基于微生物行为机制的粒子群优化算法PDF电子书下载

第一章 引论 1

1.1 优化问题与优化方法 1

1.2 智能优化的基本思想和技术特征 2

1.3 觅食理论和微生物智能仿生技术 4

1.4 NFL定理和标准测试函数 5

第二章 标准粒子群算法与细菌觅食算法 10

2.1 粒子群优化算法 10

2.1.1 粒子群优化算法的产生与发展 11

2.1.2 粒子群优化算法的基本原理与计算流程 12

2.1.3 粒子群优化算法存在的问题与改进途径 15

2.2 细菌觅食算法 17

2.2.1 细菌觅食算法的仿生学基础 17

2.2.2 细菌觅食算法的基本原理与计算流程 18

2.2.3 细菌觅食算法的主要算子及其运算特征 20

第三章 基于混沌变异的小生境粒子群优化算法 25

3.1 混沌理论 25

3.1.1 混沌现象的定义 25

3.1.2 混沌现象的特征量 26

3.1.3 相空间重构方法 28

3.1.4 混沌理论在粒子群优化算法中的应用 30

3.2 遗传算法 30

3.2.1 遗传算法基本思想 30

3.2.2 编码方法与遗传算子 31

3.2.3 遗传算法的主要特性 31

3.2.4 遗传算法流程与步骤 32

3.3 粒子群算法与遗传算法及混沌算法的比较分析 33

3.3.1 粒子群算法与遗传算法的比较分析 34

3.3.2 粒子群算法与混沌算法的比较分析 35

3.4 粒子群算法混沌初始化 36

3.4.1 混沌运动遍历性的数学描述 36

3.4.2 粒子群算法混沌初始化程序 37

3.5 粒子群算法小生境进化策略 38

3.5.1 遗传算法中的小生境技术比较分析 39

3.5.2 小生境进化策略在粒子群算法中的应用设计 40

3.6 粒子群算法参数设计 42

3.6.1 适应度函数选择与尺度变换法则 42

3.6.2 学习因子实验设计与惯性权重自适应调整策略 44

3.7 基于混沌变异的小生境粒子群优化算法设计 49

3.8 基于标准测试函数的算法实验分析 51

第四章 基于群体协作的细菌觅食优化算法 53

4.1 高等生物的群体协作优化模型 53

4.1.1 群体协作优化建模的思想 53

4.1.2 群体协作优化模型的算法分析 54

4.2 基于环境感知的细菌觅食优化算法设计 54

4.2.1 算法基本思想 55

4.2.2 算法程序设计 55

4.2.3 算法数值实验和结果讨论 57

4.2.4 算法效果评价 60

4.3 基于协同效应的细菌觅食优化算法设计 61

4.3.1 算法基本思想 61

4.3.2 算法程序设计 61

4.3.3 算法数值实验和结果讨论 63

4.3.4 算法效果评价 67

第五章 基于生物进化的细菌觅食优化算法 68

5.1 生物进化理论的优化建模 68

5.1.1 生物进化的优化原理 68

5.1.2 生物进化的遗传算法模型 69

5.1.3 生物进化算法的特性分析 71

5.2 基于差分进化的细菌觅食优化算法设计 72

5.2.1 算法基本思想 72

5.2.2 算法程序设计 74

5.2.3 算法数值实验和结果讨论 75

5.2.4 算法效果评价 78

5.3 基于免疫进化的细菌觅食优化算法设计 79

5.3.1 算法基本思想 79

5.3.2 算法程序设计 80

5.3.3 算法数值实验和结果讨论 82

5.3.4 算法效果评价 85

第六章 基于分布估计的细菌觅食优化算法 87

6.1 分布估计算法的原理与流程 87

6.1.1 分布估计算法的基本原理 87

6.1.2 分布估计算法的逻辑流程 88

6.1.3 分布估计算法的趋势分析 89

6.2 基于高斯分布估计的细菌觅食优化算法设计 90

6.2.1 算法基本思想 90

6.2.2 算法程序设计 91

6.2.3 算法参数分析 92

6.2.4 算法数值实验和结果讨论 93

6.2.5 算法效果评价 98

6.3 基于菌落生态自由分布的细菌觅食优化算法设计 99

6.3.1 算法基本思想 99

6.3.2 算法程序设计 100

6.3.3 算法参数分析 101

6.3.4 算法数值实验和结果讨论 102

6.3.5 算法效果评价 108

第七章 基于微生物共生机制的粒子群优化算法 109

7.1 基于微生物寄生行为的双种群PSO算法 109

7.1.1 生物寄生行为 109

7.1.2 PSOPB算法模型 110

7.1.3 测试函数 111

7.1.4 参数设置 111

7.1.5 结果分析 112

7.2 模拟生物理想自由分布模型的PSO算法 116

7.2.1 最优觅食理论 116

7.2.2 理想自由分布模型 117

7.2.3 IFDPSO算法模型 117

7.2.4 IFDPSO的流程 119

7.2.5 实验参数设置 120

7.2.6 实验结果分析 120

7.3 基于Predator-Prey行为的双种群PSO算法 122

7.3.1 引言 122

7.3.2 PPPSO算法模型 123

7.3.3 PPPSO计算流程 124

7.3.4 实验参数设置 124

7.3.5 实验结果分析 125

7.4 基于微生物群体感应的粒子群优化算法 128

7.4.1 微生物群体感应 128

7.4.2 PSOQS算法模型 130

7.4.3 实验参数设置 131

7.4.4 实验结果分析 132

7.4.5 群体感应频率的实验分析 137

7.4.6 群体感应种群规模的实验分析 142

7.5 基于微生物寄生免疫的粒子群优化算法 147

7.5.1 寄生免疫机理分析 147

7.5.2 寄生免疫粒子群优化算法 149

7.5.3 免疫逃避粒子群优化算法 154

第八章 粒子群神经网络在电信业务预测中的应用 160

8.1 神经网络的基本属性与存在的问题 160

8.2 粒子群算法与神经网络的结合方式 161

8.3 粒子群神经网络的拓扑结构与学习算法 162

8.3.1 粒子群神经网络的拓扑结构 162

8.3.2 粒子群神经网络的学习算法 163

8.4 粒子群神经网络的模型设计和算法程序 165

8.5 电信业务预测指标及其影响因素 167

8.6 电信业务样本采集与数据统计分析 169

8.6.1 电信业务样本采集 169

8.6.2 样本数据统计分析 171

8.7 基于电信业务样本的粒子群神经网络设计 177

8.7.1 粒子群神经网络拓扑结构与基本参数 177

8.7.2 粒子群神经网络训练误差 179

8.8 电信业务预测模型实验结果的比较分析 179

8.8.1 电信业务的测试样本 179

8.8.2 预测结果的比较分析 180

8.9 初步结论 185

附录1 混沌变异小生境粒子群算法计算程序 187

附录2 粒子群神经网络预测模型计算程序 193

附录3 细菌觅食算法主程序 197

附录4 群体感应粒子群算法计算程序 202

附录5 寄生免疫粒子群算法计算程序 207

附录6 免疫逃避粒子群算法计算程序 213

参考文献 218