群体智能优化算法及其应用PDF电子书下载

第1章 绪论 1

1.1 最优化问题及分类 1

1.2 典型启发式算法 3

1.2.1 遗传算法 4

1.2.2 模拟退火算法 6

1.2.3 禁忌搜索算法 10

1.3 群体智能算法 12

1.4 三维文物虚拟拼接处理中的问题 14

1.4.1 引言 14

1.4.2 多特征提取及融合匹配识别问题 16

1.4.3 多碎片的全局拼接问题 18

1.4.4 问题小结 20

1.5 可信软件自动化测试中的关键问题 21

1.5.1 基于搜索的可信软件自动化测试 21

1.5.2 组合测试用例生成 22

1.5.3 测试用例扩增 24

1.5.4 测试用例选择 25

1.5.5 问题小结 26

1.6 本书研究思路 26

1.7 本书的内容结构 27

参考文献 30

第2章 经典群体智能算法 36

2.1 粒子群优化算法 36

2.1.1 粒子群优化算法简介 36

2.1.2 基本粒子群优化算法 37

2.1.3 粒子群优化算法的特点 38

2.1.4 离散粒子群优化算法 39

2.1.5 粒子群优化算法的研究现状 39

2.2 蚁群优化算法 43

2.2.1 蚁群优化算法的起源与发展 43

2.2.2 蚁群算法的基本原理 45

2.2.3 蚁群算法的研究进展 47

参考文献 48

第3章 社会认知优化算法 52

3.1 社会认知优化算法简介 52

3.1.1 社会学习理论 52

3.1.2 社会认知理论 53

3.1.3 社会认知优化 54

3.1.4 SCO算法基本概念 55

3.1.5 SCO算法步骤 56

3.1.6 SCO算法研究进展 57

3.2 求解非线性方程组的社会认知算法 59

3.2.1 问题描述 59

3.2.2 SCO算法用于求解非线性方程组 59

3.2.3 数值试验与仿真 60

3.2.4 SCO算法求解非线性方程组问题总结 62

3.3 求解非线性互补问题的熵函数认知优化算法 62

3.3.1 问题描述 62

3.3.2 非线性互补问题的熵函数法 63

3.3.3 用SCO算法求解非线性互补问题 64

3.3.4 数值试验与仿真 64

3.3.5 结论 66

3.4 求解软件可靠性分配问题的社会认知算法 66

3.4.1 问题描述 66

3.4.2 多模块软件可靠性分配模型 66

3.4.3 数值试验与仿真 68

3.4.4 结论 70

3.5 求解组合Web服务选择问题的认知优化算法 70

3.5.1 问题描述 70

3.5.2 研究进展 70

3.5.3 基本概念 71

3.5.4 组合服务选择模型 72

3.5.5 极大熵函数法 74

3.5.6 组合服务选择算法 75

3.5.7 算法实现 77

3.5.8 实验与分析 79

3.5.9 总结 82

参考文献 82

第4章 新型社会认知优化算法 86

4.1 社会认知优化理论 86

4.2 SCO算法的收敛性分析 86

4.2.1 随机算法的收敛准则 87

4.2.2 SCO算法收敛性证明 88

4.3 自然社会认知优化算法 89

4.3.1 智商分布统计理论 89

4.3.2 混沌优化算法 90

4.3.3 精英策略 91

4.3.4 HSCO算法步骤 92

4.3.5 HSCO算法的全局收敛性 93

4.3.6 数值实验分析 94

4.4 具有量子行为的SCO算法 97

4.4.1 具有量子行为的SCO算法简介 97

4.4.2 实验分析及收敛证明 98

4.5 本章小结 100

本章附录 100

参考文献 104

第5章 细菌群体趋药性算法及改进 106

5.1 细菌群体趋药性算法 106

5.1.1 算法原理 106

5.1.2 BCC算法步骤 106

5.1.3 BCC算法研究进展 108

5.2 混沌细菌群体趋药优化算法 109

5.2.1 BC算法简介 110

5.2.2 BC算法及收敛性分析 110

5.2.3 BCC算法及收敛性分析 111

5.2.4 CBCC算法 111

5.2.5 CBCC算法步骤及收敛性证明 113

5.2.6 数值实验分析 114

5.3 本章小结 120

参考文献 121

第6章 三维碎片模型特征提取 123

6.1 引言 123

6.2 特征轮廓线提取技术 124

6.2.1 主轮廓线提取 125

6.2.2 次轮廓线提取 126

6.2.3 特征轮廓线生成 130

6.2.4 实验分析 131

6.3 厚度直方图算法 132

6.3.1 厚度直方图算法描述 132

6.3.2 厚度直方图相似性度量 133

6.4 自旋图提取算法 134

6.4.1 自旋图生成 134

6.4.2 顶点归一化 134

6.4.3 自旋图相似性度量 135

6.5 本章小结 135

参考文献 136

第7章 基于证据和区间数的多特征智能融合识别方法 138

7.1 引言 138

7.2 D-S证据合并理论模型 140

7.3 区间数理论 141

7.4 区间数生成BPA 142

7.4.1 生成原理分析 142

7.4.2 用区间数生成BPA 143

7.5 D-S的权重值优化 143

