內容簡介
各章節內容具體安排如下： 第1章主要介紹pso算法的原理、特點、流程和相關研究進展。第2章從系統性的角度，闡述群體智慧型最佳化的統一框架和收斂性理論，給出算法設計的指導性原則。第3章闡述基於PSO算法的無約束最佳化研究，介紹混沌PSO算法、退火PSO算法及其套用。第4章闡述基於PSO算法的約束最佳化研究，介紹協進化PSO算法、基於可行性規則的PSO算法及其相關改進。第5章闡述基於PSO算法的不確定最佳化研究，介紹基於假設檢驗和基於序最佳化的PSO算法及其相關套用。第6章重點闡述基於PSO算法的置換流水線調度研究，介紹算法的詳細設計和仿真結果。第7章分別闡述零等待、有限緩衝區、多目標、不確定、零空閒等複雜流水線調度的PSO算法設計與仿真結果。第8章闡述作業車間調度的連續PSO算法和離散PSO算法的設計與仿真結果。
本書主要面向計算機、自動化、管理、機械等學科的教師、學生以及相關領域研究與開發技術人員。
作者簡介
王凌，男，1972年8月生，江蘇武進人，博士。1935年和1999年在清華大學自動化系分別獲學士和博士學位，畢業後留校任教，2002年晉升副教授、研究生導師，2007年在美國密西根大學從事訪問學者一年。現擔任IEEE計算智慧型協會（CIS）湧現技術委員會（ETTC）委員，山東大學威海分校兼職教授，聊城大學兼職教授，歐洲工業工程期刊（EJIE）、國際自動化與控制期刊（IJAAC）、國際軟計算期刊（IJSC）、開放性運籌學期刊（OORJ）、國際工程與套用科學期刊（IJEAS）、國際電氣與電力工程期刊（IJEPE）、亞洲信息技術期刊（AJIT）等國際期刊的編委，國家自然科學基金項目、科技部863項目以及霍英東基金項目的通訊評議專家，IEEE-T-SMC-B、IEEE-T-EC、IEEE-T-NN、IEEE-T-ASE、C&OR、C&IE、EJOR等20多家國際著名期刊的評審，《中國科學》、《自動化學報》、《計算機學報》、《軟體學報》、《電子學報》等40多家國內著名期刊的評審。
主要研究興趣為智慧型最佳化理論與方法、生產調度系統建模與最佳化等。先後承擔和參與國家自然科學基金項目5項、科技部973項目子課題2項、科技部863項目4項、北京市科委項目1項以及若干國際合作、企業合作項目。已出版專著《智慧型最佳化算法及其套用》、《車間調度及其遺傳算法》，譯著《過程的動態特性與控制》，並參編《中國大百科全書》第二版。已在IEEE-T-SMC-A、IEEE-T-SMC-B、C&OR、IJPR、EAAl、AMC、CS&F、IJAMT、PLA等國內外著名學術刊物上發表論文150篇，其中SCl已收錄50篇、El已收錄80篇。所發表論著至今已被SCI引用260餘次、被中國知識網CNKl他引2400餘次、被Google學術搜尋他引1300餘次。曾獲2003年度教育部提名國家自然科學獎一等獎、2097年度高等學校自然科學獎二等獎、清華大學優秀博士論文一等獎、ICMLC’02國際會議優秀論文獎、中國CDC’05年會優秀論文獎、ICT’06國際會議優秀論文獎、清華大學出版社優秀圖書一等獎、清華大學優秀教材二等獎、清華大學優秀班主任一等獎。2004年入選北京市科技新星。
目錄
第1章 微粒群最佳化算法
1.1 微粒群最佳化算法的基本原理
1.2 基本微粒群最佳化算法
1.3 基本微粒群最佳化算法的流程和特點
1.4 微粒群最佳化算法的改進研究
1.5 複雜環境下的微粒群最佳化算法研究
1.5.1 基於PSO算法的多目標最佳化
1.5.2 基於PSO算法的約束最佳化
1.5.3 基於PSO算法的離散最佳化
1.5.4 基於PSO算法的動態最佳化
