微粒群優(yōu)化與調(diào)度算法

內(nèi)容概要

本書主要闡述微粒群優(yōu)化(PSO)算法在連續(xù)優(yōu)化與生產(chǎn)調(diào)度方面的研究成果。全書由8章構(gòu)成，內(nèi)容自成體系，第1～2章介紹PS0算法的原理、框架和相關(guān)理論，第3～5章介紹PSO算法在連續(xù)優(yōu)化領(lǐng)域的研究，第6～8章介紹PSO算法在生產(chǎn)調(diào)度領(lǐng)域的研究。 各章節(jié)內(nèi)容具體安排如下：第1章主要介紹PSO算法的原理、特點、流程和相關(guān)研究進展。第2章從系統(tǒng)性的角度，闡述群體智能優(yōu)化的統(tǒng)一框架和收斂性理論，給出算法設(shè)計的指導性原則。第3章闡述基于PSO算法的無約束優(yōu)化研究，介紹混沌PSO算法、退火PSO算法及其應用。第4章闡述基于 PSO算法的約束優(yōu)化研究，介紹協(xié)進化PSO算法、基于可行性規(guī)則的PSO算法及其相關(guān)改進。第5章闡述基于PSO算法的不確定優(yōu)化研究，介紹基于假設(shè)檢驗和基于序優(yōu)化的PSO算法及其相關(guān)應用。第6章重點闡述基于PSO算法的置換流水線調(diào)度研究，介紹算法的詳細設(shè)計和仿真結(jié)果。第7章分別闡述零等待、有限緩沖區(qū)、多目標、不確定、零空閑等復雜流水線調(diào)度的PSO算法設(shè)計與仿真結(jié)果。第8章闡述作業(yè)車問調(diào)度的連續(xù)PSO算法和離散PSO算法的設(shè)計與仿真結(jié)果。 本書主要面向計算機、自動化、管理、機械等學科的教師、學生以及相關(guān)領(lǐng)域研究與開發(fā)技術(shù)人員。

作者簡介

　　王凌，男，1972年8月生，江蘇武進人，博士。1935年和1999年在清華大學自動化系分別獲學士和博士學位，畢業(yè)后留校任教，2002年晉升副教授、研究生導師，2007年在美國密西根大學從事訪問學者一年?，F(xiàn)擔任IEEE計算智能協(xié)會（CIS）涌現(xiàn)技術(shù)委員會（ETTC）委員，山東大學威海分校兼職教授，聊城大學兼職教授，歐洲工業(yè)工程期刊（EJIE）、國際自動化與控制期刊（IJAAC）、國際軟計算期刊（IJSC）、開放性運籌學期刊（OORJ）、國際工程與應用科學期刊（IJEAS）、國際電氣與電力工程期刊（IJEPE）、亞洲信息技術(shù)期刊（AJIT）等國際期刊的編委，國家自然科學基金項目、科技部863項目以及霍英東基金項目的通訊評議專家，IEEE-T-SMC-B、IEEE-T-EC、IEEE-T-NN、IEEE-T-ASE、C&OR、C&IE、EJOR等20多家國際著名期刊的評委，《中國科學》、《自動化學報》、《計算機學報》、《軟件學報》、《電子學報》等40多家國內(nèi)著名期刊的評委。　　主要研究興趣為智能優(yōu)化理論與方法、生產(chǎn)調(diào)度系統(tǒng)建模與優(yōu)化等。先后承擔和參與國家自然科學基金項目5項、科技部973項目子課題2項、科技部863項目4項、北京市科委項目1項以及若干國際合作、企業(yè)合作項目。已出版專著《智能優(yōu)化算法及其應用》、《車間調(diào)度及其遺傳算法》，譯著《過程的動態(tài)特性與控制》，并參編《中國大百科全書》第二版。已在IEEE-T-SMC-A、IEEE-T-SMC-B、C&OR、IJPR、EAAl、AMC、CS&F、IJAMT、PLA等國內(nèi)外著名學術(shù)刊物上發(fā)表論文150篇，其中SCl已收錄50篇、El已收錄80篇。所發(fā)表論著至今已被SCI引用260余次、被中國知識網(wǎng)CNKl他引2400余次、被Google學術(shù)搜索他引1300余次。曾獲2003年度教育部提名國家自然科學獎一等獎、2097年度高等學校自然科學獎二等獎、清華大學優(yōu)秀博士論文一等獎、ICMLC’02國際會議優(yōu)秀論文獎、中國CDC’05年會優(yōu)秀論文獎、ICT’06國際會議優(yōu)秀論文獎、清華大學出版社優(yōu)秀圖書一等獎、清華大學優(yōu)秀教材二等獎、清華大學優(yōu)秀班主任一等獎。2004年入選北京市科技新星。

