粒子群優(yōu)化算法及其工程應(yīng)用

前言

20世紀(jì)90年代以來，受自然界生物的群體行為啟發(fā)，研究者模擬自然界生物的群體行為來構(gòu)造隨機優(yōu)化算法，產(chǎn)生了基于群體智能的新興演化計算技術(shù)。典型的方法有Dorigo提出的蟻群算法和Eberhart與Kennedy提出的粒子群優(yōu)化（Particle Swarm Optimization，PSO）算法。PSO算法由于具有簡潔、易于實現(xiàn)、沒有太多調(diào)整參數(shù)及不需要梯度信息的特點，已廣泛應(yīng)用于函數(shù)優(yōu)化、神經(jīng)網(wǎng)絡(luò)訓(xùn)練、模糊系統(tǒng)控制等領(lǐng)域。目前，國內(nèi)有關(guān)PSO算法的書籍還比較少，本書在對PSO算法的理論進行介紹的基礎(chǔ)上，結(jié)合作者近兩年的研究成果，重點介紹了PSO算法在機械故障診斷和測試中應(yīng)用，期望能夠?qū)氖铝Ｗ尤簝?yōu)化技術(shù)的研究人員有所幫助。本書主要闡述PSO算法的基本理論及其在機械故障診斷和機械工程測試中的應(yīng)用成果。全書共5章，第1～3章介紹了PSO算法的原理和各種改進、變體PSO算法的原理，第4章介紹了PSO算法在機械故障診斷和機械工程測試領(lǐng)域的應(yīng)用，第5章介紹了PSO算法在函數(shù)優(yōu)化和其他工程領(lǐng)域的應(yīng)用。本書可以作為計算機科學(xué)、機械工程、控制工程等高年級本科生、研究生和教師的參考用書，也可供從事群體智能優(yōu)化技術(shù)研究和應(yīng)用的廣大研究人員使用和參考。由于作者水平有限，書中的疏漏與不妥之處在所難免，切望各位專家、學(xué)者和廣大讀者不吝指教。

內(nèi)容概要

　　粒子群優(yōu)化（PSO）算法是一種基于群體智能的新興演化計算技術(shù)，廣泛用于解決科學(xué)研究和工程實踐中的優(yōu)化問題。本書主要闡述粒子群優(yōu)化算法的基本理論及其在機械故障診斷和機械工程測試中的應(yīng)用成果。全書共5章，第1至3章介紹了PSO算法的原理和各種改進、變體PSO算法的原理，第4章介紹了PSO算法在機械工程領(lǐng)域的應(yīng)用，第5章介紹了PSO算法在其他工程領(lǐng)域的應(yīng)用。

書籍目錄

第1章 概論1.1 優(yōu)化技術(shù)1.1.1 優(yōu)化技術(shù)介紹1.1.2 優(yōu)化算法1.2 進化計算1.2.1 進化計算框架1.2.2 遺傳算法1.2.3 進化規(guī)劃1.3.5 進化策略1.3.6 差分進化算法1.4 群體智能1.4.1 群體智能概述1.4.2 蟻群優(yōu)化算法1.4.3 粒子群優(yōu)化算法1.4.4 其他智能算法參考文獻第2章 基本PSO算法2.1 PSO算法產(chǎn)生的背景2.2 基本PSO算法更新過程2.3 基本PSO算法設(shè)計原則及步驟2.3.1 基本PSO算法設(shè)計原則2.3.2 基本PSO算法步驟2.4 基本PSO算法與其他算法的比較2.5 基本PSO算法參數(shù)的選擇參考文獻第3章 改進的PSO算法3.1 離散PSO算法3.1.1 二進制PSO算法3.1.2　基于離散空間的DPSO算法3.1.3 改進的BPSO算法3.2 小生境PSO算法3.3 混合PSO群算法3.3.2 PSO-DV算法3.3.2 GA-PSO算法3.4 SA-PSO算法3.5 PSACO算法3.6 CPSO算法參考文獻第4章 PSO算法在機械工程領(lǐng)域的應(yīng)用4.1 PSO算法在機械故障診斷方面的應(yīng)用4.1.1 神經(jīng)網(wǎng)絡(luò)4.1.2 BP神經(jīng)網(wǎng)絡(luò)4.1.3 人工神經(jīng)網(wǎng)絡(luò)與PSO算法4.1.4 應(yīng)用案例4.2 PSO算法在機械測試中的應(yīng)用4.3 PSO算法在機械工程其他領(lǐng)域的應(yīng)用參考文獻第5章 PSO算法在其他工程領(lǐng)域的應(yīng)用5.1 函數(shù)優(yōu)化5.2 電力自動化領(lǐng)域的應(yīng)用5.3 化工過程控制5.3 機器人領(lǐng)域的應(yīng)用5.4 計算機工程領(lǐng)域應(yīng)用5.5 通信工程領(lǐng)域應(yīng)用參考文獻附錄A 常用的基準(zhǔn)測試函數(shù)

章節(jié)摘錄

插圖：（5）適應(yīng)度（Fitness）。各個個體對環(huán)境的適應(yīng)程度叫做適應(yīng)度。為了體現(xiàn)染色體的適應(yīng)能力，引入了對問題中的每一個染色體都能進行度量的函數(shù)，叫適應(yīng)度函數(shù)。這個函數(shù)是計算個體在群體中被使用的概率。GA是解決搜索問題的一種通用算法，對于各種通用問題都可以使用。同其他搜索算法相比，GA還具有以下幾方面的特點。。（1）GA從問題解的串集開始搜索，而不是從單個解開始。這是GA與傳統(tǒng)優(yōu)化算法的極大區(qū)別。傳統(tǒng)優(yōu)化算法是從單個初始值迭代求最優(yōu)解的，容易誤入局部最優(yōu)解。遺傳算法從串集開始搜索，覆蓋面大，利于全局擇優(yōu)。（2）許多傳統(tǒng)搜索算法都是單點搜索算法，容易陷入局部的最優(yōu)解。GA同時處理群體中的多個個體，即對搜索空間中的多個解進行評估，減少了陷入局部最優(yōu)解的風(fēng)險，同時算法本身易于實現(xiàn)并行化。（3）GA基本上不用搜索空間的知識或其他輔助信息，而僅用適應(yīng)度函數(shù)值來評估個體，在此基礎(chǔ)上進行遺傳操作。適應(yīng)度函數(shù)不僅不受連續(xù)可微的約束，而且其定義域可以任意設(shè)定。這一特點使得GA的應(yīng)用范圍大大擴展。（4）GA不是采用確定性規(guī)則，而是采用概率的變遷規(guī)則來指導(dǎo)其搜索方向。

編輯推薦

《粒子群優(yōu)化算法及其工程應(yīng)用》由電子工業(yè)出版社出版。

圖書封面

圖書標(biāo)簽Tags

無

評論、評分、閱讀與下載

---

    粒子群優(yōu)化算法及其工程應(yīng)用 PDF格式下載

---