認知計算與多目標優(yōu)化簡(jiǎn)介，目錄書(shū)摘

編輯推薦:

內容簡(jiǎn)介:本書(shū)對近年來(lái)認知計算和多目標優(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，并結合作者多年的研究成果，對相關(guān)理論及技術(shù)在應用領(lǐng)域的實(shí)踐情況進(jìn)行了展示和報告。全書(shū)從認知計算和多目標優(yōu)化兩個(gè)方面展開(kāi)，主要內容包含如下方面：認知科學(xué)及其特點(diǎn)簡(jiǎn)介，多目標優(yōu)化問(wèn)題簡(jiǎn)介，基于等度規映射的ε支配機制用于求解多目標優(yōu)化問(wèn)題，基于在線(xiàn)非支配抗體的自適應多目標優(yōu)化算法，基于自適應等級克隆和動(dòng)態(tài)m近鄰表的克隆選擇多目標優(yōu)化算法，基于角解優(yōu)先的高維多目標非支配排序方法，一種雙檔案高維多目標進(jìn)化算法，融合非局部均值去噪的高效免疫多目標SAR圖像自動(dòng)分割算法，基于免疫克隆優(yōu)化的認知無(wú)線(xiàn)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知引擎的頻譜決策問(wèn)題，基于免疫優(yōu)化的認知OFDM系統資源分配等算法。

作者簡(jiǎn)介:

目錄:前言

第1章 認知科學(xué)及其特點(diǎn)
1.1 認知科學(xué)
1.1.1 認知科學(xué)的定義
1.1.2 認知科學(xué)的歷史起源
1.1.3 認知科學(xué)的研究領(lǐng)域
1.1.4 認知科學(xué)的研究方法
1.1.5 認知科學(xué)的未來(lái)方向
1.2 認知雷達
1.2.1 認知雷達的基礎概念
1.2.2 認知雷達的基本框架
1.2.3 認知雷達的工作原理
1.2.4 認知雷達的關(guān)鍵技術(shù)
1.3 認知無(wú)線(xiàn)網(wǎng)絡(luò )及其無(wú)線(xiàn)資源管理概述.
1.3.1 認知無(wú)線(xiàn)網(wǎng)絡(luò )概述
1.3.2 認知無(wú)線(xiàn)網(wǎng)絡(luò )的智能性
1.3.3 認知無(wú)線(xiàn)網(wǎng)絡(luò )的應用領(lǐng)域
1.3.4 認知無(wú)線(xiàn)網(wǎng)絡(luò )的研究進(jìn)展
1.3.5 認知無(wú)線(xiàn)網(wǎng)絡(luò )的主要研究?jì)热?
1.3.6 認知無(wú)線(xiàn)網(wǎng)絡(luò )中的無(wú)線(xiàn)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 認知OFDM資源分配的研究進(jìn)展
參考文獻

第2章 多目標優(yōu)化問(wèn)題
2.1 多目標優(yōu)化問(wèn)題介紹
2.2 多目標進(jìn)化算法簡(jiǎn)介
2.2.1 基于Pareto的多目標進(jìn)化算法
2.2.2 基于指標的多目標進(jìn)化算法
2.2.3 基于分解的多目標進(jìn)化算法
2.3 多目標優(yōu)化測試問(wèn)題與度量指標研究
2.3.1 多目標優(yōu)化測試問(wèn)題
2.3.2 多目標優(yōu)化算法度量指標
2.4 研究難點(diǎn)及現狀
2.4.1 決策空間復雜的多目標優(yōu)化問(wèn)題
2.4.2 目標空間復雜的多目標優(yōu)化問(wèn)題
參考文獻

第3章 基于等度規映射的逯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 傳統逯淶娜鋇惴治？
3.3 基于等度規映射的歧配
3.3.1 等度規映射
3.3.2 改進(jìn)逯浠頻牡榷裙嬗成浞椒¨
3.3.3 基于等度規映射的逯淶氖奔涓叢傭確治？
3.4 基于等度規映射逯淶氖笛櫸治？
3.4.1 實(shí)驗測試函數
3.4.2 實(shí)驗參數設置與評價(jià)指標選擇
3.4.3 對九個(gè)不同Pareto前沿問(wèn)題的實(shí)驗測試結果與分析
3.4.4 本征維數的估計
3.5 本章小結
參考文獻

第4章 基于在線(xiàn)非支配抗體的自適應多目標優(yōu)化
4.1 引言
4.2 非支配等級劃分方法和擁擠距離計算
4.2.1 非支配等級劃分方法
4.2.2 擁擠距離計算
4.3 基于在線(xiàn)非支配抗體的自適應多目標優(yōu)化算法
4.3.1 進(jìn)化計算中的自適應機制總結
4.3.2 在線(xiàn)非支配抗體數量調查
4.3.3 基于在線(xiàn)非支配抗體的自適應多目標優(yōu)化算法流程
4.3.4 在線(xiàn)非支配抗體自適應多目標優(yōu)化算法的時(shí)間復雜度分析
4.4 仿真對比實(shí)驗研究
4.4.1 測試函數選擇與實(shí)驗設置
4.4.2 對十個(gè)低維目標優(yōu)化問(wèn)題的實(shí)驗結果對比與分析
4.4.3 引入參數KPO和KPT的敏感性分析
4.4.4 AHMA中三個(gè)階段平均被調用次數
4.4.5 AHMA在求解高維目標優(yōu)化問(wèn)題的性能分析
4.4.6 AHMA的運行時(shí)間分析
4.5 本章小結
參考文獻