1.6 微粒群最佳化算法的套用研究
1.7 微粒群最佳化算法研究總結與展望
參考文獻
第2章 群體智慧型最佳化統一框架
2.1 群體智慧型最佳化算法理論研究進展
2.1.1 統一框架研究概述
2.1.2 收斂性理論研究概述
2.2 群體智慧型最佳化算法的統一描述
2.2.1 群體智慧型最佳化算法的基本環節
2.2.2 群體智慧型最佳化算法的統一框架
2.3 群體智慧型最佳化框架的實例化
2.3.1 微粒群最佳化算法
2.3.2差分進化算法
2.3.3 分散搜尋算法
2.3.4 蟻群算法
2.3.5 遺傳算法
2.3.6 進化規劃
2.3.7 進化策略
2.4 基於統一框架的群體智慧型最佳化算法設計
2.4.1 社會協作策略的選擇
2.4.2 自我適應策略的選擇
2.4.3 競爭策略的選擇
2.5 混合群體智慧型最佳化算法的統一描述
2.5.1 混合群體智慧型最佳化算法的基本環節
2.5.2 混合群體智慧型最佳化算法的統一框架
2.6 基於統一框架的算法收斂性分析
2.6.1 基礎知識
2.6.2 基於統一框架的群體智慧型最佳化算法性能分析
2.6.3 基於統一框架的混合智慧型算法性能分析
2.7 小結
參考文獻
第3章 基於PSO算法的無約束最佳化
3.1 混沌微粒群最佳化算法
3.1.1 自適應慣性權因子
3.1.2 混沌局部搜尋
3.1.3 混沌PSO算法
3.1.4 仿真實驗
3.2 結合模擬退火的微粒群最佳化算法
3.2.1 混合算法的設計思想
3.2.2 混合微粒群最佳化算法流程
3.2.3 基於混合PSO算法的參數估計
3.3 基於PSO算法的混沌系統控制與同步
3.3.1 混沌系統的控制和同步問題描述
3.3.2 混沌系統控制的仿真
3.3.3 混沌系統同步的仿真
參考文獻
第4章 基於PSO算法的約束最佳化
4.1約束最佳化問題描述
4.2 智慧型約束處理技術概述
4.2.1 無約束化處理
4.2.2 基於排序的方法
4.2.3 基於多目標的方法
4.2.4 特殊運算元法
……
第5章 基於PSO算法的不確定最佳化
第6章 基於PSO算法的置換流水線調度
第7章 基於PSO算法的複雜流水線調度
第8章 基於PSO算法的作業車間調度
書摘插圖
第1章 微粒群最佳化算法
微粒群最佳化（partic1e swarm optimization，PSO）算法，是基於群體智慧型理論的一種新興演化計算技術。PSO算法通過群體中微粒間的合作與競爭而產生的群體智慧型指導最佳化搜尋，算法具有較強的通用性，具有全局尋優的特點。本章主要介紹基本微粒群最佳化算法的搜尋機制、特點和流程，全面綜述PSO算法的改進與套用研究，為讀者開展微粒群最佳化算法的研究與套用提供指導。
1.1 微粒群最佳化算法的基本原理
生物群體內個體間的合作與競爭等行為產生的群體智慧型，往往能給某些特定的問題提供高效的解決方法。鳥類在搜尋食物的過程中，個體之間可以進行信息的交流和共享，每個成員可以得益於所有其他成員的發現和飛行經歷。當食物源不可預測地零星分布時，這種協作帶來的優勢是決定性的，遠大於對食物的競爭帶來的劣勢。
美國心理學家Kennedy和電氣工程師Eberhart受這種行為的啟發，於1995年提出了微粒群最佳化算法。PSO算法是一種基於群體智慧型的隨機尋優算法，它模仿鳥類的覓食行為（如圖1.1所示），將問題的搜尋空間類比於鳥類的飛行空間，將每隻鳥抽象為一個無質量無體積的微粒，用以表征問題的一個候選解，最佳化所需要尋找的最優解則等同於要尋找的食物。PSO算法為每個微粒制定了類似於鳥類運動的簡單行為規則，從而使整個微粒群的運動表現出與鳥類覓食類似的特性，進而用於求解複雜的最佳化問題。
……
