《智能优化算法原理与应用》主要讲述了，智能优化算法是指通过计算机软件编程模拟自然界、生物界乃至人类自身的长期演化、生殖繁衍、竞争、适应、自然选择中不断进化的机制与机理，从而实现对复杂优化问题求解的一大类算法的统称。《智能优化算法原理与应用》主要介绍模糊逻辑推理算法、神经网络学习算法、遗传算法、模拟退火算法、禁忌算法、人工免疫算法、人工蚁群算法、微粒群算法、混沌优化算法、量子优化算法，以及智能优化算法在函数优化、聚类分析、系统辨识、路径规划、航迹规划等方面的应用。
《智能优化算法原理与应用》可作为高校自动化、计算机、系统工程、管理工程、人工智能等相关专业研究生学习用书，也可供相关专业的科研人员及工程建设人员学习参考。
第1章绪论
1.1最优化问题的描述
1.2函数优化问题
1.3组合优化问题
1.4最优化问题的智能优化求解方法
1.5智能优化算法的实质——智能逼近
第2章模糊逻辑推理算法
2.1模糊集合与模糊逻辑
2.2模糊关系与模糊矩阵
2.3模糊语言与模糊推理
2.4可加性模糊系统
2.5模糊系统的逼近特性
2.6模糊系统的万能逼近定理
第3章神经网络学习算法
3.1电脑与人脑
3.2神经细胞的结构与功能
3.3人工神经元的基本特性
3.4人工神经网络及其特点
3.5神经网络的结构及其分类
3.6前向网络
3.7 BP网络的非线性映射能力
3.8神经网络应用
第4章进化算法与遗传算法
4.1生物的进化与遗传
4.2进化算法的分类
4.3遗传算法
4.4基本遗传算法及其在函数优化中的应用
4.5遗传算法的模式定理
4.6 GA的收敛性分析
4.7 GA的特点及其应用领域
第5章模拟退火算法
5.1 SA的基本思想
5.2固体退火过程的统计力学
5.3模拟退火模型
5.4 Metropolis算法与组合优化问题
5.5 SA的主要操作及实现步骤
5.6用SA求解TSP问题的例子
第6章禁忌搜索算法
6.1引言
6.2组合优化中的邻域概念
6.3局部搜索算法
6.4禁忌搜索的一个例子
6.5禁忌搜索中的主要操作及参数
6.6用禁忌搜索算法求解车间调度问题
第7章人工免疫算法
7.1人工免疫系统
7.2人工免疫算法的免疫学基础
7.3免疫应答中的学习与优化原理
7.4免疫算法
第8章人工蚁群算法
8.1群智能的概念
8.2蚂蚁社会及信息系统
8.3蚂蚁的觅食行为
8.4蚁群觅食策略的优化机制
8.5人工蚁与真实蚁的异同
8.6蚂蚁系统模型的建立
8.7基本蚁群算法的实现步骤
8.8基本（标准）蚁群算法流程
第9章微粒群优化算法
9.1 PSO算法的提出
9.2基本微粒群算法
9.3 PSO算法步骤
9.4 PSO算法的改进及应用
第10章混沌优化算法
10.1混沌现象和混沌学
10.2 Logistic映射
10.3从倍周期分支到混沌
10.4区间映射与混沌
10.5混沌中的规律性
10.6 Lyapunov指数
10.7奇异吸引子
10.8混沌优化方法
第11章量子优化算法
11.1量子比特
11.2量子逻辑门
11.3 Grover量子搜索算法
11.4量子遗传算法
11.5实数编码双链量子遗传算法
第12章智能优化算法的工程应用
12.1基于RBF神经网络优化自适应模糊导引律
12.2带有成长算子遗传算法在辨识与优化中的应用
12.3改进的免疫克隆算法在函数优化中的应用
12.4蚁群算法在聚类分析中的应用
12.5蚁群算法在机器人路径规划中的应用
12.6改进的蚁群算法在巡航导弹航迹规划中的应用
12.7混沌量子免疫算法及其在连续优化问题中的应用
参考文献
书单推荐
