第1章 绪论 1
1.1问题的提出 1
1.2智能计算概述 2
1.2.1智能计算分类 2
1.2.2智能计算原理 3
1.2.3无免费午餐定理 4
1.3常见的智能计算算法 5
1.3.1人工神经网络 5
1.3.2模糊逻辑 6
1.3.3进化计算 7
1.3.4人工免疫系统 8
1.4人工生命 9
1.4.1人工生命的概念 9
1.4.2人工生命的基本思想 10
1.4.3人工生命的研究内容 11
1.5群体智能 12
1.5.1人工动物 12
1.5.2群体智能 15
1.5.3常见的群体智能算法 16
1.6本书的篇章结构 21
参考文献 22
第2章 微粒群算法概要 25
2.1标准微粒群算法 25
2.1.1生物学背景 25
2.1.2基本概念及进化方程 26
2.1.3算法流程 28
2.1.4社会行为分析 28
2.1.5与其他进化算法的比较 29
2.2微粒群算法的系统学特征 30
2.2.1微粒群算法的系统观点 30
2.2.2算法的自组织性和涌现特性 30
2.2.3微粒群算法的反馈控制机制 32
2.2.4微粒群算法的分布式特点 33
2.3参数选择策略 33
2.3.1惯性权重 33
2.3.2认知系数与社会系数 35
2.3.3其他参数的调整 35
2.4常见的改进微粒群算法 36
2.5微粒群算法的行为及收敛性分析 37
2.6小结 38
参考文献 39
第3章 微分进化微粒群算法 46
3.1引言 46
3.2微粒群算法的统一模型 46
3.2.1统一模型 46
3.2.2基于统一描述模型的PSO算法进化行为分析 47
3.2.3收敛性分析 49
3.3标准微粒群算法的数值算法分析 50
3.3.1标准微粒群算法的微分方程模型 50
3.3.2生物学背景 50
3.3.3常见的微分方程数值方法介绍 51
3.4微分进化微粒群算法 53
3.4.1基于不同数值计算方法的微分进化微粒群算法 54
3.4.2参数的选择 55
3.4.3绝对稳定性 56
3.4.4步长h的选择方式 57
3.4.5算法流程 60
3.4.6实例仿真 60
3.5小结 62
参考文献 63
第4章 模拟觅食行为的微粒群算法 65
4.1最优觅食微粒群算法 65
4.1.1最优觅食理论 65
4.1.2速度更新方程 66
4.1.3基于几何速度稳定性的参数选择 67
4.1.4仿真结果 69
4.2食物引导的微粒群算法 70
4.2.1内部饥饿函数 70
4.2.2算法思想 71
4.2.3进化方程构造 71
4.2.4速度变异策略 72
4.2.5算法步骤 72
4.2.6实例仿真 73
4.3风险效益微粒群算法 76
4.3.1生物学基础 76
4.3.2进化方程 76
4.3.3数值仿真 77
4.4小结 78
参考文献 78
第5章 基于决策思想的微粒群算法 81
5.1引言 81
5.2惯性权重的个性化选择策略 82
5.2.1类繁殖池策略 83
5.2.2类FUSS策略 84
5.2.3类锦标赛策略 84
5.2.4基于混沌思想的变异策略 85
5.2.5随机变异策略 86
5.2.6数值仿真 86
5.3利用个体决策历史信息的微粒群算法 88
5.3.1个体决策介绍 88
5.3.2利用个体决策历史信息的微粒群算法 90
5.3.3数值仿真 94
5.3.4基于小世界模型的个体决策微粒群算法 95
5.4在非线性方程组求解的应用 100
5.4.1非线性方程组及其等价优化模型 101
5.4.2仿真实验 102
5.5小结 103
参考文献 104
第6章 带控制器的微粒群算法 108
6.1引言 108
6.2标准微粒群算法的控制理论分析 109
6.3积分控制微粒群算法 110
6.3.1积分控制微粒群算法的进化方程 110
6.3.2稳定性分析 112
6.3.3参数选择 113
6.3.4 ICPSO算法流程 113
6.4 PID控制微粒群算法 114
6.4.1 PID控制微粒群算法的进化方程 114
6.4.2基于支撑集理论的分析 115
6.4.3基于稳定性理论的分析 121
6.4.4参数选择 122
6.4.5数值优化仿真 124
6.5带控制器PSO算法在混沌系统控制中的应用 126
6.5.1混沌系统的控制问题描述 126
6.5.2混沌系统控制的微粒群算法求解 127
6.6小结 127
参考文献 128
第7章 基于多样性控制的自组织微粒群算法 131
7.1引言 131
7.2自组织微粒群算法 132
7.2.1群体多样性测度 132
7.2.2多样性参考输入的确定 134
7.2.3多样性控制器的设计 135
7.2.4仿真实验与结果分析 136
7.3自组织微粒算法在约束布局优化中的应用 138
7.3.1约束布局优化问题 138
7.3.2求解约束布局优化问题的自组织微粒群算法 139
7.3.3实例应用及结果分析 140
7.4小结 141
参考文献 142
第8章 基于知识的协同微粒群算法 144
8.1引言 144
8.2基于知识的协同微粒群算法 146
8.2.1基本概念 146
8.2.2 KCPSO的模型结构 146
8.2.3知识集的定义 147
8.2.4 KCPSO的行为控制 151
8.2.5 KCPSO算法的流程 153
8.3算法的收敛性分析 153
8.3.1随机优化算法全局和局部收敛的判据 154
8.3.2 KCPSO收敛性 155
8.4仿真实验与分析 159
8.5小结 160
参考文献 161
第9章 微粒群算法的适应值预测策略 163
9.1引言 163
9.2常见的适应值预测方法 164
9.2.1多项式模型 164
9.2.2 Kriging模型 165
9.2.3神经网络模型 166
9.2.4支持向量机模型 166
9.3基于适应值的加权平均预测 168
9.3.1适应值预测策略 168
9.3.2算法思想 168
9.3.3两种预测公式 170
9.3.4预测的比例讨论 172
9.3.5算法流程 172
9.3.6基于适应值预测的随机期望值模型求解 173
9.4基于可信度的预测 175
9.4.1可信度介绍 175
9.4.2基于式（9.19）的可信度预测 176
9.4.3基于式（9.20）的可信度预测 178
9.4.4预测个体的比例分析 180
9.4.5基于适应值预测的随机机会约束规划求解 181
9.5小结 183
参考文献 183
附录A微粒群算法及群体智能的图书与特刊 186
附录B典型测试函数 188
附录C标准微粒群算法的Matlab程序源代码 200