当前位置:首页 > 工业技术
群智能优化算法及其应用
群智能优化算法及其应用

群智能优化算法及其应用PDF电子书下载

工业技术

  • 电子书积分:14 积分如何计算积分?
  • 作 者:雷秀娟著
  • 出 版 社:北京:科学出版社
  • 出版年份:2012
  • ISBN:9787030346278
  • 页数:447 页
图书介绍:本书以应用问题展开,以群智能优化算法中的粒子群优化(ParticleSwarmOptimization,PSO)算法为主线,着重阐述了PSO算法的基本原理、改进策略及应用,对蚁群优化(AntColonyOptimization,ACO)算法、人工鱼群(ArtificialFishSchool,AFS)算法以及新颖的人工蜂群(ArtificialBeeColony,ABC)算法和细菌觅食优化(BacteriaForagingOptimization,BFO)算法等其他智能优化方法及应用也作了简要介绍。对PSO算法的实际应用从解空间设计、粒子编码以及求解流程等方面进行了详细设计与阐述,应用领域包括:单模态、多模态函数的优化;旅行商问题;交通优化与调度问题(公交车优化调度、物流系统车辆优化调度、交通信号配时优化、航班进离场调度);路径规划问题(机器人全局路径规划、机器人动态路径规划、无人机航路规划);图像处理中的优化问题(图像分割、图像压缩和图像增强等);生物序列比对及蛋白质交互作用(Protein-ProteinInteraction,PPI)网络。同时也将蚁群算法、人工蜂群算法、人工鱼群
《群智能优化算法及其应用》目录

