《动态多目标粒子群优化算法及其应用》PDF下载

  • 购买积分:10 如何计算积分?
  • 作  者:潘峰,李位星,高琪著
  • 出 版 社:北京:北京理工大学出版社
  • 出版年份:2014
  • ISBN:9787564090906
  • 页数:241 页
图书介绍:本书共分7章:在全面总结国内外关于动态多目标优化问题及其粒子群优化算法发展现状、基础理论及实现技术的基础上,着重介绍了基于粒子群优化计算的动态多目标优化方面的研究成果,主要包括:多目标、动态无约束粒子群优化算法;多种群协同粒子群优化算法求解动态环境优化问题;含有约束的优化问题及其PSO求解;动态多目标优化问题研究及其粒子群优化;动态多目标粒子群算法性能评价指标度量方法;动态多目标优化问题测试集;UAV任务指派问题研究等。本书可供理工科院校计算机、自动化、信息、管理、控制与系统工程等专业的高年级本科生、研究生和教师、科研工作者阅读,也可供自然科学和工程技术领域相关人员参考。

第1章 绪论 1

1.1 引言 1

1.2 粒子群算法简介 2

1.2.1 粒子群算法的研究背景 2

1.2.2 粒子群算法的基本描述 3

1.2.3 粒子群算法的基本应用 5

1.3 动态多目标优化问题及其粒子群算法研究 5

1.3.1 动态多目标优化问题及基本概念 5

1.3.2 多目标优化问题及其PSO算法研究 6

1.3.3 动态优化问题及其PSO算法研究 7

1.3.4 带约束的优化问题及其PSO算法研究 9

1.4 无人机任务指派问题研究 10

1.4.1 无人机任务指派问题研究背景 10

1.4.2 国内外无人机任务指派研究现状 11

1.4.3 国内外求解无人机任务指派方法研究现状 14

1.5 本书的体系结构 17

1.6 本章小结 19

参考文献 19

第2章 多目标优化问题研究及其粒子群优化 27

2.1 多目标优化问题研究 27

2.1.1 多目标优化问题的描述 28

2.1.2 多目标优化问题的研究发展 28

2.1.3 多目标优化问题的实际应用 32

2.2 多目标优化算法的性能度量和测试问题 33

2.2.1 多目标优化算法的性能度量 33

2.2.2 多目标优化算法的测试问题 34

2.3 不同算法在多目标优化中的应用 35

2.3.1 古典的多目标优化方法 36

2.3.2 基于进化算法的多目标优化方法 37

2.3.3 基于人工免疫系统的多目标优化方法 38

2.3.4 基于分布估计的多目标优化方法 41

2.3.5 基于粒子群算法的多目标优化方法 42

2.4 多目标粒子群优化算法 43

2.4.1 基本多目标粒子群优化算法及其流程 44

2.4.2 MOPSO算法描述 46

2.4.3 数值实验及结果分析 48

2.5 本章小结 55

参考文献 55

第3章 动态环境及动态粒子群优化算法研究 60

3.1 动态优化问题研究 61

3.1.1 动态优化问题的定义及其分类 61

3.1.2 动态环境变化的数学表示 62

3.1.3 动态优化问题的标准测试函数 65

3.1.4 动态优化问题的性能评价 71

3.2 动态优化问题中PSO搜索策略 74

3.2.1 针对动态问题的PSO改进搜索策略 75

3.2.2 基于种群的搜索策略 76

3.3 环境变化检测方法 78

3.3.1 无环境动态检测方法 79

3.3.2 有环境动态检测操作 79

3.4 动态响应策略 80

3.4.1 主动式策略 81

3.4.2 反应式策略 82

3.4.3 混合式策略 83

3.5 多种群协同PSO算法求解动态环境优化问题 83

3.5.1 算法描述 83

3.5.2 仿真实验 85

3.6 本章小结 91

参考文献 92

第4章 含有约束的优化问题及其PSO求解 96

4.1 约束优化问题研究 96

4.1.1 约束优化问题的模型及基本概念 97

4.1.2 约束优化问题的基准测试函数 97

4.1.3 约束优化问题的性能指标 98

4.1.4 约束优化问题的难点分析 99

4.2 有关约束的处理策略 101

4.2.1 约束惩罚和目标函数法 102

4.2.2 约束与目标的分离策略 104

4.2.3 基于Pareto原则的约束处理(多目标处理法) 109

4.2.4 其他约束处理方法 111

4.3 线性约束问题 114

4.4 约束满足问题 115

4.5 本章小结 116

