第1章 绪论 1
1.1最优化方法的意义 1
1.2最优化方法的分类 4
1.3群智能优化方法的产生与发展 6
1.4怎样学习群智能优化方法 9
参考文献 11
第2章 最优化模型 14
2.1单变量最优化 14
2.2多变量最优化 18
2.3传统的优化计算方法 21
2.3.1拉格朗日乘子法 21
2.3.2牛顿迭代法 22
2.3.3最速下降法 22
参考文献 23
第3章 遗传算法 24
3.1导言 24
3.2基本原理 25
3.2.1基本思想 25
3.2.2组成要素 25
3.2.3算法流程 33
3.3遗传算法的数学机理 35
3.3.1模式的概念 35
3.3.2模式定理 36
3.4实例分析 39
3.4.1非线性约束优化问题 39
3.4.2多目标优化问题 47
3.4.3图像分割问题 58
参考文献 68
第4章 粒子群优化算法 71
4.1导言 71
4.2基本原理 72
4.2.1基本粒子群优化算法 72
4.2.2标准粒子群优化算法 75
4.2.3组成要素 75
4.3数学机理 79
4.3.1复杂度分析 79
4.3.2收敛性分析 79
4.4实例分析 81
4.4.1基于多样性反馈的粒子群优化算法 81
4.4.2基于离散式多样性评价策略的自适应粒子群优化算法 86
4.4.3双中心粒子群优化算法 92
参考文献 102
第5章 蚁群算法 108
5.1导言 108
5.2基本原理 109
5.2.1蚁群觅食的特性 109
5.2.2蚂蚁系统模型 110
5.2.3蚁群算法的实现 112
5.3复杂度及收敛性分析 113
5.3.1复杂度分析 113
5.3.2收敛性分析 115
5.4蚁群算法的改进 119
5.4.1蚁群算法的改进思路 119
5.4.2最大最小蚁群系统（MMAS） 120
5.4.3分段算法 121
5.4.4小窗口蚁群算法 122
5.4.5智能蚂蚁算法 122
5.4.6自适应蚁群算法 124
5.4.7具有变异和分工特征的蚁群算法 124
5.5实例分析 126
5.5.1旅行商问题 126
5.5.2聚类问题 129
5.5.3边缘检测问题 134
参考文献 138
第6章 人工免疫算法 140
6.1导言 140
6.2基本原理 141
6.2.1生物免疫系统的基本概念 141
6.2.2免疫系统的功能原理 143
6.2.3人工免疫算法基本流程 144
6.3 免疫算法的分类 145
6.3.1基于信息熵的免疫算法 145
6.3.2基于免疫特性的否定选择算法 147
6.3.3基于克隆选择学说的克隆选择算法 148
6.3.4基于免疫网络理论的免疫算法 150
6.3.5基于疫苗的免疫规划算法 151
6.4实例分析 152
6.4.1免疫算法与蚁群算法的混合 152
6.4.2基于免疫算法的图像分割方法 157
参考文献 159
第7章 文化算法 160
7.1导言 160
7.2基本原理 161
7.3文化算法的设计 163
7.3.1群体空间 163
7.3.2信度空间 164
7.3.3接受函数 167
7.3.4影响函数 168
7.4实例分析 169
7.4.1进化规划文化算法解决约束优化问题 169
7.4.2改进进化规划文化算法 176
参考文献 179
第8章 微分进化 181
8.1导言 181
8.2基本原理 182
8.2.1基本思想 182
8.2.2组成要素 182
8.2.3 DE算法的流程 185
8.3改进的微分进化算法 186
8.3.1 MADE算法 186
8.3.2 BinDE算法 187
8.3.3 normDE算法 187
8.3.4 基于极大、极小距离密度的多目标微分进化算法 187
8.4微分进化的几种优化策略 189
8.5实例分析 190
8.5.1微分进化文化算法 190
8.5.2基于Pareto的双群体多目标微分进化算法 197
参考文献 204
第9章 模拟退火算法 206
9.1导言 206
9.1.1物理退火过程 206
9.1.2退火与模拟退火 208
9.2模拟退火的数学描述和统计特性 209
9.2.1数学描述 209
9.2.2统计特性 211
9.3模拟退火算法的实现流程及性能分析 212
9.3.1算法的计算步骤和流程图 212
9.3.2算法的组成要素 213
9.3.3算法性能分析 216
9.4实例分析 219
9.4.1最小优化问题 219
9.4.2应急救援物资调度问题 223
参考文献 231