第5章 基于自適應等級克隆和動(dòng)態(tài)m近鄰表的克隆選擇多目標優(yōu)化
5.1 引言
5.2 傳統免疫多目標優(yōu)化算法的性能分析
5.3 基于自適應等級克隆和動(dòng)態(tài)m近鄰表的克隆選擇多目標優(yōu)化算法
5.3.1 基于動(dòng)態(tài)近鄰表的抗體刪除機制
5.3.2 自適應等級克隆機制
5.3.3 基于自適應等級克隆機制和m近鄰表的克隆選擇多目標優(yōu)化算法流程
5.4 NNIA2的實(shí)驗對比與分析
5.4.1 對比算法選擇
5.4.2 優(yōu)化問(wèn)題選擇和實(shí)驗參數設置
5.4.3 NNIA2在求解低維目標測試函數的性能分析
5.4.4 NNIA2在求解高維目標測試函數的性能分析
5.4.5 NNIA2與NNIA的魯棒性分析
5.4.6 NNIA2運算時(shí)間分析
5.5 本章小結
參考文獻

第6章 基于角解優(yōu)先的高維多目標非支配排序方法
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 高維多目標優(yōu)化問(wèn)題的優(yōu)勢
6.4 算法有效性驗證與結果分析
6.4.1 云數據
6.4.2 固定前端數據
6.4.3 混合數據
6.4.4 實(shí)際數據
6.4.5 討論與分析
6.5 本章小結
參考文獻

第7章 雙檔案高維多目標進(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 算法有效性驗證與結果分析
7.4.1 算法分析
7.4.2 對比實(shí)驗
7.5 本章小結
參考文獻

第8章 融合非局部均值去噪的高效免疫多目標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 自適應等級均勻克隆機制
8.3.3 基因座近鄰表示的抗體編碼機制與分割目標函數選擇
8.3.4 本章提出的SAR圖像自動(dòng)分割算法
8.4 實(shí)驗及結果分析
8.4.1 五個(gè)對比算法分析與關(guān)鍵參數設置
8.4.2 針對兩幅合成SAR圖像和TerraSAR衛星圖像的實(shí)驗結果分析
8.4.3 進(jìn)化代數對于MASF性能的影響
8.4.4 非局部均值濾波與特征提取方案對最終分割結果的比較
8.4.5 MASF運行時(shí)間對比分析
8.5 本章小結
參考文獻

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

第10章 基于免疫克隆優(yōu)化的認知無(wú)線(xiàn)網(wǎng)絡(luò )頻譜分配
10.1 引言
10.2 認知無(wú)線(xiàn)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 認知無(wú)線(xiàn)網(wǎng)絡(luò )頻譜分配的圖著(zhù)色模型
10.2.4 認知無(wú)線(xiàn)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
10.3.1 算法具體實(shí)現
10.3.2 算法特點(diǎn)和優(yōu)勢分析
10.3.3 算法收斂性證明
10.4 仿真實(shí)驗與結果分析
10.4.1 實(shí)驗數據的生成
10.4.2 算法參數設置
10.4.3 實(shí)驗結果及對比分析
10.4.4 基于WRAN的系統級仿真
10.5 本章小結
參考文獻

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 考慮認知用戶(hù)需求的按需頻譜分配模型
11.2.1 基于圖著(zhù)色理論的頻譜分配建模
11.2.2 考慮認知用戶(hù)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
11.3.1 算法具體實(shí)現過(guò)程
11.3.2 算法特點(diǎn)和優(yōu)勢分析
11.3.3 算法收斂性分析
11.4 仿真實(shí)驗與結果分析
11.4.1 實(shí)驗數據的生成
11.4.2 相關(guān)算法參數的設置
11.4.3 實(shí)驗結果及對比分析
11.5 本章小結
參考文獻

第12章 量子免疫克隆算法求解基于認知引擎的頻譜決策問(wèn)題
12.1 引言
12.2 基于認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
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)勢分析
12.3.4 算法收斂性分析
12.4 仿真實(shí)驗及結果分析
12.4.1 仿真實(shí)驗環(huán)境及參數設置
12.4.2 仿真實(shí)驗結果及分析
12.5 本章小結
參考文獻

第13章 基于免疫優(yōu)化的認知OFDM系統資源分配
13.1 引言
13.2 基于免疫優(yōu)化的子載波資源分配
13.2.1 認知OFDM子載波資源分配描述
13.2.2 認知OFDM子載波資源分配模型
13.2.3 算法實(shí)現的關(guān)鍵技術(shù)
13.2.4 基于免疫優(yōu)化的算法實(shí)現過(guò)程
13.2.5 算法特點(diǎn)和優(yōu)勢分析
13.2.6 仿真實(shí)驗結果
13.2.7 小結
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)現過(guò)程
13.3.5 算法特點(diǎn)分析
13.3.6 實(shí)驗結果與分析
13.3.7 小結
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)現過(guò)程
13.4.4 仿真實(shí)驗結果與分析
13.4.5 小結
13.5 本章小結
參考文獻