计算群体智能基础【2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载】

计算群体智能基础PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 引言1

第一部分　优化理论5

第2章　优化问题和方法5

2.1　优化问题的基本要素5

2.2　优化问题分类6

2.3　最优性条件6

2.4　优化算法的类别7

2.5　收敛的一般条件7

2.5.1　简单随机搜索8

2.5.2　局部收敛的条件8

2.5.3　全局收敛的条件10

2.5.4　收敛准则11

2.6　小结11

第3章　无约束优化13

3.1　问题的定义13

3.2　优化算法13

3.2.1　一般局部搜索过程13

3.2.2　集束搜索14

3.2.3　禁忌搜索14

3.2.4　模拟退火15

3.2.5　蛙跳算法16

3.3　标准问题示例17

3.4　小结18

第4章　约束优化19

4.1　定义19

4.2　约束处理方法20

4.2.1　惩罚方法21

4.2.2　将约束问题转换为非约束问题21

4.3　标准问题实例23

4.4　小结24

第5章　多解问题25

5.1　定义25

5.2　小生境算法分类25

5.3　标准问题实例26

5.4　小结26

第6章 多目标优化27

6.1　多目标问题27

6.2　帕累托最优28

6.3　小结31

第7章　动态优化问题33

7.1　定义33

7.2　动态环境的类型33

7.3　标准问题实例35

7.4　小结36

第二部分　进化计算39

第8章　进化计算导论39

8.1　一般进化算法40

8.2　表示40

8.3　初始群体41

8.4　适应度函数41

8.5　选择42

8.5.1　随机选择42

8.5.2 比例选择42

8.5.3　锦标赛选择43

8.5.4　排序选择43

8.5.5 （μ,λ）-选择和（μ+λ）-选择43

8.5.6　精英选择44

8.5.7　名人堂选择44

8.6　繁殖算子44

8.7　进化计算与经典优化44

8.8　小结45

第9章　进化计算方法47

9.1　遗传算法47

9.1.1　表示方案47

9.1.2　交叉算子48

9.1.3　变异48

9.2　遗传编程48

9.2.1　表示方案48

9.2.2　适应度评估49

9.2.3　交叉算子49

9.2.4　变异算子49

9.3　进化规划49

9.3.1　表示方案49

9.3.2　变异算子50

9.4　进化策略50

9.4.1　表示方案50

9.4.2　交叉算子50

9.4.3　变异算子51

9.5　差分进化51

9.6　文化算法52

9.6.1　信念空间52

9.6.2　群体空间53

9.6.3　文化算法53

9.7　小结54

第10章　协同进化&.55

10.1　竞争协同进化55

10.1.1　计算适应度56

10.1.2　相对适应度度量56

10.1.3　适应度采样56

10.1.4　名人堂57

10.2　合作协同进化57

10.2.1　适应度评估57

10.2.2　合作协同进化遗传算法57

10.3　小结58

第三部分　粒子群优化第11章 引言61

第12章　基本粒子群优化65

12.1　完全PSO模型66

12.1.1　全局最优PSO66

12.1.2　局部最优PSO67

12.1.3　基本粒子群优化的各个要素68

12.2　社会网络结构74

12.3　基本变体76

12.3.1　速度钳制76

12.3.2　惯性权重78

12.3.3　收缩系数80

12.3.4　同步更新与异步更新80

12.3.5　速度模型81

12.4　基本粒子群优化的参数82

12.5　性能评价84

12.5.1 准确性84

12.5.2　可靠性85

12.5.3　鲁棒性85

12.5.4　效率86

12.5.5　多样性86

12.5.6　相干性87

12.6　粒子群优化与进化计算87

12.6.1　搜索过程87

12.6.2　表示88

12.6.3　适应度函数88

12.6.4　重组88

12.6.5　变异89

12.6.6　选择89

12.7　小结89

第13章　粒子轨迹91

13.1　收敛91

13.2　冲浪92

13.2.1　简化PSO的粒子轨迹92

13.2.2　更一般化的PSO的粒子轨迹95

13.3　种群平衡97

13.3.1　平衡状态98

13.3.2　粒子吸引子98

13.4　收缩后的轨迹100

13.4.1　简化PSO系统100

13.4.2　一般PSO系统表示101

13.4.3　收缩模型101

13.4.4　一般PSO系统103

13.4.5　收缩系统的空间范围103

13.5　无约束的轨迹104

13.6　启发式参数选择108

