第1章　導論
1.1　基本概念
1.2　研究範圍
1.3　基本組成
1.4　精確的定義
1.5　系統架構
1.6　模糊邏輯系統與類神經網路的比較
1.7　適應控制與類神經網路控制的比較

第2章　數學基礎
2.1　向量(Vectors)
2.2　矩陣(Matrices)
2.3　線性轉換(Linear Transformations)
2.4　向量空間(Vector Spaces)
2.5　特徵值與特徵向量(Eigenvalues and Eigenvectors)

第3章　最佳化基本概念
3.1　基本定義
3.2　性能面和最佳值

第4章　梯度演算法
4.1　基本梯度演算法
4.2　判斷步距大小-線搜尋法
4.3　修正率 的影響
4.4　穩定修正率
4.5　解與討論
4.6　應用

第一部　神經網路控制
第5章　類神經網路簡介
5.1　前言
5.2　類神經網路的特性
5.3　神經元模型
5.4　類神經網路的典型功能
5.5　類神經網路架構及運用模式
5.6　類神經網路控制
5.7　應用實例
5.8　小結

第6章　單層感知器
6.1　感知器設計
6.2　基本的兩類型識別
6.3　單層離散感知器網路
6.4　單層連續感知器

第7章　多層前饋式網路
7.1　多層網路的必要性
7.2　單層感知器(單層前饋式網路)
7.3　多層感知器(多層前饋式網路)
7.4　小結
7.5　網路訓練的注意事項

第8章　單層回授網路
8.1　離散時間Hopfield網路
8.2　連續時間[梯度型] Hopfield網路
8.3　迴歸型類神經網路
8.4　Brain-State-in-a-Box模型(BSB Model)

第9章　動態系統識別
9.1　輸出/輸入系統模式識別
9.2　狀態空間模式識別
9.3　傳統與神經網路系統識別的比較

第10章　系統識別與控制整合
10.1　系統識別
10.2　基本控制架構
10.3　應用-類神經網路非直接適應控制
10.4　應用-求解Lyapunov矩陣方程式及控制
10.5　應用-機器人運動控制

第二部　模糊邏輯控制
第11章　模糊邏輯控制簡介
11.1　概論
11.2　模糊邏輯的特色
11.3　模糊邏輯運作機制與應用實例
11.4　模糊理論主要研究領域

第12章　模糊邏輯控制基本概念

第13章　模糊數學
13.1　基本定義
13.2　模糊化
13.3　模糊集合的運算
13.4　模糊關係方程式
13.5　模糊蘊含
13.6　模糊推論
13.7　解模糊化

第14章　模糊邏輯控制
14.1　基本模糊邏輯控制器
14.2　模糊邏輯控制器的設計
14.3　動態系統PID控制的設計範例
14.4　模糊增益排程PID控制

第15章　模糊非線性控制
15.1　擬PID控制的模糊邏輯控制器
15.2　滑動模糊邏輯控制器
15.3　Sugeno模糊邏輯控制

第三部　基因演算控制
第16章　基因演算法則簡介
16.1　生物的基因演化-進化論
16.2　基本概念

第17章　二進制基因演算 (Binary Genetic Algorithm；BGA)
17.1　演化過程
17.2　設定要領
17.3　高階基因演算機制
17.4　結構化基因演算法
17.5　設計適應函數
17.6　基因演算法範例

第18章　實數型基因演算法則

第19章　進化演算
19.1　進化過程
19.2　進化策略
19.3　進化演算法的主要特性
19.4　基因演算法與進化演算法的比較
19.5 螞蟻演算法

第20章　進階基因演算法
20.1　混基因與梯度演算法
20.2　雙族群基因演算法
20.3　多目標最佳化演算法

第21章　DNA演算法
21.1　DNA編碼概論
21.2　DNA演算法
21.3　應用

第22章　綜合應用
22.1　類神經網路學習
22.2　最佳路徑規劃
22.3　控制的應用
22.4　以基因模糊邏輯模式設計導引控制系統

參考文獻

第1章　導論
1.1　基本概念
1.2　研究範圍
1.3　基本組成
1.4　精確的定義
1.5　系統架構
1.6　模糊邏輯系統與類神經網路的比較
1.7　適應控制與類神經網路控制的比較

第2章　數學基礎
2.1　向量(Vectors)
2.2　矩陣(Matrices)
2.3　線性轉換(Linear Transformations)
2.4　向量空間(Vector Spaces)
2.5　特徵值與特徵向量(Eigenvalues and Eigenvectors)

第3章　最佳化基本概念
3.1　基本定義
3.2　性能面和最佳值

第4章　梯度演算法
4.1　基本梯度演算法
4.2　判斷步距大小-線搜尋法
4.3　修正率...