書籍目錄

第1章  微粒群優(yōu)化算法  1.1  微粒群優(yōu)化算法的基本原理  1.2  基本微粒群優(yōu)化算法  1.3  基本微粒群優(yōu)化算法的流程和特點  1.4  微粒群優(yōu)化算法的改進研究  1.5  復雜環(huán)境下的微粒群優(yōu)化算法研究    1.5.1  基于PSO算法的多目標優(yōu)化    1.5.2  基于PSO算法的約束優(yōu)化    1.5.3  基于PSO算法的離散優(yōu)化    1.5.4  基于PSO算法的動態(tài)優(yōu)化  1.6  微粒群優(yōu)化算法的應用研究  1.7  微粒群優(yōu)化算法研究總結(jié)與展望  參考文獻第2章  群體智能優(yōu)化統(tǒng)一框架  2.1  群體智能優(yōu)化算法理論研究進展    2.1.1  統(tǒng)一框架研究概述    2.1.2  收斂性理論研究概述  2.2  群體智能優(yōu)化算法的統(tǒng)一描述    2.2.1  群體智能優(yōu)化算法的基本環(huán)節(jié)    2.2.2  群體智能優(yōu)化算法的統(tǒng)一框架  2.3  群體智能優(yōu)化框架的實例化    2.3.1  微粒群優(yōu)化算法    2.3.2  差分進化算法    2.3.3  分散搜索算法    2.3.4  蟻群算法    2.3.5  遺傳算法    2.3.6  進化規(guī)劃    2.3.7  進化策略  2.4  基于統(tǒng)一框架的群體智能優(yōu)化算法設(shè)計    2.4.1  社會協(xié)作策略的選擇    2.4.2  自我適應策略的選擇    2.4.3  競爭策略的選擇  2.5  混合群體智能優(yōu)化算法的統(tǒng)一描述    2.5.1  混合群體智能優(yōu)化算法的基本環(huán)節(jié)    2.5.2  混合群體智能優(yōu)化算法的統(tǒng)一框架  2.6  基于統(tǒng)一框架的算法收斂性分析    2.6.1  基礎(chǔ)知識    2.6.2  基于統(tǒng)一框架的群體智能優(yōu)化算法性能分析    2.6.3  基于統(tǒng)一框架的混合智能算法性能分析  2.7  小結(jié)  參考文獻第3章  基于PSO算法的無約束優(yōu)化  3.1  混沌微粒群優(yōu)化算法    3.1.1  自適應慣性權(quán)因子    3.1.2  混沌局部搜索    3.1.3  混沌PSO算法    3.1.4  仿真實驗  3.2  結(jié)合模擬退火的微粒群優(yōu)化算法    3.2.1  混合算法的設(shè)計思想    3.2.2  混合微粒群優(yōu)化算法流程    3.2.3  基于混合PSO算法的參數(shù)估計  3.3  基于PSO算法的混沌系統(tǒng)控制與同步    3.3.1  混沌系統(tǒng)的控制和同步問題描述    3.3.2  混沌系統(tǒng)控制的仿真    3.3.3  混沌系統(tǒng)同步的仿真  參考文獻第4章  基于PSO算法的約束優(yōu)化  4.1  約束優(yōu)化問題描述  4.2  智能約束處理技術(shù)概述    4.2.1  無約束化處理    4.2.2  基于排序的方法    4.2.3  基于多目標的方法    4.2.4  特殊算子法    4.2.5  基于譯碼器的方法    4.2.6  基于文化算法的技術(shù)    4.2.7  修補技術(shù)    4.2.8  算法混合的策略  4.3  基于協(xié)進化PSO算法的約束優(yōu)化    4.3.1  研究思路    4.3.2  協(xié)進化模型    4.3.3  CPSO算法設(shè)計    4.3.4  數(shù)值仿真與分析    4.3.5  CPSO算法的改進  4.4  基于可行性規(guī)則的混合PSO算法    4.4.1  設(shè)計思路    4.4.2  混合微粒群優(yōu)化算法設(shè)計    4.4.3  數(shù)值仿真與分析  參考文獻第5章  基于PSO算法的不確定優(yōu)化  5.1  不確定函數(shù)的混合PSO算法    5.1.1  假設(shè)檢驗    5.1.2  序優(yōu)化思想    5.1.3  最優(yōu)計算量分配技術(shù)    5.1.4  混合微粒群優(yōu)化算法    5.1.5  仿真實驗與比較  5.2  噪聲環(huán)境下基于PSO算法的參數(shù)估計    5.2.1  問題描述    5.2.2  數(shù)值仿真  5.3  噪聲環(huán)境下基于PSO算法的模型降階    5.3.1  問題描述    5.3.2  數(shù)值仿真  參考文獻第6章  基于PSO算法的置換流水線調(diào)度  6.1  引言  6.2  置換流水線調(diào)度的數(shù)學描述  6.3  置換流水線調(diào)度的算法概述  6.4  置換流水線調(diào)度的混合PSO算法    6.4.1  解的表達與ROV規(guī)則    6.4.2  基于NEH方法的初始化    6.4.3  微粒群進化搜索    6.4.4  基于NEH方法的局部搜索    6.4.5  基于自適應學習策略的多鄰域搜索    6.4.6  基于Pairwise的局部搜索    6.4.7  混合Ps0算法的流程和框架    6.4.8  仿真實驗與比較    6.4.9  參數(shù)分析  6.5  置換流水線調(diào)度的混合離散PSo算法    6.5.1  離散微粒群優(yōu)化操作    6.5.2  變鄰域搜索算子    6.5.3  仿真實驗及結(jié)果  參考文獻第7章  基于PSO算法的復雜流水線調(diào)度  7.1  基于PSo算法的零等待流水線調(diào)度    7.1.1  零等待流水線調(diào)度的問題描述    7.1.2  零等待流水線調(diào)度的算法概述    7.1.3  零等待流水線調(diào)度的混合PSO算法    7.1.4  數(shù)值仿真研究  7.2  基于PSO算法的有限緩沖區(qū)流水線調(diào)度    7.2.1  有限緩沖區(qū)流水線調(diào)度的問題描述    7.2.2  有限緩沖區(qū)流水線調(diào)度的算法概述    7.2.3  有限緩沖區(qū)流水線調(diào)度的混合PSO算法    7.2.4  數(shù)值仿真研究    7.2.5  算法參數(shù)分析  7.3  基于PSO算法的多目標流水線調(diào)度    7.3.1  多目標優(yōu)化的問題描述    7.3.2  多目標流水線調(diào)度的智能算法概述    7.3.3  多目標流水線調(diào)度的混合PSO算法    7.3.4  數(shù)值仿真研究  7.4  基于PSO算法的隨機流水線調(diào)度    7.4.1  不確定調(diào)度的混合微粒群優(yōu)化算法    7.4.2  數(shù)值仿真研究  7.5  基于離散PSO算法的零空閑流水線調(diào)度    7.5.1  零空閑流水線調(diào)度問題的描述    7.5.2  快速鄰域搜索    7.5.3  離散微粒群調(diào)度算法    7.5.4  數(shù)值仿真研究  參考文獻第8章  基于PSO算法的作業(yè)車間調(diào)度  8.1  作業(yè)車間調(diào)度的描述  8.2  作業(yè)車間調(diào)度的算法研究  8.3  作業(yè)車間調(diào)度的PSO算法研究    8.3.1  作業(yè)車間調(diào)度的PSO算法概述    8.3.2  編碼與解碼    8.3.3  速度和位置更新操作  8.4  作業(yè)車間調(diào)度的混合微粒群優(yōu)化算法    8.4.1  編碼與解碼    8.4.2  鄰域結(jié)構(gòu)及移動    8.4.3  微粒群進化搜索    8.4.4  基于模擬退火的局部搜索    8.4.5  混合微粒群優(yōu)化算法    8.4.6  數(shù)值仿真研究  8.5  作業(yè)車間調(diào)度的離散微粒群優(yōu)化算法    8.5.1  離散微粒群優(yōu)化算法    8.5.2  鄰域結(jié)構(gòu)和變鄰域搜索    8.5.3  混合離散PSO調(diào)度算法    8.5.4  數(shù)值仿真研究  參考文獻