7.5.1 证据合成理论的权值统一 143

7.5.2 D-S权重值优化算法 144

7.5.3 权重优化模型 144

7.5.4 HSCO算法原理 145

7.5.5 HSCO算法优化权重 146

7.6 实验分析 146

7.7 本章小结 151

参考文献 151

第8章 基于离散自然社会认知优化算法的全局最优匹配 154

8.1 引言 154

8.2 基于群体智能的整体匹配原理 156

8.3 完全匹配的多碎片匹配算法模型 157

8.3.1 编码 157

8.3.2 适应值函数 159

8.3.3 离散HSCO算法迭代公式 160

8.4 部分匹配的多碎片匹配算法模型 160

8.4.1 编码 161

8.4.2 迭代公式 161

8.5 基于DHSCO的全局匹配算法分析 161

8.6 实例分析 162

8.7 本章小结 165

参考文献 165

第9章 基于显著特征的智能配准算法 167

9.1 引言 167

9.2 显著特征点提取 169

9.2.1 点云法向量估计和调整 169

9.2.2 基于MLS面计算点云曲率 170

9.2.3 显著特征提取 170

9.3 粗略配准 171

9.3.1 获取初始匹配点 171

9.3.2 约束剪枝 172

9.3.3 基于离散CBCC算法的粗匹配点对优化 172

9.4 精细配准 175

9.4.1 基于CBCC的最优变换求解 175

9.4.2 ICPIF精细配准 176

9.5 CBCC算法全局收敛性证明 176

9.6 实验分析 177

9.7 本章小结 180

参考文献 180

第10章 基于粒子群算法的测试数据的生成及优化 182

10.1 基于K-均值聚类粒子群优化算法的组合测试数据生成 182

10.1.1 组合测试数据生成 182

10.1.2 组合覆盖测试模型 183

10.1.3 基于K-均值的粒子群优化算法 184

10.1.4 基于K-PSO的组合测试数据生成 186

10.1.5 实例研究与分析 187

10.2 改进DPSO生成两两覆盖组合测试数据集 189

10.2.1 引言 189

10.2.2 基本概念 190

10.2.3 离散粒子群优化算法 190

10.2.4 改进的离散粒子群优化算法 191

10.2.5 实例研究 193

10.2.6 本节小结 194

10.3 改进粒子群算法求解测试用例最小化问题 194

10.3.1 引言 195

10.3.2 基本概念 195

10.3.3 测试用例最小化技术 196

10.3.4 粒子群优化算法 197

10.3.5 改进的粒子群优化算法 198

10.3.6 实例研究 200

10.3.7 本节小结 203

参考文献 203

第11章 基于进化算法的测试数据生成 205

11.1 基于改进异质协同演化的测试数据生成 205

11.1.1 异质协同演化算法 206

11.1.2 GADE算法的改进以及在测试数据生成中的应用 206

11.1.3 系统实现及结果分析 211

11.1.4 本节小结 213

11.2 基于Tent映射的分阶段组合测试数据生成 214

11.2.1 引言 214

11.2.2 测试数据生成问题 215

11.2.3 Tent映射及Tent序列 215

11.2.4 Tent映射分阶段生成测试数据 216

11.2.5 实例分析 220

11.2.6 本节小结 222

参考文献 222

第12章 基于自适应粒子群算法的测试数据扩增方法 224

12.1 引言 224

12.2 回归测试数据扩增的数学模型 225

12.2.1 基本概念 225

12.2.2 测试数据扩增的数学模型 226

12.3 回归测试数据集扩增方法 226

12.3.1 初始种群的选择 226

12.3.2 自适应粒子群算法 227

12.3.3 基于自适应粒子群算法的测试数据集扩增模型 228

12.3.4 算法步骤 229

12.4 实例分析 230

12.5 实验 231

12.5.1 实验设置 231

12.5.2 实验结果 232

12.6 本章小结 233

参考文献 233

第13章 基于蚁群算法的组合测试用例的生成与优化 235

13.1 基于序优化蚁群算法的成对交互测试用例集生成 235

13.1.1 引言 235

13.1.2 交互测试 235

13.1.3 成对交互测试用例集问题与蚁群算法表示 236

13.1.4 基于序优化蚂蚁系统的算法 237

13.1.5 仿真实验 239

13.2 基于蚁群算法生成三三交互测试用例集 242

13.2.1 引言 242

13.2.2 蚁群算法的启发信息改进 242

13.2.3 测试用例集的生成算法 244

13.2.4 算法仿真实验与分析 246

13.3 基于蚁群算法生成变强度交互测试用例集 247

13.3.1 引言 247

13.3.2 问题定义模型 249

13.3.3 变强度理论背景 251

13.3.4 变强度的起源与发展 252

13.3.5 AC-VSTG策略 254

参考文献 258

第14章 总结与展望 261

14.1 本书小结 261

14.2 工作展望 264