软件可靠性工程中的计算智能方法PDF|Epub|txt|kindle电子书版本下载

软件可靠性工程中的计算智能方法PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 软件可靠性1

1.1 软件可靠性工程简介1

1.1.1 软件危机与软件可靠性工程1

1.1.2 软件可靠性概念2

1.1.3 软件可靠性工程的定义5

1.2 软件可靠性建模5

1.2.1 软件可靠性理论5

1.2.2 软件可靠性模型6

1.2.3 软件可靠性建模方法13

1.3 计算智能概述14

1.3.1 计算智能简介14

1.3.2 模型优化18

参考文献19

第2章 人工神经网络22

2.1 人工神经元22

2.1.1 神经元构成及其行为机理22

2.1.2 神经元的数学模型26

2.1.3 人工神经几何27

2.1.4 人工神经元学习28

2.2 有监督学习神经网络29

2.2.1 神经网络类型30

2.2.2 监督学习规则34

2.2.3 单层神经网络37

2.2.4 组合神经网络40

2.2.5 混合专家系统41

2.3 无监督学习神经网络43

2.3.1 背景43

2.3.2 赫伯学习规则44

2.3.3 主成分学习规则45

2.3.4 学习向量量化-147

2.3.5 自组织特征映射49

2.3.6 聚类分析53

2.4 径向基函数网络63

2.4.1 学习向量量化-263

2.4.2 径向基函数神经网络63

2.5 递归式神经网络67

2.5.1 全局反馈神经网络68

2.5.2 局部反馈神经网络69

2.5.3 学习算法70

2.6 增强学习71

2.6.1 增强学习原理和结构72

2.6.2 模型无关的增强学习73

2.6.3 增强学习在神经网络训练中的应用76

思考题77

参考文献77

第3章 模糊系统80

3.1 模糊集81

3.1.1 定义81

3.1.2 隶属函数81

3.1.3 模糊算子83

3.1.4 模糊集特征85

3.1.5 模糊性和随机性87

3.2 模糊逻辑和推理87

3.2.1 模糊逻辑87

3.2.2 模糊推理88

3.3 模糊控制器89

3.3.1 模糊控制器组件89

3.3.2 模糊控制器类型90

3.4 粗糙集92

3.4.1 粗糙集概念92

3.4.2 粗糙集的模糊性94

3.4.3 粗糙集的不确定性94

思考题95

参考文献96

第4章 演化计算97

4.1 演化计算的基本框架97

4.1.1 演化算法的基本框架97

4.1.2 个体的表示98

4.1.3 群体初始化100

4.1.4 适应度函数101

4.1.5 遗传操作102

4.1.6 停止条件102

4.2 遗传算法103

4.2.1 标准遗传算法103

4.2.2 选择103

4.2.3 交叉106

4.2.4 变异113

4.2.5 控制参数115

4.2.6 遗传算法的变种115

4.2.7 高级主题118

4.3 演化策略122

4.3.1 （1+1）-ES123

4.3.2 演化策略的一般算法124

4.3.3 策略参数和自适应125

4.3.4 演化策略操作128

4.3.5 高级主题130

4.4 演化规划134

4.4.1 基本演化规划134

4.4.2 演化规划操作135

4.4.3 策略参数139

4.4.4 演化规划的实现143

4.4.5 高级主题144

4.5 遗传程序设计145

4.5.1 树型表示145

4.5.2 初始化群体147

4.5.3 适应度函数148

4.5.4 交叉操作148

4.5.5 变异操作148

4.6 差分演化151

4.6.1 差分演化基本理论151

4.6.2 DE/x/y/z154

4.6.3 基本差分演化变体156

4.6.4 高级主题160

4.7 协同演化161

4.7.1 协同演化的类型161

4.7.2 竞争演化161

4.7.3 协作演化163

思考题165

参考文献167

第5章 计算群体智能177

5.1 粒子群优化算法177

5.1.1 基本原理177

5.1.2 拓扑结构178

5.1.3 工作流程及参数设置178

5.1.4 算法改进180

5.1.5 高级主题187

5.2 蚁群优化算法189

5.2.1 基本原理189

5.2.2 工作流程190

5.2.3 算法改进192

5.3 蜂群算法194

思考题196

参考文献196

第6章 人工免疫系统202

6.1 自然免疫系统202

6.1.1 经典观点202

6.1.2 抗体和抗原203

6.1.3 白细胞204

6.1.4 免疫类型207

6.1.5 学习中的抗原结构207

6.1.6 网络理论208

6.1.7 危险理论208

6.2 人工免疫模型208

6.2.1 人工免疫系统算法209

6.2.2 经典观点模型211

6.2.3 克隆选择理论模型213

6.2.4 网络理论模型218

6.2.5 危险理论模型226

6.2.6 人工免疫系统的应用和其他模型229

思考题229

参考文献230

第7章 统计学习方法234

7.1 统计学习234

7.1.1 统计学习理论234

7.1.2 监督学习234

7.1.3 非监督学习236

7.1.4 半监督学习236

7.1.5 集成学习237

7.1.6 用于计算智能的其他统计学习方法238

7.2 支持向量机240

7.2.1 支持向量机的基本问题240

7.2.2 两类SVM243

7.2.3 多类SVM245

7.2.4 SVM的应用247

7.3 聚类分析248

7.3.1 聚类的基本问题248

7.3.2 K均值和模糊C均值聚类算法249

7.3.3 K-medoids聚类算法250

7.3.4 密切关系传播算法251

思考题254

参考文献254

第8章 计算智能在软件可靠性工程中的应用256

8.1 计算智能与软件可靠性256

8.2 人工神经网络的应用257

8.2.1 基于人工神经网络的可靠性模型258

8.2.2 可靠性模型的选择268

8.2.3 可靠性模型的组合268

8.2.4 混合专家系统模型271

8.2.5 存在的问题275

8.3 演化计算在可靠性工程中的应用275

8.3.1 基于遗传程序设计的可靠性模型275

8.3.2 可靠性模型的优化278

8.4 模糊逻辑在软件可靠性工程中的应用281

8.4.1 基于模糊推断系统的可靠性预测281

8.4.2 模糊神经网络281

8.4.3 模糊度量282

8.5 支持向量机在软件可靠性工程中的应用283

8.5.1 基于支持向量机的二分类可靠性模型283

8.5.2 基于模拟退火的支持向量机模型284

8.5.3 支持向量回归286

8.6 无监督学习方法在软件可靠性工程中的应用287

8.6.1 基于Gaussian混合模型的可靠性模型287

8.6.2 聚类方法的应用288

思考题289

参考文献290

附录A 矩阵运算293

A1 矩阵的基本性质293

A2 矩阵的微分294

A2.1 矩阵对数值变量的微分294

A2.2 矩阵函数对矩阵的微分294

A2.3 常用的微分公式294

A3 矩阵的特征值和特征向量295

附录B Gaussian积分297

B1 单变量的Gaussian积分297

B2 多变量的Gaussian积分297

B3 带有线性项的Gaussian积分298

附录C Lagrange乘子法300