编辑推荐
《软件可靠性工程中的计算智能方法》较系统地总结了现有计算智能的理论和技术，并尽可能地对其应用于软件可靠性工程进行分析与讨论。同时，编写过程中融入了近年来作者在交叉领域所做出的研究成果，尤其是计算智能应用于软件质量预测、软件可靠性模型以及模型优化等前沿问题上的研究成果。
目录
前言
第1章 软件可靠性
1.1 软件可靠性工程简介
1.1.1 软件危机与软件可靠性工程
1.1.2 软件可靠性概念
1.1.3 软件可靠性工程的定义
1.2 软件可靠性建模
1.2.1 软件可靠性理论
1.2.2 软件可靠性模型
1.2.3 软件可靠性建模方法
1.3 计算智能概述
1.3.1 计算智能简介
1.3.2 模型优化
参考文献
第2章 人工神经网络
2.1 人工神经元
2.1.1 神经元构成及其行为机理
2.1.2 神经元的数学模型
2.1.3 人工神经几何
2.1.4 人工神经元学习
2.2 有监督学习神经网络
2.2.1 神经网络类型
2.2.2 监督学习规则
2.2.3 单层神经网络
2.2.4 组合神经网络
2.2.5 混合专家系统
2.3 无监督学习神经网络
2.3.1 背景
2.3.2 赫伯学习规则
2.3.3 主成分学习规则
2.3.4 学习向量量化—1
2.3.5 自组织特征映射
2.3.6 聚类分析
2.4 径向基函数网络
2.4.1 学习向量量化—2
2.4.2 径向基函数神经网络
2.5 递归式神经网络
2.5.1 全局反馈神经网络
2.5.2 局部反馈神经网络
2.5.3 学习算法
2.6 增强学习
2.6.1 增强学习原理和结构
2.6.2 模型无关的增强学习
2.6.3 增强学习在神经网络训练中的应用
思考题
参考文献
第3章 模糊系统
3.1 模糊集
3.1.1 定义
3.1.2 隶属函数
3.1.3 模糊算子
3.1.4 模糊集特征
3.1.5 模糊性和随机性
3.2 模糊逻辑和推理
3.2.1 模糊逻辑
3.2.2 模糊推理
3.3 模糊控制器
3.3.1 模糊控制器组件
3.3.2 模糊控制器类型
3.4 粗糙集
3.4.1 粗糙集概念
3.4.2 粗糙集的模糊性
3.4.3 粗糙集的不确定性
思考题
参考文献
第4章 演化计算
4.1 演化计算的基本框架
4.1.1 演化算法的基本框架
4.1.2 个体的表示
4.1.3 群体初始化
4.1.4 适应度函数
4.1.5 遗传操作
4.1.6 停止条件
4.2 遗传算法
4.2.1 标准遗传算法
4.2.2 选择
4.2.3 交叉
4.2.4 变异
4.2.5 控制参数
4.2.6 遗传算法的变种
4.2.7 高级主题
4.3 演化策略
4.3.1（1+1）—ES
4.3.2 演化策略的一般算法
4.3.3 策略参数和自适应
4.3.4 演化策略操作
4.3.5 高级主题
4.4 演化规划
4.4.1 基本演化规划
4.4.2 演化规划操作
4.4.3 策略参数
4.4.4 演化规划的实现
4.4.5 高级主题
4.5 遗传程序设计
4.5.1 树型表示
4.5.2 初始化群体
4.5.3 适应度函数
4.5.4 交叉操作
4.5.5 变异操作
4.6 差分演化
4.6.1 差分演化基本理论
4.6.2 DE／x／y／z
4.6.3 基本差分演化变体
4.6.4 高级主题
4.7 协同演化
4.7.1 协同演化的类型
4.7.2 竞争演化
4.7.3 协作演化
思考题
参考文献
第5章 计算群体智能
5.1 粒子群优化算法
5.1.1 基本原理
5.1.2 拓扑结构
5.1.3 工作流程及参数设置
5.1.4 算法改进
