第一部分 粒子群优化算法 3
第一章 粒子群优化算法简介 3
1.1 研究的背景和课题的意义 3
1.2 粒子群优化算法的起源及研究现状 5
第二章 标准粒子群优化算法 12
2.1 粒子群优化算法 12
2.2 标准粒子群优化算法简介 14
2.3 粒子群优化算法基本流程 16
2.4 标准粒子群优化算法 17
2.5 粒子群优化算法组成要素 17
第三章 粒子群优化算法权重改进的策略研究 19
3.1 参数分析与选择 19
3.2 参数的选择 21
3.3 几种测试函数的简介 21
3.4 3种权重改进策略 24
3.5 测试3种权重改进策略 27
第四章 动态粒子群优化算法 36
4.1 动态粒子群优化算法的流程 36
4.2 测试实验 37
4.3 实际路径与算法路径对比 49
4.4 种群大小对收敛结果的影响测试 52
第五章 多目标粒子群优化算法 65
5.1 标准粒子群优化算法 65
5.2 改进的粒子群优化算法 69
5.3 多目标优化问题 70
5.4 多目标粒子群优化算法（MOPSO） 73
5.5 经典的NSGA-Ⅱ算法 74
5.6 仿真实验分析 74
5.7 MOPSO在投资组合问题上的应用 87
第二部分 万有引力搜索算法 99
第六章 基本万有引力搜索算法简介 99
6.1 研究背景和课题意义 99
6.2 万有引力搜索算法的起源及国内外的研究现状 101
6.3 万有引力搜索算法原理 104
6.4 万有引力搜索算法步骤 108
6.5 万有引力搜索算法的参数分析 109
6.6 基本万有引力搜索算法 109
6.7 万有引力搜索算法的模型 111
6.8 对标准万有引力搜索算法的改进 112
6.9 仿真实验与测试 116
6.10 改进的万有引力搜索算法验证及结果分析 122
6.11 万有引力搜索算法在多目标函数优化中的应用 131
第七章 基于模拟退火思想的万有引力搜索算法 138
7.1 基于Metropolis准则的位置更新策略 138
7.2 基于模拟退火的万有引力搜索算法 139
7.3 测试函数介绍 140
7.4 测试函数的参数及空间模型 140
7.5 仿真实验与结果分析 146
第八章 混沌万有引力搜索算法 168
8.1 混沌算法 168
8.2 混沌万有引力搜索算法原理 170
8.3 仿真实验与分析 173
8.4 混沌万有引力搜索算法的验证与结果分析 180
8.5 4种算法在测试函数中的实验数值 194
第三部分 蚁群算法 201
第九章 蚁群算法 201
9.1 研究背景与国内外现状 201
9.2 蚁群算法基本原理及分析 202
9.3 蚁群算法的数学模型及实现 203
9.4 蚁群算法参数研究 206
9.5 蚁群聚类算法及其改进 211
9.6 蚁群算法在多峰值函数优化问题中的应用 216
9.7 蚁群算法在TSP问题中的应用 227
第四部分 免疫优化算法 235
第十章 免疫优化算法 235
10.1 国内外研究现状 235
10.2 免疫算法的基本原理 238
10.3 测试函数及空间模型 246
10.4 基于免疫算法的函数优化 252
10.5 免疫算法在TSP问题中的应用 259
第五部分 遗传算法 267
第十一章 改进的遗传算法 267
11.1 研究背景和国内外研究现状 267
11.2 遗传算法概述 269
11.3 遗传算法理论基础 271
11.4 仿真实验分析 275
11.5 遗传算法的改进 287
11.6 遗传算法最优化问题实例 290
参考文献 295
致谢 303