第1章 绪论 1

1.1引言 1

1.2群智能优化算法的思想起源 3

1.2.1粒子群优化算法 4

1.2.2蚁群优化算法 6

1.2.3人工蜂群算法 8

1.2.4人工鱼群算法 11

1.2.5细菌觅食优化算法 14

1.3本书组织结构 18

1.4小结 20

参考文献 20

第2章 经典优化理论与方法 24

2.1引言 24

2.2线性规划 25

2.2.1凸集和凸函数 25

2.2.2线性规划的基本性质 26

2.3非线性规划 29

2.4整数规划 30

2.4.1分支定界法 31

2.4.2割平面法 32

2.4.3指派问题 34

2.5动态规划 37

2.5.1动态规划的一些基本概念 37

2.5.2动态规划的基本定理和基本方程 39

2.5.3逆推解法和顺推解法 40

2.5.4动态规划与静态规划的关系 40

2.6多目标优化 41

2.6.1多目标优化问题描述 41

2.6.2基于Pareto的多目标最优解集 42

2.7小结 44

参考文献 44

第3章 智能优化方法 45

3.1引言 45

3.2遗传算法 46

3.2.1概述 46

3.2.2基本遗传算法的描述 48

3.2.3基本遗传算法的实现 50

3.2.4遗传算法的应用步骤 52

3.3模拟退火算法 54

3.4禁忌搜索算法 57

3.4.1局部搜索 57

3.4.2禁忌搜索 58

3.5蚁群优化算法 59

3.5.1基本蚁群优化算法的原理 59

3.5.2基本蚁群优化算法的系统学特征 61

3.5.3基本蚁群优化算法的数学模型 63

3.5.4基本蚁群优化算法的具体实现 65

3.6人工鱼群算法 67

3.6.1算法描述 67

3.6.2算法步骤 68

3.7人工蜂群算法 69

3.7.1算法描述 69

3.7.2算法步骤 70

3.8细菌觅食优化算法 70

3.8.1趋向性操作 71

3.8.2复制操作 71

3.8.3迁徙操作 73

3.9免疫算法 75

3.9.1免疫算法的基本原理 75

3.9.2免疫算子的机理 76

3.10 DNA计算 78

3.10.1 DNA计算的研究背景 78

3.10.2 DNA计算机理及其特点 78

3.10.3 DNA计算的分类与模型 79

3.10.4 DNA计算的应用以及研究重点与难点 81

3.11小结 82

参考文献 83

第4章 粒子群优化算法 87

4.1引言 87

4.2基本PSO算法 87

4.3加惯性权重的PSO算法 89

4.3.1线性调整w的策略 89

4.3.2模糊调整w的策略 90

4.3.3随机调整w的策略 90

4.4带收缩因子的PSO算法 90

4.5收敛性分析 91

4.5.1收敛性条件的导出 91

4.5.2原始粒子群优化算法收敛性分析 96

4.5.3带收缩因子的PSO算法的收敛性分析 97

4.5.4粒子运动轨迹对收敛性的影响 97

4.6参数分析 100

4.6.1.惯性权重 100

4.6.2种群规模 104

4.6.3拓扑结构 104

4.7 PSO算法与控制理论中的典型环节 106

4.7.1标准PSO算法方程 106

4.7.2比例环节 106

4.7.3一阶惯性环节 106

4.7.4.二阶振荡环节 107

4.8几种改进策略 109

4.8.1混合PSO算法模型 109

4.8.2协同PSO算法模型 111

4.8.3免疫PSO算法模型 111

4.8.4离散二进制PSO算法模型 111

4.8.5基于种群密度的PSO算法模型 112

4.8.6适应度定标策略模型 114

4.8.7自适应信道均衡算法模型 115

4.8.8基于全局信息反馈的PSO算法模型 117

4.8.9局部PSO算法模型 118

4.8.10 PSO算法的拓扑改进 118

4.8.11分层PSO算法模型 121

4.8.12基于雁群启示的PSO算法模型 121

4.8.13异步PSO算法模型 123

4.8.14动态双种群PSO算法模型 124

4.8.15 量子PSO算法模型 125

4.8.16混沌PSO算法模型 127

4.9小结 128

参考文献 129

第5章PSO算法用于函数优化 132

5.1引言 132

5.2标准PSO(SPSO)算法 133

5.3带收缩因子和惯性权重线性递减的PSO(W-K-PSO)算法 133

5.4二阶振荡PSO(SOPSO)算法 134

5.4.1算法描述 134

5.4.2学习因子对算法收敛性的影响 134

5.5量子PSO算法 136

5.6模拟退火PSO(SAPSO)算法 137

5.7基于雁群启示的PSO算法 138

5.7.1 GeeseLDW算法的实现步骤 139

