Introduction to Intelligent Algorithms

Intelligent algorithms are new scientific methods formed through the organic integration of the three branches of evolutionary computing, fuzzy logic, and neural networks, which are relatively mature. They are also a new stage in the development of intelligent theory and technology. The book discusses the frontier fields of intelligent algorithms in detail, including genetic algorithms, immune algorithms, Memetic algorithms, particle swarm algorithms, ant colony algorithms, wolf colony algorithms, artificial bee colony algorithms, bacterial foraging optimization algorithms, distribution estimation algorithms, differential evolution algorithms, simulated annealing algorithms, greedy algorithms, raindrop algorithms, taboo search algorithms, quantum algorithms, A* algorithms, neural network algorithms, deep learning algorithms, reinforcement learning, and hybrid intelligent algorithms. \"Introduction to Intelligent Algorithms\" focuses on summarizing the current development status of the above fields at home and abroad, and expounds the editor\'s thinking on the future development of related fields. This book can provide reference for relevant professional and technical personnel engaged in natural computing, machine learning, and image processing research in the fields of computer science, information science, artificial intelligence automation technology, and can also be used as a textbook for graduate students and senior undergraduates in related majors. Chapter 1 Genetic Algorithm 1.1 Origin of Genetic Algorithm 1.1.1 Biological Basis of Genetic Algorithm 1.1.2 Development History of Genetic Algorithm 1.2 Implementation of Genetic Algorithm 1.2.1 Process of Genetic Algorithm 1.2.2 Important Parameters 1.3 Combinatorial Optimization Based on Genetic Algorithm 1.3.1 TTP Problem Based on Genetic Algorithm 1.3.2 Traveling Salesman Problem Based on Genetic Algorithm 1.3.3 0-1 Planning Based on Genetic Algorithm 1.4 Image Processing Based on Genetic Algorithm 1.4.1 Image Segmentation Based on Genetic Algorithm 1.4.2 Image Enhancement Based on Genetic Algorithm 1.4.3 Image Change Detection Based on Genetic Algorithm 1.5 Community Detection Based on Genetic Algorithm 1.5.1 Multi-objective Genetic Algorithm 1.5.2 Genetic Coding 1.5.3 Pareto Optimal Solution References Chapter 2 Immune Algorithm 2.1 Biological Immune System and Artificial Immune System 2.2 Implementation of Immune Algorithm 2.2.1 Clonal Selection Algorithm 2.2.2 Artificial Immune System Model 2.3 Cluster Analysis Based on Immune Algorithm 2.3.1 Clustering Problem 2.3.2 Immune evolution method 2.4 Limited arc routing problem based on immune algorithm 2.4.1 Limited arc routing problem model 2.4.2 Limited arc routing problem based on immune coevolution References Chapter 3 Memetic algorithm 3.1 Development history of Memetic algorithm 3.2 Implementation of Memetic algorithm 3.2.1 Memetic algorithm process 3.2.2 Improvement of Memetic algorithm 3.2.3 Classification of Memetic algorithm research 3.3 Community detection based on Memetic algorithm 3.3.1 Multi-objective Memetic optimization algorithm 3.3.2 Local search 3.4 Limited arc routing problem based on Memetic algorithm 3.4.1 Routing distance grouping 3.4.2 Replacement of sub-problem solutions 3.4.3 Decomposition-based Memetic algorithm References Chapter 4 Particle swarm algorithm 4.1 Origin of particle swarm algorithm 4.1.1 Biological basis of particle swarm algorithm 4.1.2 Development history of particle swarm algorithm 4.2 Implementation of particle swarm algorithm 4.2.1 Basic particle swarm algorithm 4.2.2 Improved particle swarm algorithm 4.3 Image processing based on particle swarm algorithm 4.3.1 Image segmentation based on particle swarm algorithm 4.3.2 Image classification based on particle swarm algorithm 4.3.3 Image matching based on particle swarm algorithm 4.4 Optimization problems based on particle swarm algorithm 4.4.1 Traveling salesman problem based on particle swarm algorithm 4.4.2 Distribution center location problem based on particle swarm algorithm 4.4.3 Function optimization based on particle swarm algorithm References Chapter 5 Ant Colony Algorithm 5.1 Origin of Ant Colony Algorithm 5.1.1 Biological basis of Ant Colony Algorithm 5.1.2 Development history of Ant Colony Algorithm 5.2 Implementation of Ant Colony Algorithm 5.2.1 Ant Colony Algorithm Process 5.2.2 Discrete domain and continuous domain Ant Colony Algorithm…… Chapter 6 Wolf Pack Algorithm Chapter 7 Artificial Bee Colony Algorithm Chapter 8 Bacterial Foraging Optimization Algorithm Chapter 9 Distribution Estimation Algorithm Chapter 10 Differential Evolution Algorithm Chapter 11 Simulated Annealing Algorithm Chapter 12 Greedy Algorithm Chapter 13 Raindrop Algorithm Chapter 14 Tabu Search Algorithm Chapter 15 Quantum Search and Optimization Chapter 16 Quantum Particle Swarm Optimization Chapter 17 Least Squares Method Chapter 18 A* Algorithm Chapter 19 Neural Network Algorithm Chapter 20 Deep Learning Algorithm Chapter 21 Reinforcement Learning Chapter 22 Hybrid Intelligence Algorithm