第一章 绪论 1
1.1 研究背景 1
1.2 研究现状 2
1.2.1 群体计算智能 2
1.2.2 蚁群算法 3
1.2.3 鱼群算法 4
1.2.4 遗传算法 5
1.2.5 演化策略和演化规划 7
1.3 本书的主要内容和结构安排 7
第二章 一般反向学习和导向性邻域挖掘的混合策略 10
2.1 一般反向学习 10
2.1.1 反向学习 10
2.1.2 反向学习的一般化 12
2.2 导向性邻域挖掘 14
2.2.1 导向性邻域挖掘策略设计 14
2.2.2 导向性邻域挖掘策略分析 16
2.3 基于GOBL和ONM混合策略的群体智能算法统一描述 18
2.4 基于GOBL和ONM混合策略的群体智能算法性能分析 20
2.5 本章小结 21
第三章 基于GOBL和ONM混合策略的粒子群算法 22
3.1 算法设计 22
3.1.1 粒子群优化算法 22
3.1.2 基于GOBL和ONM的粒子群的算法设计 24
3.2 数值优化中的应用 25
3.2.1 单峰函数优化问题 26
3.2.2 多峰函数优化问题 31
3.2.3 高维优化问题 35
3.3 本章小结 39
第四章 基于GOBL和ONM混合策略差分演化算法 40
4.1 算法设计 40
4.1.1 差分演化算法 40
4.1.2 基于GOBL和ONM的差分演化的算法设计 42
4.2 数值优化中的应用 44
4.2.1 单峰函数优化问题 44
4.2.2 多峰函数优化问题 51
4.2.3 高维优化问题 57
4.3 本章小结 61
第五章 混合策略的粒子群算法在GPU上的并行研究 62
5.1 研究动机 62
5.2 可编程图形处理器 63
5.2.1 GPU上的通用计算 63
5.2.2 CUDA编程模型 64
5.2.3 CUDA存储模型 66
5.3 GPU上细粒度并行的GOBL-ONM-PSO算法 67
5.3.1 随机数 67
5.3.2 数据的存储 70
5.3.3 算法的框架 72
5.4 数值实验分析 75
5.4.1 精度分析 75
5.4.2 加速度比较分析 78
5.5 在微分方程反问题中的应用 84
5.5.1 问题描述 84
5.5.2 数值实验 85
5.6 本章小结 89
第六章 总结与展望 91
6.1 本书的研究工作及创新 91
6.2 进一步研究工作的展望 92
附录 本书所用的函数优化问题 94
参考文献 98