內容簡介
《微粒群最佳化算法》分為9章，第1、第2章介紹了微粒群算法的概念、基本方程以及相關社會行為分析等，並給出了一個較為詳細的綜述。第3～5章從生物學背景出發，分別從個體的覓食時間、覓食行為、覓食決策等方面探討了微粒群算法的改進模式。第6～8章的研究內容則從控制角度出發探討微粒群算法的相關控制方式。在現實世界中，由於目標函式計算困難或計算時間較長等因素，許多複雜的最佳化問題難以利用微粒群算法進行最佳化。為此，第9章利用適應值預測方式來提高算法性能，從而為解決相關套用問題提供了參考。
《微粒群最佳化算法》適合從事智慧型計算研究與套用的科技工作者和工程技術人員閱讀使用，也可作為高等院校計算機科學與技術、控制科學與工程等學科的高年級本科生及研究生的教學參考書。
圖書目錄
序
前言
第1章 緒論
1.1 問題的提出
1.2 智慧型計算概述
1.2.1 智慧型計算分類
1.2.2 智慧型計算原理
1.2.3 無免費午餐定理
1.3 常見的智慧型計算算法
1.3.1 人工神經網路
1.3.2 模糊邏輯
1.3.3 進化計算
1.3.4 人工免疫系統
1.4 人工生命
1.4.1 人工生命的概念
1.4.2 人工生命的基本思想
1.4.3 人工生命的研究內容
1.5 群體智慧型
1.5.1 人工動物
1.5.2 群體智慧型
1.5.3 常見的群體智慧型算法
1.6 本書的篇章結構
參考文獻
第2章 微粒群算法概要
2.1 標準微粒群算法
2.1.1 生物學背景
2.1.2 基本概念及進化方程
2.1.3 算法流程
2.1.4 社會行為分析
2.1.5 與其他進化算法的比較
2.2 微粒群算法的系統學特徵
2.2.1 微粒群算法的系統觀點
2.2.2 算法的自組織性和湧現特性
2.2.3 微粒群算法的反饋控制機制
2.2.4 微粒群算法的分散式特點
2.3 參數選擇策略
2.3.1 慣性權重
2.3.2 認知係數與社會係數
2.3.3 其他參數的調整
2.4 常見的改進微粒群算法
2.5 微粒群算法的行為及收斂性分析
2.6 小結
參考文獻
第3章 微分進化微粒群算法
3.1 引言
3.2 微粒群算法的統一模型
3.2.1 統一模型
3.2.2 基於統一描述模型的PSO算法進化行為分析
3.2.3 收斂性分析
3.3 標準微粒群算法的數值算法分析
3.3.1 標準微粒群算法的微分方程模型
3.3.2 生物學背景
3.3.3 常見的微分方程數值方法介紹
3.4 微分進化微粒群算法
3.4.1 基於不同數值計算方法的微分進化微粒群算法
3.4.2 參數的選擇
3.4.3 絕對穩定性
3.4.4 步長九的選擇方式
3.4.5 算法流程
3.4.6 實例仿真
3.5 小結
參考文獻
第4章 模擬覓食行為的微粒群算法
4.1 最優覓食微粒群算法
4.1.1 最優覓食理論
4.1.2 速度更新方程
4.1.3 基於幾何速度穩定性的參數選擇
4.1.4 仿真結果
4.2 食物引導的微粒群算法
4.2.1 內部飢餓函式
4.2.2 算法思想
4.2.3 進化方程構造
4.2.4 速度變異策略
4.2.5 算法步驟
4.2.6 實例仿真
4.3 風險效益微粒群算法
4.3.1 生物學基礎
4.3.2 進化方程
4.3.3 數值仿真
4.4 小結
參考文獻
第5章 基於決策思想的微粒群算法
5.1 引言
5.2 慣性權重的個性化選擇策略
5.2.1 類繁殖池策略
5.2.2 類FUSS策略
5.2.3 類錦標賽策略
5.2.4 基於混沌思想的變異策略
5.2.5 隨機變異策略
5.2.6 數值仿真
5.3 利用個體決策歷史信息的微粒群算法
5.3.1 個體決策介紹
5.3.2 利用個體決策歷史信息的微粒群算法
5.3.3 數值仿真
5.3.4 基於小世界模型的個體決策微粒群算法
5.4 在非線性方程組求解的套用
5.4.1 非線性方程組及其等價最佳化模型
5.4.2 仿真實驗
5.5 小結
參考文獻
第6章 帶控制器的微粒群算法
6.1 引言
6.2 標準微粒群算法的控制理論分析
6.3 積分控制微粒群算法
6.3.1 積分控制微粒群算法的進化方程
6.3.2 穩定性分析
6.3.3 參數選擇
6.3.4 ICPSO算法流程
6.4 PID控制微粒群算法
6.4.1 PID控制微粒群算法的進化方程
6.4.2 基於支撐集理論的分析
6.4.3 基於穩定性理論的分析
6.4.4 參數選擇
6.4.5 數值最佳化仿真
6.5 帶控制器PSO算法在混沌系統控制中的套用
6.5.1 混沌系統的控制問題描述
6.5.2 混沌系統控制的微粒群算法求解
6.6 小結
參考文獻
第7章 基於多樣性控制的自組織微粒群算法
7.1 引言
7.2 自組織微粒群算法
7.2.1 群體多樣性測度
7.2.2 多樣性參考輸入的確定
7.2.3 多樣性控制器的設計
7.2.4 仿真實驗與結果分析
7.3 自組織微粒算法在約束布局最佳化中的套用
7.3.1 約束布局最佳化問題
7.3.2 求解約束布局最佳化問題的自組織微粒群算法
7.3.3 實例套用及結果分析
7.4 小結
參考文獻
第8章 基於知識的協同微粒群算法
8.1 引言
8.2 基於知識的協同微粒群算法
8.2.1 基本概念
8.2.2 KCPSO的模型結構
8.2.3 知識集的定義
8.2.4 KCPSO的行為控制
8.2.5 KCPSO算法的流程
8.3 算法的收斂性分析
8.3.1 隨機最佳化算法全局和局部收斂的判據
8.3.2 KCPSO收斂性
8.4 仿真實驗與分析
8.5 小結
參考文獻
第9章 微粒群算法的適應值預測策略
9.1 引言
9.2 常見的適應值預測方法
9.2.1 多項式模型
9.2.2 Kriging模型
9.2.3 神經網路模型
9.2.4 支持向量機模型
9.3 基於適應值的加權平均預測
9.3.1 適應值預測策略
9.3.2 算法思想
9.3.3 兩種預測公式
9.3.4 預測的比例討論
9.3.5 算法流程
9.3.6 基於適應值預測的隨機期望值模型求解
9.4 基於可信度的預測
9.4.1 可信度介紹
9.4.2 基於式(9.19)的可信度預測
9.4.3 基於式(9.20)的可信度預測
9.4.4 預測個體的比例分析
9.4.5 基於適應值預測的隨機機會約束規劃求解
9.5 小結
參考文獻
附錄A 微粒群算法及群體智慧型的圖書與特刊
附錄B 典型測試函式
附錄C 標準微粒群算法的Matlab程式原始碼
