第1章 绪论 1
1.1 多模态优化问题 1
1.2 群体智能 2
1.3 粒子群优化 4
1.3 本书内容及组织结构 4
第2章 粒子群算法的理论与方法 7
2.1 引言 7
2.2 标准粒子群算法 7
2.3 粒子群的拓扑结构 8
2.4 粒子群算法流程 11
2.5 粒子的轨迹 12
2.6 粒子群算法的收敛性 16
2.7 粒子群算法的参数选择 17
2.8 粒子群算法的记忆性 19
2.9 粒子群算法的多样性 19
2.10 粒子群算法的其他改进 21
2.11 多子群粒子群算法 22
第3章 动态多子群粒子群算法 26
3.1 引言 26
3.2 粒子的特性 26
3.3 动态多子群粒子群算法的基本思想 27
3.4 纵向参数的基本概念 28
3.5 子群的进化规则 30
3.6 动态多子群粒子群算法的流程 30
3.7 动态多子群粒子群算法的收敛性 31
3.8 子群收敛性 36
第4章 子群与粒子的行为分析 40
4.1 引言 40
4.2 粒子运动的稳定性 40
4.3 粒子轨迹 42
4.4 粒子行为仿真 45
4.5 子群的行为分析 48
第5章 子群多样性及算法性能分析 53
5.1 引言 53
5.2 粒子子群的欠收敛与过收敛 53
5.3 遗传算法的多样性 54
5.4 粒子的多样性 57
5.5 子群的多样性 58
5.6 基于子群多样性的VPMSPSO算法（VPMSPSO.diversity） 62
5.7 VPMSPSO.diversity收敛性证明 64
5.8 实例分析 64
5.9 VPMSPSO算法性能分析 66
第6章 基于VPMSPSO自适应聚类算法 70
6.1 引言 70
6.2 聚类分析 70
6.3 C-均值算法 72
6.4 动态多子群粒子群算法与C-均值算法的异同 74
6.5 基于VPMSPSO自适应聚类算法 75
6.6 实例分析 76
第7章 基于VPMSPSO算法分类规则提取 80
7.1 引言 80
7.2 数据分类与规则 80
7.3 基于VPMSPSO算法的分类规则提取 84
7.4 实例分析 87
第8章 动态多子群粒子群算法的应用 90
8.1 VPMSPSO在神经网络训练中的应用 90
8.2 VPMSPSO在煤矿涌水量和瓦斯浓度预测中的应用 101
参考文献 110
后记 126