5.7.2 GeeseLDW算法的时间复杂度 139

5.8遗传PSO(GAPSO)算法 140

5.9仿真实验及结果分析 141

5.9.1 SAPSO算法的两种退火方式对比 142

5.9.2边界处理 143

5.9.3各算法对6个测试函数的优化比较 144

5.9.4 PSO算法在二维多模态函数上的动态寻优过程 149

5.10小结 150

参考文献 150

第6章 群智能优化算法求解TSP 152

6.1引言 152

6.2改进的自组织PSO算法求解TSP 153

6.2.1自组织机制 153

6.2.2改进的自组织PSO算法 154

6.2.3基于交换子和交换序的改进自组织PSO算法求解TSP 156

6.3改进的混合PSO算法求解TSP 159

6.3.1 PSO算法与GA算法、SA算法、ACO算法的比较 159

6.3.2混合粒子群优化(Hybrid PSO, HPSO)算法 160

6.3.3改进的混合PSO(LD-HPSO)算法求解TSP 162

6.3.4基于雁群启示的混合粒子群(Geese-HPSO)算法求解TSP 163

6.4网络路由优化 170

6.4.1 QoS网络路由 170

6.4.2基于ACA的QoS网络路由算法 173

6.4.3改进的蚁群算法在QoS网络路由中的应用 176

6.5小结 180

参考文献 181

第7章PSO算法求解交通优化与调度问题 183

7.1引言 183

7.2基于W-K-PSO算法的公交车优化调度 184

7.2.1公交车调度模型 184

7.2.2基于W-K-PSO算法的公交调度算法设计 189

7.2.3仿真实验 189

7.2.4小结 193

7.3免疫PSO算法求解多库房带时间窗VRP 193

7.3.1多库房带时间窗VRP 194

7.3.2免疫PSO算法 195

7.3.3实验仿真与结果分析 197

7.3.4小结 200

7.4 PSO算法求解交通信号配时优化 201

7.4.1基本概念及问题描述 201

7.4.2灾变粒子群优化算法 206

7.4.3单交叉路口信号优化 208

7.4.4多交叉路口信号优化 212

7.5 PSO算法求解航班进场调度 217

7.5.1引言 217

7.5.2需求确定容量确定的单机场地面等待 218

7.5.3需求确定容量随机的单机场地面等待 224

7.6 PSO算法求解航班离场调度 231

7.6.1引言 231

7.6.2航班离场问题描述 231

7.6.3航班离场排序模型 232

7.6.4算法设计 233

7.6.5仿真实验及结果分析 234

7.6.6小结 241

7.7小结 241

参考文献 242

第8章 群智能算法与路径规划 244

8.1引言 244

8.2机器人全局路径规划的蚁群优化算法应用 244

8.2.1环境建模 244

8.2.2路径表示 245

8.2.3基于蚁群优化算法的路径规划 246

8.2.4算法步骤 246

8.2.5仿真实验及结果分析 247

8.2.6小结 249

8.3机器人全局路径规划的粒子群优化算法应用 249

8.3.1环境建模 249

8.3.2碰撞检测 251

8.3.3基于二阶振荡粒子群优化算法的路径规划 251

8.3.4基于混合正交粒子群优化算法的路径规划 254

8.3.5小结 258

8.4机器人动态路径规划的人工蜂群算法应用 259

8.4.1动态环境表示 259

8.4.2时间滚动窗口策略 260

8.4.3基于人工蜂群算法的局部路径规划 261

8.4.4算法步骤 264

8.4.5仿真实验及结果分析 265

8.4.6小结 266

8.5无人机航路规划的人工鱼群算法应用 267

8.5.1环境建模 267

8.5.2航路表示 268

8.5.3基于人工鱼群算法的航路规划 268

8.5.4算法步骤 269

8.5.5仿真实验及结果分析 270

8.5.6小结 272

8.6小结 272

参考文献 272

第9章PSO算法与图像处理 273

9.1引言 273

9.2基于PSO算法和二维最大熵的图像分割 273

9.2.1引言 273

9.2.2二维直方图理论 274

9.2.3二维最大熵分割理论 276

9.2.4二维Otsu分割理论 276

9.2.5基于GeesePSO算法的二维最大熵算法设计 277

9.2.6基于GAPSO算法的二维Otsu算法设计 278

9.2.7仿真实验及结果分析 278

9.2.8小结 282

9.3基于QPSO算法的矢量量化图像压缩 282

9.3.1引言 282

9.3.2矢量量化图像压缩原理 283

9.3.3算法设计 284

9.3.4仿真实验 285

9.3.5小结 287

9.4压缩速度范围PSO算法的图像自适应增强 287

