| 本书共分七章，主要研究了智能管理及智能管理系统中的方法与技术。第一章介绍了智能管理、智能管理系统及其发展概况；第二章主要研究了机器学习中的案例推理技术、粗糙集理论、神经网络和基于机器学习的智能管理系统；第三章研究了多Agent系统的基本理论、多Agent问题合作求解、多Agent环境下的智能管理技术；第四章包括智能优化的相关概念及其特点，主要是禁忌搜索算法、遗传算法和蚁群优化技术；第五章是数据挖掘技术及其在管理系统中的应用，主要包括聚类分析、文本分类、时间序列分析、离群数据挖掘等技术；第六章是关于知识管理、知识管理系统及其相关智能技术；第七章是分形理论及其发展的相关介绍、分形在管理领域的应用及智能分形技术的深入探讨。 |
| 前言 第一章 智能管理与智能管理系统 1.1 智能管理的基本概念 1.1.1 管理与管理系统 1.1.2 信息系统 1.1.3 人工智能 1.1.4 人工智能在管理系统中的应用 1.2 智能管理系统的基本理论 1.2.1 智能管理系统的产生 1.2.2 智能管理系统的框架 1.2.3 智能管理系统的设计方法与技术 1.2.4 智能管理系统的常用技术 1.3 智能技术与方法概述 参考文献 第二章 机器学习 2.1 概述 2.1.1 引言 2.1.2 机器学习的主要策略 2.1.3 机器学习的算法理论基础 2.2 案例学习 2.2.1 CBR的工作特点 2.2.2 相似性 2.2.3 案例索引与检索 2.2.4 CBR的修正技术 2.2.5 案例库维护 2.3 粗糙集理论 2.3.1 粗糙集基本理论 2.3.2 决策表达逻辑 2.3.3 粗糙集与案例学习系统 2.4 神经网络 2.4.1 神经网络基本理论 2.4.2 神经网络与案例学习 2.4.3 神经网络与智能管理系统 2.5 基于机器学习的智能管理系统 2.5.1 基于机器学习的智能管理系统 2.5.2 基于粗糙集的智能决策支持系统 2.5.3 一种基于相似粗糙集技术的案例库维护 2.5.4 基于多层前馈神经网络的案例学习系统 参考文献 第三章 多Agent技术 3.1 现代管理与多Agent系统 3.1.1 组织结构与决策机制的变化趋势 3.1.2 现代管理对信息技术的依赖性和要求 3.1.3 多Agent技术在现代管理中的作用 3.2 Agent和多Agent系统的基本理论 3.2.1 Agent的基本概念及发展历程 3.2.2 Agent组织的形成 3.2.3 MAS中的协商、协调与合作机制 3.2.4 MAS的社会性和社会规范 3.2.5 Internet环境下的Agent／MAS研究 3.3 多Agent系统的问题求解 3.3.1 多Agent系统的问题求解能力分析 3.3.2 MDP与状态空间搜索 3.3.3 基于动态MDP模型的MAS系统合作求解能力分析 3.4 证据理论与多Agent合作问题求解 3.4.1 D—S证据理论简介 3.4.2 基于概念树结构的多Agent合作求解模型 3.4.3 多Agent环境下辨识空间的调整 3.4.4 多Agent环境下的相关证据问题 3.4.5 Agent求解结果的合成 3.5 多Agent环境下的决策支持和知识共享 3.5.1 分布式环境下多Agent协作决策与知识共享的特点 3.5.2 面向任务的知识共享多Agent系统模型 3.5.3 分布式环境下多Agent系统的知识发现及共享 3.6 多Agent系统中的任务调度和资源配置 3.6.1 多Agent系统任务调度机制的设计与评价 3.6.2 基于经济学模型的资源配置机制 3.6.3 基于均衡市场机制的多Agent系统任务调度算法及效果分析 参考文献 第四章 智能优化技术 4.1 智能优化概述 4.1.1 智能优化 4.1.2 智能优化技术的类型 4.1.3 智能优化技术的特点 4.1.4 算法及收敛 4.2 禁忌搜索算法 4.2.1 禁忌搜索算法 4.2.2 禁忌搜索算法关键参数 4.2.3 禁忌搜索算法求解TSP问题 4.2.4 禁忌搜索算法对图结构案例的检索 4.2.5 禁忌搜索算法的改进 4.3 遗传算法 4.3.1 遗传算法的主要特征 4.3.2 遗传算法的关键问题及方法 4.3.3 遗传算法在智能管理中的应用 4.4 蚁群优化技术 4.4.1 蚁群算法 4.4.2 蚁群算法的改进 4.4.3 蚁群算法…… |
内容加载中，请稍后...
商品评论（0条）