生物启发计算 个体、群体、群落演化模型与方法PDF电子书下载

第1章 绪论 1

1.1从仿生学到生物启发计算 1

1.2生物启发计算与复杂适应系统 4

1.3生物启发计算的主要研究分支 5

1.4生物启发计算研究的局限性 6

参考文献 7

第2章 生物启发计算研究综述 8

引言 8

2.1生物启发计算的实现模式概述 8

2.2生物启发计算模式综述 9

2.2.1遗传算法 10

2.2.2粒子群优化 11

2.2.3蚁群优化 12

2.2.4人工蜂群算法 14

2.2.5细菌觅食算法 16

2.2.6群搜索算法 17

2.2.7 DNA计算 19

2.2.8自组织迁移算法 19

2.2.9膜计算 20

2.2.10元胞自动机 20

2.2.11神经网络 21

2.2.12人工免疫系统 23

2.3生物启发计算的应用与发展趋势 24

2.3.1自然计算应用领域综述 24

2.3.2应用分析与展望 28

参考文献 29

第3章 理论基础与统一模型 33

引言 33

3.1生物进化论与优化 33

3.1.1优胜劣汰—生存竞争 33

3.1.2自适应与效率 35

3.2共生进化论与种群动力学 37

3.2.1共生与协同进化 37

3.2.2多种群共生协同进化的动力学描述 41

3.3复杂系统与涌现 42

3.3.1复杂适应系统与生物进化 42

3.3.2生物进化的复杂系统建模 45

3.4生物启发计算的统一框架模型 48

3.4.1生物启发计算模式的统一框架理念 49

3.4.2个体一群体一群落：生物启发计算模式的总体形式化描述 51

3.4.3环境 55

参考文献 67

第4章 生物个体行为模式与自适应优化方法 70

引言 70

4.1自然进化中的个体行为模式 70

4.1.1生物个体的觅食行为分类 70

4.1.2适应性主体 74

4.1.3效率与最优觅食理论 77

4.2基于生物个体行为的计算模式设计 78

4.2.1基于生物个体行为的统一优化框架 78

4.2.2基于生物个体行为的基本操作 79

4.3生物个体建模与仿真分析 83

4.3.1生物系统个体的形式化定义 83

4.3.2典型生物个体行为的建模与仿真分析 84

4.3.3个体环境间作用关系描述与规则模型 88

4.4细菌自适应觅食优化算法 91

4.4.1算法的基本思想与流程 91

4.4.2算法的形式化描述 94

4.4.3 ABFO算法实现步骤 95

4.4.4算法效能分析 95

4.5植物根系自适应生长优化算法 102

4.5.1算法的基本思想 102

4.5.2算法的形式化描述 104

4.5.3算法流程 105

4.5.4算法效能分析 105

参考文献 121

第5章 生物种群信息交流模式与生命周期群搜索策略 125

引言 125

5.1自然界中单一物种群体内部的信息交流与协作模式 125

5.1.1生物种群 125

5.1.2信息交流 126

5.1.3分工协作与分布式控制 128

5.2基于生物群体行为的计算模式设计 130

5.2.1基于生物群体行为的统一优化框架 130

5.2.2基于生物群体行为的基本操作 131

5.3生物种群建模与仿真分析 134

5.3.1生物系统种群的形式化定义 134

5.3.2种群内个体通信模型 137

5.3.3任务分工 141

5.3.4种群演化模型 144

5.4基于生命周期和社会学习的细菌觅食算法及其性能分析 149

5.4.1算法的基本思想与流程 149

5.4.2算法的形式化描述 152

5.4.3算法性能分析 153

5.5生命周期群搜索优化算法及其性能分析 159

5.5.1算法的基本思想与流程 159

5.5.2算法的形式化描述 160

5.5.3实验设置 162

5.5.4算法性能分析：无约束函数 162

5.5.5算法性能分析：有约束函数 170

参考文献 174

第6章 生物群落演化模式与优化算法 178

引言 178

6.1生物群落进化中的种群演化模式 178

6.1.1生物群落的层次性信息网络拓扑结构 178

6.1.2生物群落内种群共生模式的多型性 179

6.1.3生物群落内种群的增长、迁徙和消亡模式 180

6.2基于生物群落演化的计算模式设计 182

6.2.1基于生物群落演化的统一优化框架 182

6.2.2基于生物群落演化的基本操作 183

6.3生物群落建模与仿真分析 184

6.3.1生物系统群落的形式化定义 184

6.3.2群落拓扑结构形式化定义 185

6.3.3基于不同种群关系生物群落演化建模与仿真 186

6.4基于生物群落演化的优化模型与算法实例设计 193

6.4.1协同进化算法的发展现状 193

6.4.2多群体协同进化统一模型 194

6.4.3多种群共生协同进化粒子群优化算法 195

6.4.4算法性能分析 198

6.4.5基于MSPSO的RFID网络读写器调度 203

6.5多种群多目标人工蜂群算法 211

6.5.1算法基本思想与流程 211

6.5.2算法的形式化描述 212

6.5.3算法性能分析 213

参考文献 221

第7章 评注与展望 224

引言 224

7.1理论基础研究展望 224

7.1.1有关生物启发计算的有效性研究 224

7.1.2有关生物启发计算的收敛性研究 225

7.1.3有关生物启发计算方法的评价标准 226

7.2有关算法设计研究展望 227

7.2.1小生境层面的有关算法设计 227

7.2.2动态环境层面的有关算法设计 227

7.3有关生物启发式计算应用研究展望 228

7.3.1人工大脑 228

7.3.2进化硬件 229

7.3.3纳米分子生物 229

7.3.4虚拟生物 230

7.3.5云计算 230

参考文献 231

附录A 标准测试函数 232

A.1单目标无约束 232

A.2单目标有约束 236

A.3多目标无约束 241

A.4多目标有约束 246

拓展阅读 249