●第1章 進化計算
1.1 進化計算概述
1.1.1 基本原理
1.1.2 進化計算的一般框架
1.1.3 進化計算研究現狀
1.1.4 進化計算典型算法
1.2 人工免疫繫統
1.2.1 基本原理
1.2.2 人工免疫繫統研究現狀
本章參考文獻
第2章 群體智能算法
2.1 群體智能概述
2.2 蟻群優化算法
2.2.1 基本原理
2.2.2 蟻群算法理論研究現狀
2.2.3 蟻群算法應用研究現狀
2.3 粒子群優化算法
2.3.1 基本原理
2.3.2 粒子群算法的理論研究現狀
2.3.3 粒子群算法的應用研究現狀
本章參考文獻
第3章 量子進化計算
3.1 量子進化計算
3.1.1 基本概念
3.1.2 量子進化算法
3.2 量子克隆進化計算
3.2.1 基本概念
3.2.2 量子克隆進化算法
3.2.3 量子克隆進化算法的結構框架
3.2.4 量子克隆進化算法的收斂性
3.2.5 量子克隆進化算法仿真
3.2.6 量子克隆進化算法的並行實現
3.3 量子免疫克隆多目標優化算法
3.3.1 多目標優化
3.3.2 量子免疫克隆多目標優化算法
3.3.3 算法分析
3.3.4 實驗結果及分析
3.4 結論與討論
本章參考文獻
第4章 量子粒子群優化
4.1 量子粒子群算法基礎
4.1.1 量子粒子群優化算法
4.1.2 量子粒子群優化算法的改進算法
4.2 基於協作學習的單目標量子粒子群優化
4.2.1 協作學習策略
4.2.2 基於協作學習策略的量子粒子群算法框架及實現
4.2.3 實驗結果及分析
4.3 基於記憶策略的動態單目標量子粒子群優化
4.3.1 動態優化環境下的記憶策略
4.3.2 基於記憶策略的動態單目標量子粒子群算法框架實現
……

本書在總結自然計算領域主要理論研究和實際應用成果的基礎上，著重對近年來量子計算智能領域常見的理論及技術進行了較為全面的闡述，並結合作者多年的研究成果，對相關理論及技術在應用領域的實踐情況進行了展示和總結。全書從優化和學習兩個方面展開，分為八章，主要內容包括進化計算、群體智能算法、量子進化計算、量子粒子群優化，以及基於量子智能優化的數據聚類、數據分類、網絡學習和相關應用。
本書可為人工智能、計算機科學、信息科學、自動化技術等領域及其交叉領域中從事量子計算、進化算法、機器學習及相關應用研究的技術人員提供參考，也可作為相關專業研究生和高年級本科生的教材（其中前四章為基礎理論，適合本科生使用，後四章為高階算法，適合研究生使用）。

人工智能進入了一個快速發展的時期，未來人類社會將需要更強大的計算能力和更高效的計算方法，摩爾定律正在失效，但量子力學態疊加原理給了我們關於未來計算的啟示和希望，“世界經濟和各個國家最終的命運可能取決於奇異的和違反直覺的量子理論的原則”（加來道雄，《物理學的未來》）。目前，量子計算和人工智能是最令學界和業界振奮的未來科技，它們的結合勢必帶來領域的重大進步，甚至是超越想像的社會革新。量子計算（Quantum Computation，QC）的研究始於1982年。 量子計算首先被諾貝爾物理學獎獲得者Richard Feynman看成是一個物理過程，計算機理論和物理學自此被學者們聯繫到一起來進行鑽研。現在量子計算已經成為當今世界各國緊密跟蹤的前沿學科之一。我國發布的《國家中長期科學和技術發展規劃綱要（2006—2020年）》中將“量子調控研究”列為四個重大科學研究計劃之一。量子計算的並行性、指數級存等