模型和程序基于自然启发的方法被称为计算智能(CI)。词包括三个主要领域:模糊系统、人工神经网络、进化算法(基于和人口),包括他们的混合组合。通常有利于把它们与传统的方法,如梯度优化或有界详尽的搜索类型。这些方法经常成功地应对复杂性。

计算机科学(CS)定义了复杂系统是棘手的(通常是np难),不确定性和不确定的行为。复杂系统中常见的工程问题,在自然科学领域,在生物系统中,甚至在社会系统。建模、控制、决策支持、搜索和优化往往会导致一个死胡同当经典数学和传统应用CS。从应用方面,然而,它通常是足够的部署方法,提供良好的次优的解决方案。不存在通用算法,“满意解决”可能是通过一个适当的metaheuristic,适合找到有限的最佳类的问题(与有限维数或有界不确定性)和交付接近最优的解决方案更大(仍然有界)类的同样的问题。的“善”这样一个解决方案是用“总成本”。

可以量化组合模型和相关算法的总体成本增加的成本,时间和空间复杂性的成本模型错误。一个“解决方案”(模型或数据结构和算法)是“高效”,如果总成本可能是低或小于一个预定义的阈值。经常在搜索和优化问题有metaheuristics,这当然找到确切的解决方案有限大小和可能发现更广泛的解决方案,而在其他情况下(取决于结构和大小),他们不会找到任何解决方案。需要的资源往往难以预测;因此,从不确定解决方案将被交付。我们希望“有效的”解决方案,这是有效的和可预测的时间可能是普遍适用的。

这个特殊的问题将集中在最近的研究结果对新模型,结构,和算法,主要metaheuristic方法复杂的问题相当良好的建模精度和低和可预见的资源需要合理。

等CI方法通常适用于提供有效的解决方案,邀请作者提出的理论,算法,旨在带来先进的技术和框架计算智能的复杂系统的建模和复杂问题的解决方案。

潜在的主题包括但不限于以下:

• 添入的和分层模糊系统
• 模糊集签名和签名
• 模糊认知地图、人工神经网络和学习系统
• 基因,细菌和其他进化算法(大爆炸大紧缩算法,粒子群优化,帝国主义竞争优化,等等)。
• 混合模型组成的模糊/神经进化算法
• 在复杂系统的背景和问题