面向過(guò)程的軟件設(shè)計(jì)及優(yōu)化技術(shù)

第1部分 問(wèn)題的邏輯化過(guò)程
第1章 問(wèn)題的符號(hào)化
1.1 命題邏輯
1.1.1 命題符號(hào)化過(guò)程
1.1.2 命題符號(hào)化規(guī)則
1.2 符號(hào)化過(guò)程中的等價(jià)問(wèn)題
1.2.1 常用的等價(jià)關(guān)系
1.2.2 等價(jià)問(wèn)題的推理
1.3 推理規(guī)則
1.3.1 基本原理
1.3.2 主要推理方式
1.3.3 句型模式
1.3.4 正確性
第2章 基于推理規(guī)則的邏輯結(jié)構(gòu)設(shè)計(jì)技術(shù)
2.1 推理規(guī)則
2.1.1 推理規(guī)則原理
2.1.2 緊致性定理
2.2 不確定性理論
2.2.1 專(zhuān)家系統(tǒng)MYCIN
2.2.2 主觀Bayes方法
2.3 模糊推理
2.3.1 模糊推理的理論基礎(chǔ)
2.3.2 模糊推理技術(shù)研究
2.4 證據(jù)理論
2.4.1 D-S理論的數(shù)學(xué)基礎(chǔ)
2.4.2 證據(jù)理論的推理模型
2.5 非單調(diào)推理
2.6 基于規(guī)則演繹推理技術(shù)研究
2.6.1 正向規(guī)則演繹推理技術(shù)研究
2.6.2 逆向涫繹椎瑚技術(shù)研究
2.6.3 演繹推理的探索分析

第2部分 邏輯結(jié)構(gòu)的優(yōu)化技術(shù)
第3章 學(xué)習(xí)規(guī)則及應(yīng)用技術(shù)
3.1 機(jī)器學(xué)習(xí)技術(shù)
3.1.1 學(xué)習(xí)問(wèn)題的描述
3.1.2 機(jī)器學(xué)習(xí)系統(tǒng)的基本結(jié)構(gòu)
3.1.3 機(jī)器學(xué)習(xí)的應(yīng)用實(shí)例
3.2 概念學(xué)習(xí)技術(shù)
3.2.1 概念學(xué)習(xí)的任務(wù)
3.2.2 概念學(xué)習(xí)算法
3.3 決策樹(shù)學(xué)習(xí)技術(shù)
3.3.1 決策樹(shù)的工作原理
3.3.2 決策樹(shù)的關(guān)鍵技術(shù)
3.3.3 C4.5 對(duì)ID3的改進(jìn)算法
3.3.4 決策樹(shù)算法的系統(tǒng)實(shí)現(xiàn)與修剪優(yōu)化
3.4 基于學(xué)習(xí)規(guī)則的幾種算法研究
第4章 搜索策略的應(yīng)用及改進(jìn)技術(shù)
4.1 基于圖的搜索技術(shù)
4.1.1 一般圖搜索
4.1.2 啟發(fā)式搜索
4.1.3 啟發(fā)式搜索的關(guān)鍵技術(shù)
4.2 搜索技術(shù)在數(shù)據(jù)優(yōu)化算法中的應(yīng)用
4.2.1 一種網(wǎng)絡(luò)入侵算法
4.2.2 最小二乘原理在數(shù)據(jù)優(yōu)化技術(shù)中的應(yīng)用
4.2.3 模糊數(shù)學(xué)在數(shù)據(jù)優(yōu)化技術(shù)中的應(yīng)用
4.3 一種隨機(jī)數(shù)的生成技術(shù)
4.4 搜索過(guò)程中的模式匹配問(wèn)題