13.7　小结108

第14章　收敛性的证明111

14.1　基本PSO的收敛性证明112

14.2　保证局部收敛的PSO113

14.2.1　保证收敛的PSO（GCPSO）114

14.2.2　收敛的线性PSO116

14.2.3　爬山法的全局最优117

14.3 PSO的全局收敛性117

14.3.1　基本PSO的全局收敛性117

14.3.2 GCPSO的全局收敛性118

14.3.3　满足全局收敛性的PSO119

14.3.4　收敛速率119

14.3.5　全局PSO优化方法的停止准则119

14.4　小结120

第15章　单解粒子群优化121

15.1　基于社会结构的粒子群算法122

15.1.1　社会网络结构122

15.1.2　信息共享策略125

15.2　混合方法128

15.2.1　基于遗传算法的PSO128

15.2.2　基于PSO的进化规划132

15.2.3　基于进化策略的PSO134

15.2.4　基于差分进化的PSO135

15.2.5　文化群体135

15.2.6　基于蚁群的PSO136

15.3　基于子群的PSO137

15.4　拟基因PSO算法144

15.4.1　爬山PSO144

15.4.2　随机局部搜索145

15.4.3　基于梯度的PSO145

15.5　多次启动的PSO算法146

15.6　排斥方法149

15.6.1　带电PSO150

15.6.2　相干速度150

15.6.3　具有空间扩展的粒子151

15.7　小结151

第16章　小生境粒子群优化153

16.1　基本PSO的小生境能力154

16.2　顺序PSO小生境155

16.2.1　简单顺序小生境156

16.2.2 目标函数拉伸方法156

16.3　并行PSO小生境160

16.3.1 nbest PSO160

16.3.2 NichePSO164

16.4　准顺序小生境168

16.4.1　降级NiehePSO169

16.4.2　基于向量的PSO169

16.5　性能度量170

16.6　小结170

第17章 利用粒子群优化的约束优化171

17.1　剔除不可行解171

17.2　惩罚函数方法172

17.3　转化为非约束问题174

17.4　修复方法175

17.5　保持可行性的方法175

17.5.1　线性PSO176

17.5.2　收敛的LPSO180

17.5.3 LPSO/CLPSO用于不等式约束优化181

17.6　帕累托排序方法181

17.7　边界约束183

17.8　应用183

17.9　小结184

第18章　粒子群多目标优化185

18.1 MOO的目标185

18.2　基本PSO与多目标优化186

18.3　基于聚合的方法186

18.4　基于准则的方法188

18.5　基于支配的方法189

18.5.1 档案190

18.5.2 Moore和Chapman192

18.5.3　Coello Coello和Lechuga——自适应档案网格193

18.5.4　Mostaghim和Teich——Sigma方法和ε-支配195

18.5.5 Hu、Eberhart和Shi——全局向导的选择196

18.5.6 Zhang和Huang——基于距离的选择196

18.5.7 Li——非支配排序197

18.5.8 Yen和Lu199

18.5.9 Fieldsend和Singh——支配树199

18.5.10　支配树199

18.5.11　向导选择203

18.5.12 Ray和Liew——群隐喻203

18.6　性能度量205

18.6.1　经验性能度量205

18.6.2　理论分析215

18.7　小结215

第19章　动态环境中的粒子群优化217

19.1 PSO推论217

19.2　动态环境的PSO方法218

19.2.1　环境变化检测219

19.2.2　对环境变化的响应219

19.3　动态环境的性能度量222

19.4 PSO在动态问题中的应用222

19.5　小结223

第20章　离散粒子群优化225

20.1　二元PSO225

20.2　一般的离散PSO228

20.3　应用实例228

20.4　组合电路设计229

20.4.1　迭代囚徒两难问题230

20.4.2　约束满足问题230

20.4.3　旅行商问题231

20.4.4　整数规划234

20.4.5　实际应用234

20.5　小结234

第21章　粒子群优化的应用235

21.1　神经网络235

21.1.1　监督学习235

21.1.2　非监督学习236

21.1.3　结构选择237

21.1.4　应用237

21.2　博弈学习237

21.2.1　协同进化的博弈学习237

21.2.2　基于博弈的经典优化问题239

21.3　聚类应用239

21.4　设计应用240