5.1.5 高级主题
5.2 蚁群优化算法
5.2.1 基本原理
5.2.2 工作流程
5.2.3 算法改进
5.3 蜂群算法
思考题
参考文献
第6章 人工免疫系统
6.1 自然免疫系统
6.1.1 经典观点
6.1.2 抗体和抗原
6.1.3 白细胞
6.1.4 免疫类型
6.1.5 学习中的抗原结构
6.1.6 网络理论
6.1.7 危险理论
6.2 人工免疫模型
6.2.1 人工免疫系统算法
6.2.2 经典观点模型
6.2.3 克隆选择理论模型
6.2.4 网络理论模型
6.2.5 危险理论模型
6.2.6 人工免疫系统的应用和其他模型
思考题
参考文献
第7章 统计学习方法
7.1 统计学习
7.1.1 统计学习理论
7.1.2 监督学习
7.1.3 非监督学习
7.1.4 半监督学习
7.1.5 集成学习
7.1.6 用于计算智能的其他统计学习方法
7.2 支持向量机
7.2.1 支持向量机的基本问题
7.2.2 两类SVM
7.2.3 多类SVM
7.2.4 SVM的应用
7.3 聚类分析
7.3.1 聚类的基本问题
7.3.2 K均值和模糊C均值聚类算法
7.3.3 K—medoids聚类算法
7.3.4 密切关系传播算法
思考题
参考文献
第8章 计算智能在软件可靠性工程中的应用
8.1 计算智能与软件可靠性
8.2 人工神经网络的应用
8.2.1 基于人工神经网络的可靠性模型
8.2.2 可靠性模型的选择
8.2.3 可靠性模型的组合
8.2.4 混合专家系统模型
8.2.5 存在的问题
8.3 演化计算在可靠性工程中的应用
8.3.1 基于遗传程序设计的可靠性模型
8.3.2 可靠性模型的优化
8.4 模糊逻辑在软件可靠性工程中的应用
8.4.1 基于模糊推断系统的可靠性预测
8.4.2 模糊神经网络
8.4.3 模糊度量
8.5 支持向量机在软件可靠性工程中的应用
8.5.1 基于支持向量机的二分类可靠性模型
8.5.2 基于模拟退火的支持向量机模型
8.5.3 支持向量回归
8.6 无监督学习方法在软件可靠性工程中的应用
8.6.1 基于Gaussian混合模型的可靠性模型
8.6.2 聚类方法的应用
思考题
参考文献
附录A 矩阵运算
A1 矩阵的基本性质
A2 矩阵的微分
A2.1 矩阵对数值变量的微分
A2.2 矩阵函数对矩阵的微分
A2.3 常用的微分公式
A3 矩阵的特征值和特征向量
附录B Gaussian积分
B1 单变量的Gaussian积分
B2 多变量的Gaussian积分
B3 带有线性项的Gaussian积分
附录C Lagrange乘子法
文摘
版权页：
插图：
（2）繁殖选择。选择个体来进行繁殖（交叉和变异）产生子代。对于交叉，比较优良的个体有更多的机会产生子代，从而保证子代包含父代的优良基因。对于变异，选择应该集中在比较差的个体上，希望通过对比较差的个体进行变异，可以引入比较好的性状，从而增强这些个体的生存机会。
交叉是将两个或多个父代个体的遗传信息进行重组产生一个或多个子代的过程。如果选择倾向适应度最高的个体，会减少新群体的多样性，从而导致早熟收敛。
变异就是随机改变染色体中基因值的过程。变异的主要目的是在群体中引入新的遗传信息，以增加群体的多样性。变异的概率不可以太大，太大可能会破坏原来的优良个体。因此，变异率一般都比较小。变异率的选取可以与个体的适应度值成比例：个体的适应度值越低，变异率越大，以引入新的性状；个体的适应度值越高，变异率越小，以保留优良性状。
