第1章 绪论 1
1.1优化理论的基本概念 1
1.2群体智能概述 1
1.3PSO模型 3
1.3.1PSO模型的思想来源 4
1.3.2PSO模型的基本原理 5
1.4PSO的研究现状 6
1.4.1PSO的优化性能 6
1.4.2PSO的理论分析 9
1.4.3PSO的应用研究 9
1.5本书的组织结构 10
参考文献 11
第2章 粒子群优化算法 22
2.1带线性惯性权重的PSO算法 22
2.2时变加速系数PSO算法 23
2.3骨干PSO算法 23
2.4全信息PSO算法 24
2.5广泛学习PSO算法 25
2.6本章小结 26
参考文献 26
第3章 PSO算法的学习参数与种群多样性关系 28
3.1引言 28
3.2种群多样性的定义 28
3.3种群多样性的期望 29
3.4学习参数与种群多样性的关系 32
3.4.1惯性权重对多样性期望的影响 32
3.4.2加速系数对多样性期望的影响 34
3.4.3惯性权重和加速系数对多样性期望的共同影响 36
3.5本章小结 38
参考文献 39
第4章 相关性PSO模型 41
4.1引言 41
4.2随机因子的认知分析 42
4.3基于Copula的相关性PSO模型 42
4.3.1关联因子及其度量 42
4.3.2Copula函数 43
4.3.3模型描述 44
4.3.4模型实现 46
4.4相关性PSO模型的种群多样性分析 47
4.4.1种群多样性的数学期望 47
4.4.2实验分析 50
4.5相关性PSO模型的收敛性分析 51
4.5.1粒子位置收敛性分析 51
4.5.2粒子位置方差收敛性分析 52
4.6仿真实验 55
4.7本章小结 58
参考文献 58
第5章 PSO学习参数的概率特性分析 61
5.1引言 61
5.2相关性PSO学习参数的概率特性 62
5.2.1SPSO学习参数的概率特性及分析 62
5.2.2PL-CPSO学习参数的概率特性及分析 65
5.2.3NL-CPSO学习参数的概率特性及分析 66
5.3自适应相关性PSO算法 67
5.3.1算法原理 67
5.3.2仿真实验 69
5.4本章小结 71
参考文献 71
第6章 多学习模式相关性PSO算法 73
6.1引言 73
6.2双学习模式相关性PSO算法 74
6.2.1全局学习模式 74
6.2.2学习模式间的交互 75
6.2.3双学习模式相关性PSO算法的描述 75
6.2.4仿真实验 76
6.3三学习模式相关性PSO算法 88
6.3.1算法描述 88
6.3.2仿真实验 89
6.4本章小结 92
参考文献 92
第7章 求解多目标优化的问题 94
7.1引言 94
7.2多目标优化 95
7.2.1多目标优化问题的数学描述 95
7.2.2主要的多目标PSO算法 96
7.3多目标相关性PSO算法 97
7.3.1策略设计 97
7.3.2算法描述 98
7.4仿真实验 99
7.4.1实验设计 99
7.4.2实验结果分析 100
7.5本章小结 104
参考文献 104
第8章 改进的骨干粒子群算法 106
8.1引言 106
8.2BBPSO算法及其运动行为分析 107
8.2.1BBPSO算法 107
8.2.2BBPSO行为分析 107
8.3并行协作BBPSO 108
8.3.1主群的学习机制 108
8.3.2从群的学习机制 109
8.3.3交互机制 110
8.4数值实验及分析 110
8.4.1测试函数和参数设置 110
8.4.2评价指标 111
8.4.3算法的收敛精度和速度比较 111
8.5本章小结 114
参考文献 114
第9章 证券投资组合问题中的应用 116
9.1引言 116
9.2证券投资组合模型分析 117
9.2.1证券投资组合的概率准则模型 117
9.2.2多因素证券投资组合模型 118
9.3相关性PSO求解证券投资组合问题 120
9.3.1基于单目标的证券投资组合问题求解 120
9.3.2基于多目标的证券投资组合问题求解 121
9.4仿真实验 122
9.4.1求解证券投资组合的概率准则模型实验 122
9.4.2求解多因素证券投资组合问题实验 123
9.5本章小结 127
参考文献 128
第10章 基于骨干粒子群算法的图像分割方法 129
10.1引言 129
10.2最佳阈值选取 129
10.3基于BBPSO的多阈值分割算法 130
10.4仿真实验与性能测试 130
10.4.1参数设置 130
10.4.2实验结果 131
10.5本章小结 133
参考文献 134
附录1 136
附录2 142