21.5　调度与规划应用240

21.6　控制器应用240

21.7　应用数学241

21.8 电力系统的应用242

21.9　混杂应用242

21.9.1　生物与生物信息学应用242

21.9.2　物理学中应用243

21.9.3　模糊系统243

21.9.4　数据挖掘243

21.9.5　预测与优化应用244

21.9.6　其他应用244

21.10　小结244

第四部分　蚂蚁算法247

第22章 引言247

第23章　蚁群优化的元启发算法251

23.1　蚁群觅食行为251

23.2　简单蚁群优化253

23.3　早期蚂蚁算法256

23.3.1　蚂蚁系统256

23.3.2 蚁群系统259

23.3.3　最大最小蚂蚁系统262

23.3.4　蚂蚁-Q265

23.3.5　快速蚂蚁系统266

23.3.6　蚂蚁禁忌表266

23.3.7　蚂蚁排名系统267

23.3.8　近似不确定树搜索267

23.4　参数设置269

23.5　小结271

第24章　蚁群优化算法的一般框架273

24.1　蚁群优化算法的特点273

24.2　一般框架275

24.2.1　蚁群优化元启发275

24.2.2　蚂蚁系统元启发276

24.2.3　蚂蚁规划277

24.2.4　超立方蚁群优化框架278

24.3　小结280

第25章　蚁群优化算法281

25.1　单一种群的蚁群优化算法281

25.1.1　带信息素排斥的蚁群优化算法281

25.1.2　候选集283

25.1.3　饲养蚁群284

25.1.4　基于群体的蚁群优化算法284

25.1.5　随机扰动蚁群优化算法285

25.1.6　蚁群编程286

25.2　连续蚁群优化算法288

25.3　多种群算法290

25.3.1　单目标算法290

25.3.2　多目标算法292

25.4　混合蚁群优化算法293

25.4.1　蚁群优化的局部搜索294

25.4.2　禁忌搜索蚁群优化算法295

25.4.3　集束搜索蚁群优化算法295

25.4.4　基于遗传算法的蚁群优化算法297

25.4.5　基于模糊系统的蚁群优化算法298

25.4.6　基于免疫系统的蚁群优化算法298

25.5　多目标优化299

25.5.1　多种群多目标优化算法300

25.5.2　多信息素矩阵方法300

25.5.3　多启发方法301

25.6　动态优化问题302

25.7　并行蚁群优化算法303

25.7.1　种群层次的并行化304

25.7.2　蚂蚁层次的并行化305

25.7.3　数据层次的并行化305

25.7.4　函数层次的并行化305

25.7.5　结合并行策略306

25.8　小结306

第26章 蚁群算法的应用307

26.1　一般要求307

26.2　排序问题308

26.2.1　旅行商问题309

26.2.2　车辆路线问题310

26.2.3　作业调度问题313

26.2.4　单机作业调度问题314

26.3　分配问题316

26.3.1　二次分配问题317

26.3.2　约束满足问题319

26.4　子集问题320

26.4.1　多背包问题321

26.4.2　加权极小碰集问题322

26.4.3　分类规则发现323

26.5　分组问题325

26.5.1　装箱问题326

26.5.2　图着色问题327

26.6　小结328

第27章　集体决策329

27.1 外激励329

27.2　人工信息素330

27.2.1　基本信息素更新规则330

27.2.2　信息素挥发331

27.2.3　局部与全局更新规则331

27.2.4　其他信息素更新规则332

27.3　变态分层结构（Heterarchy）332

27.4　小结333

第28章　蚁群优化的收敛性335

28.1　收敛性证明及特点335

28.2　收敛性度量337

28.3　小结338

第29章　墓地组织与育雏339

29.1　基本蚁群聚类模型339

29.2　广义蚁群聚类模型340

29.2.1 Lumer-Faieta算法340

29.2.2　对Lumer-Faieta算法的改进342

29.3　蚁群聚类的最小模型344

29.4　蚂蚁聚类集成345

29.5　混合聚类方法345

29.5.1 K-均值蚂蚁聚类345

29.5.2　模糊C-均值蚂蚁聚类346

29.6　蚂蚁聚类的应用346

29.7　小结346

第30章　分工347

30.1 昆虫群落中的分工347

30.2　基于响应阈值的任务分配348

30.2.1　单任务分配349

30.2.2　多任务分配349

30.3 自适应任务分配和专业化349

30.4　小结350

第31章　后记351

参考文献353

高级阅读材料395

附录A　缩略词397

附录B　符号401

索引413