《软件可靠性工程中的计算智能方法》较系统地总结了现有计算智能的理论和技术，并尽可能地对其应用于软件可靠性工程进行分析与讨论。同时，编写过程中融入了近年来作者在交叉领域所做出的研究成果，尤其是计算智能应用于软件质量预测、软件可靠性模型以及模型优化等前沿问题上的研究成果。
目录
前言
第1章 软件可靠性
1.1 软件可靠性工程简介
1.1.1 软件危机与软件可靠性工程
1.1.2 软件可靠性概念
1.1.3 软件可靠性工程的定义
1.2 软件可靠性建模
1.2.1 软件可靠性理论
1.2.2 软件可靠性模型
1.2.3 软件可靠性建模方法
1.3 计算智能概述
1.3.1 计算智能简介
1.3.2 模型优化
参考文献
第2章 人工神经网络
2.1 人工神经元
2.1.1 神经元构成及其行为机理
2.1.2 神经元的数学模型
2.1.3 人工神经几何
2.1.4 人工神经元学习
2.2 有监督学习神经网络
2.2.1 神经网络类型
2.2.2 监督学习规则
2.2.3 单层神经网络
2.2.4 组合神经网络
2.2.5 混合专家系统
2.3 无监督学习神经网络
2.3.1 背景
2.3.2 赫伯学习规则
2.3.3 主成分学习规则
2.3.4 学习向量量化—1
2.3.5 自组织特征映射
2.3.6 聚类分析
2.4 径向基函数网络
2.4.1 学习向量量化—2
2.4.2 径向基函数神经网络
2.5 递归式神经网络
2.5.1 全局反馈神经网络
2.5.2 局部反馈神经网络
2.5.3 学习算法
2.6 增强学习
2.6.1 增强学习原理和结构
2.6.2 模型无关的增强学习
2.6.3 增强学习在神经网络训练中的应用
思考题
参考文献
第3章 模糊系统
3.1 模糊集
3.1.1 定义
3.1.2 隶属函数
3.1.3 模糊算子
3.1.4 模糊集特征
3.1.5 模糊性和随机性
3.2 模糊逻辑和推理
3.2.1 模糊逻辑
3.2.2 模糊推理
3.3 模糊控制器
3.3.1 模糊控制器组件
3.3.2 模糊控制器类型
3.4 粗糙集
3.4.1 粗糙集概念
3.4.2 粗糙集的模糊性
3.4.3 粗糙集的不确定性
思考题
参考文献
第4章 演化计算
4.1 演化计算的基本框架
4.1.1 演化算法的基本框架
4.1.2 个体的表示
4.1.3 群体初始化
4.1.4 适应度函数
4.1.5 遗传操作
4.1.6 停止条件
4.2 遗传算法
4.2.1 标准遗传算法
4.2.2 选择
4.2.3 交叉
4.2.4 变异
4.2.5 控制参数
4.2.6 遗传算法的变种
4.2.7 高级主题
4.3 演化策略
4.3.1（1+1）—ES
4.3.2 演化策略的一般算法
4.3.3 策略参数和自适应
4.3.4 演化策略操作
4.3.5 高级主题
4.4 演化规划
4.4.1 基本演化规划
4.4.2 演化规划操作
4.4.3 策略参数
4.4.4 演化规划的实现
4.4.5 高级主题
4.5 遗传程序设计
4.5.1 树型表示
4.5.2 初始化群体
4.5.3 适应度函数
4.5.4 交叉操作
4.5.5 变异操作
4.6 差分演化
4.6.1 差分演化基本理论
4.6.2 DE／x／y／z
4.6.3 基本差分演化变体
4.6.4 高级主题
4.7 协同演化
4.7.1 协同演化的类型
4.7.2 竞争演化
4.7.3 协作演化
思考题
参考文献
第5章 计算群体智能
5.1 粒子群优化算法
5.1.1 基本原理
5.1.2 拓扑结构
5.1.3 工作流程及参数设置
5.1.4 算法改进
5.1.5 高级主题
5.2 蚁群优化算法
5.2.1 基本原理
