87
5.1 引言 87
5.2 传统免疫多目标优化算法的性能分析 88
5.3 基于自适应等级克隆和动态m近邻表的克隆选择多目标优化算法 90
5.3.1 基于动态近邻表的抗体删除机制 90
5.3.2 自适应等级克隆机制 94
5.3.3 基于自适应等级克隆机制和m近邻表的克隆选择多目标优化算法流程 96
5.4 NNIA2的实验对比与分析 97
5.4.1 对比算法选择 97
5.4.2 优化问题选择和实验参数设置 98
5.4.3 NNIA2在求解低维目标测试函数的性能分析 100
5.4.4 NNIA2在求解高维目标测试函数的性能分析 111
5.4.5 NNIA2与NNIA的鲁棒性分析 113
5.4.6 NNIA2运算时间分析 114
5.5 本章小结 115
参考文献 115
第6章 基于角解优先的高维多目标非支配排序方法 117
6.1 引言 117
6.2 基于角解优先的高维多目标非支配排序方法相关背景 117
6.2.1 角解 117
6.2.2 相关非支配排序方法 118
6.3 基于角解优先的非支配排序方法 119
6.3.1 基本框架 119
6.3.2 排序方法 119
6.3.3 高维多目标优化问题的优势 120
6.4 算法有效性验证与结果分析 121
6.4.1 云数据 121
6.4.2 固定前端数据 124
6.4.3 混合数据 127
6.4.4 实际数据 128
6.4.5 讨论与分析 130
6.5 本章小结 131
参考文献 131
第7章 双档案高维多目标进化算法 132
7.1 引言 132
7.2 双档案算法简介 133
7.2.1 基本框架 133
7.2.2 优点与缺点 134
7.3 基于双档案的高维多目标进化算法 134
7.3.1 基本框架 134
7.3.2 收敛性档案选择方法 134
7.3.3 多样性档案选择方法 135
7.4 算法有效性验证与结果分析 136
7.4.1 算法分析 136
7.4.2 对比实验 139
7.5 本章小结 151
参考文献 152
第8章 融合非局部均值去噪的高效免疫多目标SAR图像自动分割 154
8.1 引言 154
8.2 基于非局部均值的SAR图像去噪技术 155
8.3 融合非局部均值去噪的高效免疫多目标SAR图像自动分割算法 157
8.3.1 基于动态拥挤距离的抗体删除策略 157
8.3.2 自适应等级均匀克隆机制 158
8.3.3 基因座近邻表示的抗体编码机制与分割目标函数选择 158
8.3.4 本章提出的SAR图像自动分割算法 160
8.4 实验及结果分析 162
8.4.1 五个对比算法分析与关键参数设置 162
8.4.2 针对两幅合成SAR图像和TerraSAR卫星图像的实验结果分析 163
8.4.3 进化代数对于MASF性能的影响 167
8.4.4 非局部均值滤波与特征提取方案对最终分割结果的比较 168
8.4.5 MASF运行时间对比分析 169
8.5 本章小结 170
参考文献 170
第9章 基于自然计算优化的非凸重构方法 172
9.1 引言 172
9.2 基于自然计算优化的两阶段压缩感知重构模型 174
9.3 基于过完备字典和结构稀疏的重构策略 175
9.3.1 块压缩感知重构 175
9.3.2 结构稀疏约束的重构模型 176
9.4 基于自然计算优化的两阶段非凸重构方法 177
9.4.1 基于遗传进化的第一阶段重构 177
9.4.2 基于克隆选择的第二阶段重构 182
9.5 仿真实验及结果分析 185
参考文献 194
第10章 基于免疫克隆优化的认知无线网络频谱分配 196
10.1 引言 196
10.2 认知无线网络的频谱感知和分配模型 197
10.2.1 物理层频谱感知过程 197
10.2.2 物理连接模型及建模过程 197
10.2.3 认知无线网络频谱分配的图着色模型 199
10.2.4 认知无线网络的频谱分配矩阵 199
10.3 基于免疫克隆优化的频谱分配具体实现 201
10.3.1 算法具体实现 201
10.3.2 算法特点和优势分析 203
10.3.3 算法收敛性证明 203
10.4 仿真实验与结果分析 205
10.4.1 实验数据的生成 205
10.4.2 算法参数设置 205
10.4.3 实验结果及对比分析 205
10.4.4 基于WRAN的系统级仿真 209
10.5 本章小结 210
参考文献 211
第11章 基于混沌量子克隆的按需频谱分配算法 213
11.1 引言 213
11.2 考虑认知用户需求的按需频谱分配模型 213
11.2.1 基于图着色理论的频谱分配建模 213
11.2.2 考虑认知用户需求的频谱分配模型 214
11.3 基于混沌量子克隆算法的按需频谱分配具体实现 216
11.3.1 算法具体实现过程 216
11.3.2 算法特点和优势分析 219
11.3.3 算法收敛性分析 219
11.4 仿真实验与结果分析 221
11.4.1 实验数据的生成 221
11.4.2 相关算法参数的设置 222
11.4.3 实验结果及对比分析 222
11.5 本章小结 226
参考文献 226
第12章 量子免疫克隆算法求解基于认知引擎的频谱决策问题 228
12.1 引言 228
12.2 基于认知引擎的频谱决策分析与建模 228
12.3 算法关键技术与具体实现 229
12.3.1 关键技术 229
12.3.2 算法具体步骤 230
12.3.3 算法特点和优势分析 232
12.3.4 算法收敛性分析 232
12.4 仿真实验及结果分析 233
12.4.1 仿真实验环境及参数设置 233
12.4.2 仿真实验结果及分析 234
12.5 本章小结 238
参考文献 239
第13章 基于免疫优化的认知OFDM系统资源分配 240
13.1 引言 240
13.2 基于免疫优化的子载波资源分配 240
13.2.1 认知OFDM子载波资源分配描述 240
13.2.2 认知OFDM子载波资源分配模型 241
13.2.3 算法实现的关键技术 242
13.2.4 基于免疫优化的算法实现过程 243
13.2.5 算法特点和优势分析 245
13.2.6 仿真实验结果 245
13.2.7 小结 248
13.3 基于免疫优化的功率资源分配 248
13.3.1 功率资源分配问题描述 248
13.3.2 功率资源分配问题的模型 249
13.3.3 算法实现的关键技术 250
13.3.4 基于免疫克隆优化的算法实现过程 251
13.3.5 算法特点分析 253
13.3.6 实验结果与分析 253
13.3.7 小结 256
13.4 联合子载波和功率的比例公平资源分配 256
13.4.1 问题描述 256
13.4.2 比例公平资源分配模型 257
13.4.3 基于免疫优化的资源分配实现过程 258
13.4.4 仿真实验结果与分析 264
13.4.5 小结 268
13.5 本章小结 268
参考文献 268
书单推荐
