《智能算法导论》特色：
　　紧跟学术前沿编者查阅大量相关资料，结合近年来智能算法的研究成果，紧跟国内外新研究动态。分享智能算法领域前沿技术。
　　论述清晰，知识完整内容丰富，阐述严谨，对智能算法的起源、理论基础、基本框架和典型应用进行了详细论述，适合人工智能领域以及相关交叉领域的教师教学和学生学习。
　　学科交叉智能算法应用广泛，与生物学、计算机科学、神经科学、语言学等学科交叉发展，互相影响。
　　该书充分将自然计算、启发式方法、量子、神经网络等有机融合，体现了深度的学科交叉。
　　重视应用该书不仅论述了智能算法的起源、理论基础和基本框架，还在此基础上，针对相关领域中的典型问题给出智能算法的应用示例。读者可以在理解理论知识的同时，对人工智能学科产生兴趣，培养动手能力。

　　智能算法是在进化计算、模糊逻辑、神经网络三个分支发展相对成熟的基础上，通过相互之间的有机融合进而形成的新的科学方法，也是智能理论和技术发展的崭新阶段。该书对智能算法的前沿领域进行了详细论述，主要内容包括遗传算法、免疫算法、Memetic算法、粒子群算法、蚁群算法、狼群算法、人工蜂群算法、细菌觅食优化算法、分布估计算法、差分进化算法、模拟退火算法、贪心算法、雨滴算法、禁忌搜索算法、量子算法、A*算法、神经网络算法、深度学习算法、强化学习及混合智能算法。
　　《智能算法导论》着重对上述领域的国内外发展现状进行总结，阐述编者对相关领域未来发展的思考。该书可以为计算机科学、信息科学、人工智能自动化技术等领域从事自然计算、机器学习、图像处理研究的相关专业技术人员提供参考，也可以作为相关专业研究生和高年级本科生教材。

尚荣华 博士，教授，博士生导师，IEEE 会员，教育部重点实验室骨干成员，教育部创新团队骨干成员，国家 “111计划” 创新引智基地骨干成员，校 “智能信息处理优秀创新团队” 骨干成员。一直致力于智能感知与自然计算、类脑计算与大数据的学习、优化与应用研究。发表论文100余篇，其中SCI检索80余篇，IEEE期刊16篇。Google Scholar引用2007次，单篇z高168次。主持了包括2项国家自然科学基金面上在内的10余项科研项目。授权国家发明专利20余项，出版专著6部。

第1章 遗传算法
1．1 遗传算法起源
1．1．1 遗传算法生物学基础
1．1．2 遗传算法发展历程
1．2 遗传算法实现
1．2．1 遗传算法流程
1．2．2 重要参数
1．3 基于遗传算法的组合优化
1．3．1 基于遗传算法的TTP问题
1．3．2 基于遗传算法的旅行商问题
1．3．3 基于遗传算法的0-1规划
1．4 基于遗传算法的图像处理
1．4．1 基于遗传算法的图像分割
1．4．2 基于遗传算法的图像增强
1．4．3 基于遗传算法的图像变化检测
1．5 基于遗传算法的社区检测
1．5．1 多目标遗传算法
1．5．2 遗传编码
1．5．3 Pareto最优解
参考文献

第2章 免疫算法
2．1 生物免疫系统与人工免疫系统
2．2 免疫算法实现
2．2．1 克隆选择算法
2．2．2 人工免疫系统模型
2．3 基于免疫算法的聚类分析
2．3．1 聚类问题
2．3．2 免疫进化方法
2．4 基于免疫算法的限量弧路由问题
2．4．1 限量弧路由问题模型
2．4．2 基于免疫协同进化的限量弧路由问题
参考文献