5.2.2 工作流程
5.2.3 算法改进
5.3 蜂群算法
思考题
参考文献
第6章 人工免疫系统
6.1 自然免疫系统
6.1.1 经典观点
6.1.2 抗体和抗原
6.1.3 白细胞
6.1.4 免疫类型
6.1.5 学习中的抗原结构
6.1.6 网络理论
6.1.7 危险理论
6.2 人工免疫模型
6.2.1 人工免疫系统算法
6.2.2 经典观点模型
6.2.3 克隆选择理论模型
6.2.4 网络理论模型
6.2.5 危险理论模型
6.2.6 人工免疫系统的应用和其他模型
思考题
参考文献
第7章 统计学习方法
7.1 统计学习
7.1.1 统计学习理论
7.1.2 监督学习
7.1.3 非监督学习
7.1.4 半监督学习
7.1.5 集成学习
7.1.6 用于计算智能的其他统计学习方法
7.2 支持向量机
7.2.1 支持向量机的基本问题
7.2.2 两类SVM
7.2.3 多类SVM
7.2.4 SVM的应用
7.3 聚类分析
7.3.1 聚类的基本问题
7.3.2 K均值和模糊C均值聚类算法
7.3.3 K—medoids聚类算法
7.3.4 密切关系传播算法
思考题
参考文献
第8章 计算智能在软件可靠性工程中的应用
8.1 计算智能与软件可靠性
8.2 人工神经网络的应用
8.2.1 基于人工神经网络的可靠性模型
8.2.2 可靠性模型的选择
8.2.3 可靠性模型的组合
8.2.4 混合专家系统模型
8.2.5 存在的问题
8.3 演化计算在可靠性工程中的应用
8.3.1 基于遗传程序设计的可靠性模型
8.3.2 可靠性模型的优化
8.4 模糊逻辑在软件可靠性工程中的应用
8.4.1 基于模糊推断系统的可靠性预测
8.4.2 模糊神经网络
8.4.3 模糊度量
8.5 支持向量机在软件可靠性工程中的应用
8.5.1 基于支持向量机的二分类可靠性模型
8.5.2 基于模拟退火的支持向量机模型
8.5.3 支持向量回归
8.6 无监督学习方法在软件可靠性工程中的应用
8.6.1 基于Gaussian混合模型的可靠性模型
8.6.2 聚类方法的应用
思考题
参考文献
附录A 矩阵运算
A1 矩阵的基本性质
A2 矩阵的微分
A2.1 矩阵对数值变量的微分
A2.2 矩阵函数对矩阵的微分
A2.3 常用的微分公式
A3 矩阵的特征值和特征向量
附录B Gaussian积分
B1 单变量的Gaussian积分
B2 多变量的Gaussian积分
B3 带有线性项的Gaussian积分
附录C Lagrange乘子法
文摘
版权页：
插图：
（2）繁殖选择。选择个体来进行繁殖（交叉和变异）产生子代。对于交叉，比较优良的个体有更多的机会产生子代，从而保证子代包含父代的优良基因。对于变异，选择应该集中在比较差的个体上，希望通过对比较差的个体进行变异，可以引入比较好的性状，从而增强这些个体的生存机会。
交叉是将两个或多个父代个体的遗传信息进行重组产生一个或多个子代的过程。如果选择倾向适应度最高的个体，会减少新群体的多样性，从而导致早熟收敛。
变异就是随机改变染色体中基因值的过程。变异的主要目的是在群体中引入新的遗传信息，以增加群体的多样性。变异的概率不可以太大，太大可能会破坏原来的优良个体。因此，变异率一般都比较小。变异率的选取可以与个体的适应度值成比例：个体的适应度值越低，变异率越大，以引入新的性状；个体的适应度值越高，变异率越小，以保留优良性状。
| ISBN | 9787030341310 |
|---|---|
| 出版社 | 科学出版社 |
| 作者 | 郭平 |
| 尺寸 | 16 |