本书以进化计算与粗糙集为研究目标，内容包括进化计算的数列模型及其在收敛性分析中的应用，基于种群信息熵的思维进化算法自适应搜索策略研究，基于位编码可分辨矩阵的规则提取方法的研究，基于思维进化算法和粗糙集的图像处理方法的研究等。
本书可作为计算机专业师生教学参考用书，也可供计算机相关专业研究人员、从业人员阅读。

2 进化计算的数列模型及收敛性分析
2.1 概述
进化计算是在模拟自然界生物的自然选择和遗传进化原理的基础上建立起来的，基于并行群体构造和模拟生物进化操作的随机搜索算法。它对各种复杂的结构进行编码，并通过简单的遗传操作和优胜劣汰的自然选择来指导学习和确定搜索的方向。进化计算具有以下优越性：（1）进化算法在搜索过程中不容易陷入局部*优，即使所定义的适应函数不连续、不规则或有噪声时，也能以很大概率得到全局*优解；（2）进化算法具有内在的并行性；（3）易介入到已有模型中并易于同别的技术混合等。
进化计算在传统优化方法不能解决的非线性、复杂系统优化问题上显示出了突出的优点。近年来随着对相应的进化算法的基本理论、模拟进化方法与算法、与其他技术相结合的研究应用和实验验证，“进化计算”已经作为一个独立的学科被确立，并在实际运用中表现出很强的大规模信息处理能力。
进化计算方法具有鲜明的生物基础，但其理论基础（特别是数学基础）公认是不完善的”。这种不完善主要表现在没有完整的理论解释算法的机理，缺少广泛而完整的有关算法的收敛性理论。
……

1 绪论
1.1 本书背景及意义
1.2 进化计算与思维进化算法
1.2.1 进化计算理论
1.2.2 思维进化算法（MEA）
1.3 粗糙集理论
1.3.1 粗糙集基本概念
1.3.2 粗糙集研究现状
1.4 本书的主要内容及结构安排
1.4.1 主要研究内容
1.4.2 本书的结构安排
参考文献
2 进化计算的数列模型及收敛性分析
2.1 概述
2.2 进化计算
2.2.1 进化计算的主要特点
2.2.2 进化计算的主要分支
2.2.3 进化算法的进化机制
2.2.4 进化算法的统一性描述
2.3 进化计算的种群适值链及收敛性分析
2.3.1 种群适值链
2.3.2 基于种群适值链的收敛性分析
2.3.3 仿真分析
2.4 本章小结
参考文献
3 基于种群进化熵的思维进化算法
3.1 概述
3.2思维进化算法
3.2.1 思维进化算法的提出
3.2.2 基本概念
3.2.3 算法特点
3.2.4 算法构架
3.2.5 研究现状与前景
3.3 基于种群进化熵的思维进化算法（PEMEA）
3.3.1 进化熵
3.3.2 基于种群进化熵的搜索策略
3.3.3 算法收敛性分析
3.3.4 数值优化实验
3.4 本章小结
参考文献
4 基于位编码可分辨矩阵的规则提取方法研究
4.1 概述
4.2 粗糙集理论基本概念
4.2.1 知识与知识表达系统
4.2.2 粗糙集合基本概念”
4.2.3 知识的约筒
……
5 PEMEA与粗糙集理论在图像处理中的应用
6 结论与展望