9.4.1引言 287

9.4.2灰度变换 288

9.4.3压缩速度范围的改进粒子群算法 290

9.4.4压缩速度范围改进PSO(CV-PSO)算法实现灰度自适应增强 291

9.4.5仿真实验 292

9.4.6小结 295

9.5小结 295

参考文献 295

第10章 群智能优化算法与生物序列比对 297

10.1引言 297

10.2序列比对的定义 297

10.3双序列比对 299

10.3.1 Needleman-Wunsch算法 300

10.3.2 Smith-Waterman算法 301

10.4多序列比对 302

10.4.1基于混沌粒子群优化算法的多序列比对 302

10.4.2改进惯性权重粒子群优化算法在多序列比对中的应用 307

10.4.3人工蜂群算法在多序列比对中的应用 313

10.5小结 319

参考文献 319

第11章 群智能聚类融合算法与PPI网络 321

11.1引言 321

11.2聚类基本原理 321

11.2.1聚类问题的一般描述 321

11.2.2相似性度量方法 323

11.3传统的聚类算法简介 325

11.3.1基于划分的方法 325

11.3.2基于层次的方法 325

11.3.3基于模型的方法 326

11.3.4基于密度的方法 326

11.3.5基于网格的方法 327

11.3.6小结 327

11.4 K均值聚类算法 327

11.4.1 K均值聚类算法的工作原理 328

11.4.2 K均值聚类算法的数学描述 328

11.4.3 K均值聚类算法的编码和适应度函数的选择 328

11.4.4基于智能优化算法的K均值聚类 329

11.4.5仿真结果及结论 332

11.4.6 小结 333

11.5投影寻踪聚类模型 334

11.5.1投影寻踪的发展及研究内容 334

11.5.2投影寻踪聚类分析 334

11.5.3投影寻踪学习网络 335

11.5.4投影寻踪模型 335

11.5.5投影寻踪聚类模型 336

11.5.6基于智能优化算法的投影寻踪聚类模型 338

11.5.7基本投影寻踪聚类模型的仿真结果及结论 339

11.5.8投影寻踪数学模型的改进 341

11.5.9小结 344

11.6蛋白质相互作用(PPI)网络 345

11.6.1蛋白质相互作用网络及其特征 345

11.6.2 PPI网络的群智能聚类优化方法 347

11.6.3.PPI数据库与数据预处理 349

11.7谱聚类融合算法 353

11.7.1带收缩因子的粒子群优化算法 353

11.7.2改进的谱聚类算法 355

11.7.3仿真结果及分析 358

11.7.4小结 362

11.8 QPSO算法与功能流融合的聚类算法 362

11.8.1相关概念 363

11.8.2功能流算法与QPSO算法的结合 364

11.8.3算法描述 365

11.8.4仿真及结果分析 368

11.8.5小结 373

11.9基于蜂群和广度优先遍历的PPI网络聚类 373

11.9.1算法及相关概念介绍 374

11.9.2算法的改进 376

11.9.3算法实现 378

11.9.4算法分析 381

11.9.5小结 384

11.10 PPI网络的蜂群功能流聚类模型与算法 385

11.10.1基于蜂群优化搜索的功能流聚类模型 385

11.10.2实验结果分析 388

11.10.3小结 393

11.11基于连接强度的PPI网络聚类改进蚁群优化算法 393

11.11.1基本概念 394

11.11.2 JSACO算法描述 396

11.11.3仿真实验 398

11.11.4实验结果及分析 400

11.11.5小结 402

11.12融合人工鱼群机理的PPI网络聚类模型与算法 403

11.12.1相关知识介绍 403

11.12.2基于人工鱼群算法的PPI网络聚类模型 405

11.12.3仿真试验及结果分析 408

11.12.4小结 412

11.13改进的基于直觉模糊集和细菌觅食机理的PPI网络聚类算法 412

11.13.1相关概念 413

11.13.2基于直觉模糊集和细菌觅食机理的PPI网络聚类算法模型设计 414

11.13.3仿真实验及结果分析 416

11.13.4小结 419

11.14小结 419

参考文献 420

附录 425

一、粒子群算法解决函数优化问题 425

二、遗传算法解决函数优化问题 427

三、模拟退火算法解决函数优化问题 431

四、鱼群算法解决函数优化问题 433

五、细菌觅食算法解决函数优化问题 437

六、人工蜂群算法解决函数优化问题 439

七、蚁群算法解决TSP 444

相关图书
作者其它书籍
返回顶部