面向过程的软件设计及优化技术

第1部分 问题的逻辑化过程

第1章 问题的符号化

1.1 命题逻辑

1.1.1 命题符号化过程

1.1.2 命题符号化规则

1.2 符号化过程中的等价问题

1.2.1 常用的等价关系

1.2.2 等价问题的推理

1.3 推理规则

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 正确性

第2章 基于推理规则的逻辑结构设计技术

2.1 推理规则

2.1.1 推理规则原理

2.1.2 紧致性定理

2.2 不确定性理论

2.2.1 专家系统MYCIN

2.2.2 主观Bayes方法

2.3 模糊推理

2.3.1 模糊推理的理论基础

2.3.2 模糊推理技术研究

2.4 证据理论

2.4.1 D-S理论的数学基础

2.4.2 证据理论的推理模型

2.5 非单调推理

2.6 基于规则演绎推理技术研究

2.6.1 正向规则演绎推理技术研究

2.6.2 逆向涫绎椎瑚技术研究

2.6.3 演绎推理的探索分析

第2部分 逻辑结构的优化技术

第3章 学习规则及应用技术

3.1 机器学习技术

3.1.1 学习问题的描述

3.1.2 机器学习系统的基本结构

3.1.3 机器学习的应用实例

3.2 概念学习技术

3.2.1 概念学习的任务

3.2.2 概念学习算法

3.3 决策树学习技术

3.3.1 决策树的工作原理

3.3.2 决策树的关键技术

3.3.3 C4.5 对ID3的改进算法

3.3.4 决策树算法的系统实现与修剪优化

3.4 基于学习规则的几种算法研究

第4章 搜索策略的应用及改进技术

4.1 基于图的搜索技术

4.1.1 一般图搜索

4.1.2 启发式搜索

4.1.3 启发式搜索的关键技术

4.2 搜索技术在数据优化算法中的应用

4.2.1 一种网络入侵算法

4.2.2 最小二乘原理在数据优化技术中的应用

4.2.3 模糊数学在数据优化技术中的应用

4.3 一种随机数的生成技术

4.4 搜索过程中的模式匹配问题

第3部分 基于神经网络及遗传、免疫算法优化技术的应用

第5章 神经网络在软件逻辑结构优化中的应用

5.1 神经网络基本原理

5.1.1 神经网络的基本属性

5.1.2 神经网络信息处理的数学过程

5.2 BP神经网络模型应用

5.2.1 基本原理

5.2.2 DPS数据处理系统操作步骤

5.2.3 应用实例

5.3 RBF神经网络应用

5.4 生物网络结构模型的设计与实现

5.4.1 生物网络结构的概念

5.4.2 生物网络平台的设计与实现

5.5 免疫网络的计算模型

5.6 基于神经网络的应用技术

5.6.1 译码技术研究

5.6.2 基于神经网络的数据挖掘技术应用

5.7 神经网络发展趋势及研究热点

第6章 遗传算法在软件逻辑结构优化中的应用

6.1 遗传算法原理

6.2 遗传算法的应用

6.2.1 遗传算法应用的关键技术

6.2.2 遗传算法在神经网络中的应用

6.2.3 并行遗传算法应用

6.3 基于遗传算法的计算优化问题

6.3.1 基本概念

6.3.2 遗传算法的应用案例

6.4 基于遗传算法的单一函数优化问题

6.4.1 评价遗传算法性能的测试函数

6.4.2 De Jong的研究结论

6.5 基于遗传算法的多目标函数优化问题

6.5.1 多目标优化问题的数学模型

6.5.2 基于遗传算法多目标优化问题的求解

第7章 人工免疫算法、否定选择算法、克隆选择算法在逻辑结构优化中的应用

7.1 人工免疫算法

7.1.1 人工免疫算法属性简介

7.1.2 基本免疫方法

7.1.3 基于最基本免疫机制的免疫算法

7.1.4 免疫算法中的亲和力计算方法

7.1.5 免疫算法与遗传算法

7.2 否定选择算法

7.2.1 否定选择算法简介

7.2.2 否定选择算法关键因素

7.2.3 否定选择算法流程

7.3 否定选择算法应用技术

7.4 克隆选择算法

7.4.1 克隆选择算法描述

7.4.2 克隆算法应用中的关键技术

7.5 一种免疫、克隆算法的应用技术

7.5.1 免疫、克隆算法描述

7.5.2 基于免疫、克隆算法的案例设计

7.6 一种基于免疫算法的函数优化技术

7.7 基于免疫网络克隆优化算法的函数优化

第4部分 数据优化与仿真技术

第8章 基于统计分析的算法及数据优化技术

8.1 数据挖掘技术

8.1.1 基本概念

8.1.2 数据挖掘的方法

8.2 基于数据仓库的数据挖掘技术的算法设计

8.2.1 数据仓库与数据挖掘的基本原理及概念

8.2.2 算法设计

8.2.3 算法的实现

8.2.4 结果分析

8.3 基于统计分析技术的几类问题的算法设计

8.3.1 常规数学化问题的数据挖掘思路

8.3.2 几类数学化问题的算法设计及实现

8.4 《计算方法》中几类问题的算法设计与实现

第9章 基于McMc和Mauab的算法设计与仿真

9.1 蒙特卡罗方法

9.1.1 基本思想

9.1.2 蒙特卡罗方法的解题步骤

9.2 马尔可夫链

9.3 基于Matlab方法的案例仿真

9.3.1 仿真软件Matlab

9.3.2 仿真案例设计

9.3.3 仿真案例的改进设计

9.4 基于McMc方法的案例仿真

9.4.1 案例基本结构设计

9.4.2 案例的仿真示例

9.4.3 仿真案例的改进设计

参考文献

《面向过程的软件设计及优化技术》主要内容包括4个部分：第1部分问题的逻辑化过程，主要包括问题的符号化、基于推理规则的逻辑结构设计技术。第2部分逻辑结构的优化技术，主要包括学习规则及应用技术、搜索策略的应用及改进技术。第3部分基于神经网络及遗传、免疫算法的优化技术的应用，主要包括神经网络在软件逻辑结构优化中的应用；遗传算法在软件逻辑结构优化中的应用；人工免疫算法、否定选择算法、克隆选择算法在逻辑结构优化中的应用。第4部分数据优化与仿真技术，主要包括基于统计分析的算法及数据优化技术、基于McMc和Madab的算法设计与仿真。
　　《面向过程的软件设计及优化技术》可作为大学本科、专科、高职、高专软件设计专业学生的教材，也可作为面向过程的软件设计研究者的参考书。