参考文献 117

第5章 动态多目标优化问题研究 122

5.1 动态单目标优化问题的研究 122

5.1.1 动态单目标优化问题的定义 122

5.1.2 动态单目标优化算法的研究现状 123

5.2 动态多目标优化问题的描述 124

5.2.1 动态多目标优化问题的定义 124

5.2.2 动态多目标问题的分类 125

5.3 动态多目标算法的研究现状 126

5.3.1 静态多目标算法应用于动态问题 127

5.3.2 新动态多目标算法的提出 129

5.3.3 动态问题静态化 129

5.3.4 动态多目标问题算法设计的通用机制 129

5.3.5 基于预测机制的动态多目标算法 130

5.4 动态多目标优化问题的测试函数 131

5.4.1 DMOPs测试函数概述 131

5.4.2 FDA测试函数集 131

5.4.3 其他测试函数集 136

5.5 动态多目标优化算法的性能评价指标 140

5.6 本章小结 143

参考文献 143

第6章 动态多目标粒子群优化算法研究 147

6.1 动态算法中常用的环境变化处理策略 148

6.2 基于MOPSO算法的动态多目标算法 149

6.2.1 MOPSO算法 149

6.2.2 DMOPSO算法流程 150

6.3 基于VEPSO算法的动态多目标算法 151

6.3.1 VEPSO算法的基本流程 152

6.3.2 DVEPSO算法 152

6.4 基于DMOPSO和DVEPSO算法的数值实验及分析 153

6.4.1 实验设计与参数设置 153

6.4.2 测试函数 154

6.4.3 性能评价指标 156

6.4.4 结果分析 156

6.5 基于自变量维数变化的DMPSO算法 164

6.5.1 问题描述 164

6.5.2 动态多目标优化粒子群算法(DMPSO) 165

6.5.3 基于自变量维数变化的DMPSO算法描述 167

6.5.4 数值实验仿真 169

6.6 本章小结 172

参考文献 173

第7章 动态多目标异构无人机指派问题 176

7.1 无人机任务指派问题的研究和发展方向 177

7.1.1 无人机任务指派问题的研究 177

7.1.2 无人机任务指派的发展方向 178

7.2 多UAV任务控制体系结构 180

7.2.1 集中式控制体系 180

7.2.2 分布式控制体系 181

7.3 UAV任务指派问题建模 183

7.3.1 UAV任务指派问题描述 183

7.3.2 UAV协同任务类型 184

7.3.3 任务指派计划评价指标 185

7.3.4 无人机协同多任务分配约束条件 186

7.3.5 动态环境定义 188

7.4 常见的任务指派问题数学模型 189

7.4.1 基于市场竞拍机制的协商模型 189

7.4.2 整数线性规划模型 191

7.4.3 动态网络流模型 191

7.4.4 基于车辆路径问题模型 192

7.4.5 多旅行商问题模型 192

7.5 常见的无人机任务分配算法 193

7.5.1 进化算法求解UAV任务指派问题 193

7.5.2 遗传算法求解UAV任务指派问题 194

7.5.3 禁忌搜索求解UAV任务指派问题 194

7.5.4 粒子群算法求解UAV任务指派问题 195

7.6 本章小结 195

参考文献 195

第8章 无人机任务指派问题求解 200

8.1 基于约束条件下的UAV任务指派建模 200

8.1.1 UAV任务指派的约束优化问题模型 200

8.1.2 相关定义 202

8.1.3 任务指派评价指标 204

8.2 无人机任务指派问题中的多目标处理 206

8.2.1 多目标转化为单目标策略 206

8.2.2 基于Pareto最优解集的多目标优化处理 206

8.3 约束描述和处理 209

8.3.1 约束定义 209

8.3.2 约束处理 209

8.4 无人机任务指派问题的求解 211

8.4.1 基于ROV规则的编码设计 211

8.4.2 基于分离索引策略的适应度函数设计 212

8.4.3 UAV任务指派的PSO优化算法设计 212

8.5 数值实验结果及分析 216

8.5.1 实验设计 217

8.5.2 基于构造解的约束处理实验 217

8.5.3 分离索引策略约束处理 224

8.5.4 动态多目标UAV指派问题仿真实验 234

8.6 本章小结 239

参考文献 240