第3部分 基于神經(jīng)網(wǎng)絡(luò)及遺傳、免疫算法優(yōu)化技術(shù)的應(yīng)用
第5章 神經(jīng)網(wǎng)絡(luò)在軟件邏輯結(jié)構(gòu)優(yōu)化中的應(yīng)用
5.1 神經(jīng)網(wǎng)絡(luò)基本原理
5.1.1 神經(jīng)網(wǎng)絡(luò)的基本屬性
5.1.2 神經(jīng)網(wǎng)絡(luò)信息處理的數(shù)學(xué)過(guò)程
5.2 BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用
5.2.1 基本原理
5.2.2 DPS數(shù)據(jù)處理系統(tǒng)操作步驟
5.2.3 應(yīng)用實(shí)例
5.3 RBF神經(jīng)網(wǎng)絡(luò)應(yīng)用
5.4 生物網(wǎng)絡(luò)結(jié)構(gòu)模型的設(shè)計(jì)與實(shí)現(xiàn)
5.4.1 生物網(wǎng)絡(luò)結(jié)構(gòu)的概念
5.4.2 生物網(wǎng)絡(luò)平臺(tái)的設(shè)計(jì)與實(shí)現(xiàn)
5.5 免疫網(wǎng)絡(luò)的計(jì)算模型
5.6 基于神經(jīng)網(wǎng)絡(luò)的應(yīng)用技術(shù)
5.6.1 譯碼技術(shù)研究
5.6.2 基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘技術(shù)應(yīng)用
5.7 神經(jīng)網(wǎng)絡(luò)發(fā)展趨勢(shì)及研究熱點(diǎn)
第6章 遺傳算法在軟件邏輯結(jié)構(gòu)優(yōu)化中的應(yīng)用
6.1 遺傳算法原理
6.2 遺傳算法的應(yīng)用
6.2.1 遺傳算法應(yīng)用的關(guān)鍵技術(shù)
6.2.2 遺傳算法在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用
6.2.3 并行遺傳算法應(yīng)用
6.3 基于遺傳算法的計(jì)算優(yōu)化問(wèn)題
6.3.1 基本概念
6.3.2 遺傳算法的應(yīng)用案例
6.4 基于遺傳算法的單一函數(shù)優(yōu)化問(wèn)題
6.4.1 評(píng)價(jià)遺傳算法性能的測(cè)試函數(shù)
6.4.2 De Jong的研究結(jié)論
6.5 基于遺傳算法的多目標(biāo)函數(shù)優(yōu)化問(wèn)題
6.5.1 多目標(biāo)優(yōu)化問(wèn)題的數(shù)學(xué)模型
6.5.2 基于遺傳算法多目標(biāo)優(yōu)化問(wèn)題的求解
第7章 人工免疫算法、否定選擇算法、克隆選擇算法在邏輯結(jié)構(gòu)優(yōu)化中的應(yīng)用
7.1 人工免疫算法
7.1.1 人工免疫算法屬性簡(jiǎn)介
7.1.2 基本免疫方法
7.1.3 基于最基本免疫機(jī)制的免疫算法
7.1.4 免疫算法中的親和力計(jì)算方法
7.1.5 免疫算法與遺傳算法
7.2 否定選擇算法
7.2.1 否定選擇算法簡(jiǎn)介
7.2.2 否定選擇算法關(guān)鍵因素
7.2.3 否定選擇算法流程
7.3 否定選擇算法應(yīng)用技術(shù)
7.4 克隆選擇算法
7.4.1 克隆選擇算法描述
7.4.2 克隆算法應(yīng)用中的關(guān)鍵技術(shù)
7.5 一種免疫、克隆算法的應(yīng)用技術(shù)
7.5.1 免疫、克隆算法描述
7.5.2 基于免疫、克隆算法的案例設(shè)計(jì)
7.6 一種基于免疫算法的函數(shù)優(yōu)化技術(shù)
7.7 基于免疫網(wǎng)絡(luò)克隆優(yōu)化算法的函數(shù)優(yōu)化

第4部分 數(shù)據(jù)優(yōu)化與仿真技術(shù)
第8章 基于統(tǒng)計(jì)分析的算法及數(shù)據(jù)優(yōu)化技術(shù)
8.1 數(shù)據(jù)挖掘技術(shù)
8.1.1 基本概念
8.1.2 數(shù)據(jù)挖掘的方法
8.2 基于數(shù)據(jù)倉(cāng)庫(kù)的數(shù)據(jù)挖掘技術(shù)的算法設(shè)計(jì)
8.2.1 數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘的基本原理及概念
8.2.2 算法設(shè)計(jì)
8.2.3 算法的實(shí)現(xiàn)
8.2.4 結(jié)果分析
8.3 基于統(tǒng)計(jì)分析技術(shù)的幾類(lèi)問(wèn)題的算法設(shè)計(jì)
8.3.1 常規(guī)數(shù)學(xué)化問(wèn)題的數(shù)據(jù)挖掘思路
8.3.2 幾類(lèi)數(shù)學(xué)化問(wèn)題的算法設(shè)計(jì)及實(shí)現(xiàn)
8.4 《計(jì)算方法》中幾類(lèi)問(wèn)題的算法設(shè)計(jì)與實(shí)現(xiàn)
第9章 基于McMc和Mauab的算法設(shè)計(jì)與仿真
9.1 蒙特卡羅方法
9.1.1 基本思想
9.1.2 蒙特卡羅方法的解題步驟
9.2 馬爾可夫鏈
9.3 基于Matlab方法的案例仿真
9.3.1 仿真軟件Matlab
9.3.2 仿真案例設(shè)計(jì)
9.3.3 仿真案例的改進(jìn)設(shè)計(jì)
9.4 基于McMc方法的案例仿真
9.4.1 案例基本結(jié)構(gòu)設(shè)計(jì)
9.4.2 案例的仿真示例
9.4.3 仿真案例的改進(jìn)設(shè)計(jì)
參考文獻(xiàn)