第3章 Memetic算法
3．1 Memetic算法发展历程
3．2 Memetic算法实现
3．2．1 Memetic算法流程
3．2．2 Memetic算法改进
3．2．3 Memetic算法研究分类
3．3 基于Memetic算法的社区检测
3．3．1 多目标Memetic优化算法
3．3．2 局部搜索
3．4 基于Memetic算法的限量弧路由问题
3．4．1 路由距离分组
3．4．2 子问题解的更替
3．4．3 基于分解的Memetic算法
参考文献

第4章 粒子群算法
4．1 粒子群算法起源
4．1．1 粒子群算法生物学基础
4．1．2 粒子群算法发展历程
4．2 粒子群算法实现
4．2．1 基本粒子群算法
4．2．2 改进粒子群算法
4．3 基于粒子群算法的图像处理
4．3．1 基于粒子群算法的图像分割
4．3．2 基于粒子群算法的图像分类
4．3．3 基于粒子群算法的图像匹配
4．4 基于粒子群算法的优化问题
4．4．1 基于粒子群算法的旅行商问题
4．4．2 基于粒子群算法的配送中心选址问题
4．4．3 基于粒子群算法的函数优化
参考文献

第5章 蚁群算法
5．1 蚁群算法起源
5．1．1 蚁群算法生物学基础
5．1．2 蚁群算法发展历程
5．2 蚁群算法实现
5．2．1 蚁群算法流程
5．2．2 离散域和连续域蚁群算法
……
第6章 狼群算法
第7章 人工蜂群算法
第8章 细菌觅食优化算法
第9章 分布估计算法
第10章 差分进化算法
第11章 模拟退火算法
第12章 贪心算法
第13章 雨滴算法
第14章 禁忌搜索算法
第15章 量子搜索与优化
第16章 量子粒子群优化
第17章 最小二乘法
第18章 A*算法
第19章 神经网络算法
第20章 深度学习算法
第21章 强化学习
第22章 混合智能算法

