目 录 1
第1章绪论 1
1.1最优化问题 1
1.1.1局部优化算法 2
1.1.2全局优化算法 2
1.1.3无免费午餐定理 3
1.2进化计算 4
1.2.1进行算法的一般框架 5
1.2.2遗传算法 5
1.2.3进化策略 6
1.2.5遗传程序设计 7
1.2.4进化规划 7
1.3群体智能算法 8
1.3.1蚁群算法 8
1.3.2微粒群算法 9
1.4微粒群算法的发展 9
1.4.1微粒群算法综述 9
1.4.2微粒群算法的研究方向 10
第2章基本微粒群算法 12
2.1 引言 12
2.2基本微粒群算法 13
2.2.1算法原理 13
2.2.2算法流程 15
2.3基本微粒群算法的社会行为分析 15
2.3.1与其他进化算法的比较 16
2.3.2两种基本进化模型 17
2.4带惯性权重的微粒群算法 18
第3章改进的微粒群算法 19
3.1对基本微粒群算法进化方程的改进 19
3.1.1基本微粒群算法分析 19
3.1.2带有惯性因子的改进微粒群算法 20
3.1.3带有收缩因子的微粒群算法 23
3.2基于遗传思想改进微粒群算法 24
3.2.1利用选择的方法 24
3.2.2借鉴杂交的方法 27
3.3利用小生境思想所做的改进 28
3.3.1基于动态邻域的改进微粒群算法 28
3.3.2基本的邻域结构 30
3.3.3一种保证种群多样性的微粒群算法 32
3.4利用收敛性分析所做的改进 36
3.4.1保证收敛的改进微粒群算法 36
3.4.2保证全局收敛的随机微粒群算法 38
3.5离散变量的微粒群算法 41
3.5.1二进制编码的微粒群算法 41
3.5.2混合编码的微粒群算法 45
3.5.3整数空间的微粒群算法 46
3.5.4求解旅行商问题的微粒群算法 50
第4章微粒群算法的行为分析 54
4.1基于离散时间线性系统理论的分析 54
4.2微粒群算法的代数分析 58
4.3微粒群算法的解析分析 63
4.4微粒群算法的状态空间模型 70
第5章微粒群算法的收敛性分析 74
5.1随机算法的收敛准则 74
5.2基本微粒群算法的收敛性分析 77
5.3其他改进微粒群算法的收敛性分析 79
第6章微粒群算法的实验设计与参数选择 83
6.1典型实验函数 83
6.1.1无约束优化测试函数 83
6.1.2多目标优化测试函数 85
6.1.3约束优化测试函数 85
6.1.4极小极大化测试函数 86
6.2.1设计PSO算法的基本原则 88
6.2设计微粒群算法的基本原则与步骤 88
6.2.2 PSO算法的设计步骤 89
6.2.3 PSO算法的伪码描述 90
6.3几种典型的PSO模型及其参数选择 91
6.3.1简单微粒群算法模型 91
6.3.2引入惯性权重系数的PSO模型 92
6.3.3引入收缩因子的PSO模型 95
6.3.4经典PSO算法模型 96
第7章人工神经网络的优化 97
7.1人工神经网络 97
7.1.1人工神经网络的基本概念 98
7.1.2前馈神经网络 99
7.1.3网络的泛化能力 102
7.1.4神经网络结构设计 103
7.2进化计算用于神经网络的优化 104
7.3用PSO算法优化神经网络 105
7.3.1训练神经网络的PSO算法的设计 105
7.3.2算法的评价及分析 107
7.4协同PSO算法优化神经网络 108
7.4.1协同PSO算法 108
7.4.2协同PSO算法优化神经网络应用实例 109
第8章微粒群算法在函数优化中的应用 116
8.1使用函数“Stretching”技术的PSO算法 116
8.1.1函数“Stretching”技术 116
8.1.2 Stretched PSO算法（SPSO） 120
8.2.1多目标优化问题的基本概念 122
8.2基于PSO算法求解多目标优化问题 122
8.2.2求解多目标优化问题的PSO算法 124
8.3用PSO算法求解约束优化问题 127
8.3.1约束优化问题 127
8.3.2非固定多段映射罚函数法 128
8.3.3求解CO的PSO算法 129
8.4 PSO算法在最大最小优化问题中的应用 131
8.5 PSO算法在整数规划问题中的应用 135
8.6使用PSO算法寻找多峰函数的最小点 138
附录1标准微粒群算法源程序 140
附录2随机微粒群算法源程序 146
参考文献 153