粒子群算法及應用

前言

粒子群算法是由社會心理學家Kennedy和Eberhart博士在1995年共同提出的一種新的模仿鳥類群體行為的智能優(yōu)化算法，現已成為進化算法的一個新的重要分支。該算法通過初始一群隨機粒子（每個粒子代表著一個潛在的解），并利用迭代方式，使每個粒子向自身找到的最好位置和群體中最好粒子靠近，從而搜索最優(yōu)解。由于粒子群算法思想直觀、實現簡單而且具有很高的執(zhí)行效率，自從提出以來，一直受到國外相關領域的眾多學者關注。

內容概要

粒子群算法是一種新的模仿鳥類群體行為的智能優(yōu)化算法，現已成為進化算法的一個新的重要分支。全書共分為八章，分別論述了基本粒子群算法和改進粒子群算法的原理，并且詳細介紹了粒子群算法在函數優(yōu)化、圖像壓縮和基因聚類中的應用，最后給出了粒子群算法的應用綜述和相關程序代碼。    本書可以作為計算機科學與技術、控制科學與工程等信息類學科的研究生教材，也可供有關科研人員和工程技術人員參考。

書籍目錄

前言第1章  緒論  1.1  最優(yōu)化問題    1.1.1  函數優(yōu)化問題與組合優(yōu)化問題    1.1.2  優(yōu)化算法的發(fā)展  1.2  幾種常見的啟發(fā)式算法    1.2.1  遺傳算法    1.2.2  模擬退火算法    1.2.3  人工神經網絡  1.3  群體智能算法    1.3.1  蟻群算法    1.3.2  粒子群算法  1.4  粒子群算法的發(fā)展與應用    1.4.1  粒子群算法的發(fā)展    1.4.2  粒子群算法的應用  參考文獻第2章  基本粒子群算法  2.1  引言  2.2  基本粒子群算法  2.3  帶慣性權重的粒子群算法    2.3.1  一般的慣性因子設計    2.3.2  基于模糊系統的慣性因子的動態(tài)調整  2.4  帶收縮因子的粒子群算法  2.5  與其他算法的異同    2.5.1  基于梯度的優(yōu)化算法    2.5.2  進化計算方法    2.5.3  蟻群算法  2.6  復雜度    2.6.1  復雜度的判定標準和基本概念    2.6.2  時空復雜度分析  參考文獻第3章  粒子群算法的分析  3.1  一維空間軌跡    3.1.1  粒子群系統的簡化    3.1.2  單個粒子的軌跡  3.2  多維空間軌跡    3.2.1  區(qū)域特性    3.2.2  步長分析  3.3  代數分析    3.3.1  系統簡化    3.3.2  代數觀點  3.4  解析分析  3.5  差分方程分析    3.5.1  粒子運動軌跡的穩(wěn)定性分析    3.5.2  粒子運動軌跡的影響因素    3.5.3  粒子運動軌跡與算法收斂的關系  參考文獻第4章  改進的粒子群算法及分析  4.1  離散粒子群優(yōu)化算法    4.1.1  二進制離散粒子群優(yōu)化算法    4.1.2  改進的二值離散粒子群優(yōu)化算法    4.1.3  離散量子粒子群優(yōu)化算法    4.1.4  模糊離散粒子群優(yōu)化算法  4.2  小生境粒子群優(yōu)化算法    4.2.1  小生境粒子群算法    4.2.2  基于聚類的小生境粒子群算法    4.2.3  種群小生境粒子群算法  4.3  混合粒子群優(yōu)化算法    4.3.1  基于遺傳思想改進粒子群算法    4.3.2  混沌粒子群優(yōu)化算法    4.3.3  基于模擬退火的粒子群優(yōu)化算法  4.4  其他粒子群改進算法    4.4.1  子矢量    4.4.2  子矢量的更新過程    4.4.3  參數分析  參考文獻第5章  在函數優(yōu)化中的應用  5.1  基準測試函數  5.2  優(yōu)化測試函數的分類    5.2.1  無約束優(yōu)化測試函數    5.2.2  有約束優(yōu)化測試函數    5.2.3  極大極小優(yōu)化測試函數    5.2.4  多目標優(yōu)化測試函數  5.3  智能單粒子算法優(yōu)化性能    參考文獻第6章  在圖像壓縮中的應用  6.1  矢量量化  6.2  常用的幾種矢量量化方法    6.2.1  K-means算法    6.2.2  模糊K-means算法    6.2.3  模糊矢量量化算法    6.2.4  FRLVQ算法    6.2.5  FRLVQ-FVQ算法  6.3  粒子對算法    6.3.1  粒子結構    6.3.2  與傳統粒子群算法的差異    6.3.3  碼書更新過程  6.4  算法比較  參考文獻第7章  在基因聚類中的應用  7.1  基因芯片技術簡介  7.2  基因表達數據聚類分析    7.2.1  基因表達數據分析    7.2.2  聚類分析  7.3  基因表達數據聚類分析    7.3.1  聚類算法的分類    7.3.2  K-means聚類    7.3.3  層次聚類    7.3.4  自組織映射    7.3.5  改進型聚類算法  7.4  粒子對算法在基因聚類中的應用    7.4.1  粒子結構    7.4.2  聚類分析    7.4.3  聚類結果  7.5  基因聚類分析結果的評價標準  參考文獻第8章  粒子群算法應用綜述  8.1  優(yōu)化問題求解    8.1.1  約束優(yōu)化問題求解    8.1.2  規(guī)劃問題求解    8.1.3  離散空間組合優(yōu)化問題求解  8.2  工程設計與優(yōu)化領域    8.2.1  電路及濾波器設計    8.2.2  神經網絡訓練    8.2.3  控制器設計與優(yōu)化    8.2.4   RBF網絡優(yōu)化訓練舉例  8.3  電力系統領域    8.3.1  電容器優(yōu)化配置    8.3.2  最優(yōu)潮流計算與無功優(yōu)化控制    8.3.3  機組優(yōu)化組合問題    8.3.4  電網擴展計劃    8.3.5  電力系統恢復    8.3.6  負荷經濟分配及調度    8.3.7  狀態(tài)估計    8.3.8  參數辨識    8.3.9  優(yōu)化設計    8.3.10  OPF問題舉例  8.4  機器人控制領域    8.4.1  機器人控制與協調    8.4.2  移動機器人路徑規(guī)劃  8.5  交通運輸領域    8.5.1  車輛路徑問題    8.5.2   VRP問題舉例    8.5.3  交通控制  8.6  通信領域    8.6.1  路由選擇及移動通信基站布置優(yōu)化    8.6.2  天線陣列控制    8.6.3  偏振模色散補償  8.7  計算機領域    8.7.1  任務分配問題    8.7.2  數據分類    8.7.3  圖像處理  8.8  工業(yè)生產優(yōu)化領域    8.8.1  機械領域    8.8.2  化工領域  8.9  生物醫(yī)學領域  8.10  電磁學領域  參考文獻附錄A  粒子對算法應用于圖像矢量量化的源代碼附錄B  智能單粒子優(yōu)化算法求解函數的源代碼附錄C  23個基準測試函數附錄D  基因聚類常用軟件

章節(jié)摘錄

插圖：

編輯推薦

《粒子群算法及應用》可以作為計算機科學與技術、控制科學與工程等信息類學科的研究生教材，也可供有關科研人員和工程技術人員參考。

圖書封面

圖書標簽Tags

無

評論、評分、閱讀與下載

---

    粒子群算法及應用 PDF格式下載

---