　　人工智能发展历史是短暂而曲折的，它点滴的进步都有效推动了社会的发展。1956年，在达特茅斯学院举行的一次会议上，计算机科学家约翰·麦卡锡说服与会者接受“人工智能”一词作为本领域的名称，这次会议也被大家看作人工智能正式诞生的标志。此后的十几年是人工智能发展的黄金年代，无数科学家前赴后继对此进行研究，为机器智能化和人性化不断努力奋斗，获得了许多成果，得到了广泛赞赏，同时也让研究者对人工智能领域的发展信心倍增。到了20世纪70年代，由于计算复杂性呈指数级增长，而计算机性能遇到瓶颈，同时出现数据量缺失等问题，一些难题看上去好像完全找不到答案，人工智能开始遭受批评。1977年，费根鲍姆在第五届国际人工智能大会上提出了“知识工程”的概念，标志着人工智能研究从传统的以推理为中心的阶段进入以知识为中心的新阶段。人工智能重新获得人们的普遍重视，逐步跨进了复兴期。随着人工智能的深入研究，模式识别的兴起，机器思维可以代替人脑进行各种计算、决策和分析，有效解放了人们双手，智能技术越来越受到人们的欢迎。越来越多的科学家坚信，人工智能将为人类社会带来第三次技术革命。作为人工智能的新生领域，智能算法是在自然计算、启发式方法、量子、神经网络等分支发展相对成熟的基础上，通过相互之间的有机融合形成的新的科学方法，也是智能理论和技术发展的崭新阶段。
　　自然计算方法主要通过模仿自然界中的群体智能等特点，建立具有自适应、自组织、自学习能力的模型与算法，用于解决传统计算方法解决复杂问题时的限制问题。本书涵盖遗传算法、免疫算法、Memetic算法、粒子群算法、人工蚁群算法等多种自然计算方法，从算法起源、算法实现和算法应用等方面进行总结和介绍，涉及经典组合优化、图像处理等问题。
　　启发式方法相对于最优化算法提出，基于经验建立模型，获得可行解。启发式优化算法也属于自然计算方法的范畴，主要包模拟退火算法、雨滴算法等。本书通过介绍启发式算法的基础原理，对包括多目标优化问题、调度问题、图像处理等应用进行了讨论。
　　量子计算的并行性、指数级存储容量和指数加速特征展示了其强大的运算能力。计算智能的研究也可以建立在物理基础上，有效利用量子理论的原理和概念，在人工智能领域的应用中取得明显优于传统智能计算模型的结果，因此量子计算智能具有很高的理论价值和发展潜力。本书对量子计算智能的几种模型及协同量子粒子群优化等方法进行了详细介绍。
　　神经网络作为一种模仿动物神经网络行为特征的方法，通过分布式并行信息处理调整内部“神经元”之间的连接关系，进行信息处理。随着计算机处理速度和存储能力的提高，深层神经网络的设计和实现也逐渐成为可能。链式结构便是神经网络中最为常见的结构，链的全长被称为模型深度，深度学习由此产生。本书对神经网络和深度学习进行介绍，并讨论它们在计算机视觉、语音处理等方面的应用。
　　此外，本书还对最小二乘法、A*算法、强化学习方法和几种混合智能算法进行了介绍，并对其数学基础、算法流程及机器学习领域中的简单案例进行了讨论。
　　经过近十几年对人工智能领域和智能算法的研究，对相关知识和方法进行了系统的梳理，总结了一套较为完整的体系，最终形成此书。
　　本书特色
　　（1）紧跟学术前沿
　　编著者查阅大量的相关资料，结合近年来智能算法的研究成果，紧跟国内外相关研究机构的最新研究动态，积极与国内外学者和企业人员进行交流，力图将最新动态与各位读者分享。
　　（2）论述清晰，知识完整
　　本书内容丰富，阐述严谨，对若干智能算法的起源、理论基础、基本框架和典型应用进行了详细论述，适合在人工智能领域以及相关交叉领域的教师教学和学生学习。
　　（3）学科交叉
　　智能算法应用广泛，与生物学、计算机科学、神经科学、语言学等学科交叉发展，互相影响。本书充分体现了学科交叉，很好地将这些知识进行了结合。
　　（4）重视应用
　　本书不仅论述了智能算法的起源、理论基础和基本框架，还在此基础上针对相关领域中的典型问题给出智能算法的应用示例，使读者可以在理解理论知识的同时，对人工智能学科产生兴趣，培养动手能力。
　　致谢
　　本书是西安电子科技大学人工智能学院——“智能感知与图像理解”教育部重点实验室、“智能感知与计算”教育部国际联合实验室、国家“111”计划创新引智基地、国家“2011”信息感知协同创新中心、“大数据智能感知与计算”陕西省2011协同创新中心、智能信息处理研究所集体智慧的结晶，感谢集体中的每一位同仁的奉献。特别感谢保铮院士多年来的悉心培养和指导；感谢中国科学技术大学陈国良院士和IEEE计算智能学会副主席、英国伯明翰大学姚新教授，英国埃塞克斯大学张青富教授，英国萨里大学金耀初教授，英国诺丁汉大学屈嵘教授的指导和帮助；感谢国家自然科学基金委信息科学部的大力支持；感谢田捷教授、高新波教授、石光明教授、梁继民教授的帮助；感谢张玮桐、孟洋、张静雯、路梦瑶、王路娟、何江海、张雨萌等智能感知与图像理解教育部重点实验室研究生所付出的辛勤劳动。在此特别感谢以下支持：国家自然科学基金61773304、U1701267、61871310、61773300、61772399、61672405、61473215、61876141、61806156、61806154、61802295、61801351；国家自然科学基金重点项目61836009；国家自然科学基金创新研究群体科学基金61621005；优秀青年科学基金项目61522311；高等学校学科创新引智计划（111计划）B07048；重大研究计划91438201和91438103；教育部指导高校科技创新规划项目；教育部“长江学者和创新团队发展计划”IRT_15R53。
　　感谢编著者家人的大力支持和理解。
　　由于编著者水平有限，书中不妥或疏漏之处在所难免，敬请各位专家及广大读者批评指正。