章節(jié)摘錄

　　第1章　微粒群優(yōu)化算法　　微粒群優(yōu)化（partic1e swarm optimization，PSO）算法，是基于群體智能理論的一種新興演化計算技術(shù)。PSO算法通過群體中微粒間的合作與競爭而產(chǎn)生的群體智能指導優(yōu)化搜索，算法具有較強的通用性，具有全局尋優(yōu)的特點。本章主要介紹基本微粒群優(yōu)化算法的搜索機制、特點和流程，全面綜述PSO算法的改進與應用研究，為讀者開展微粒群優(yōu)化算法的研究與應用提供指導。　　1.1　微粒群優(yōu)化算法的基本原理　　生物群體內(nèi)個體間的合作與競爭等行為產(chǎn)生的群體智能，往往能給某些特定的問題提供高效的解決方法。鳥類在搜索食物的過程中，個體之間可以進行信息的交流和共享，每個成員可以得益于所有其他成員的發(fā)現(xiàn)和飛行經(jīng)歷。當食物源不可預測地零星分布時，這種協(xié)作帶來的優(yōu)勢是決定性的，遠大于對食物的競爭帶來的劣勢?！　∶绹睦韺W家Kennedy和電氣工程師Eberhart受這種行為的啟發(fā)，于1995年提出了微粒群優(yōu)化算法。PSO算法是一種基于群體智能的隨機尋優(yōu)算法，它模仿鳥類的覓食行為（如圖1.1所示），將問題的搜索空間類比于鳥類的飛行空間，將每只鳥抽象為一個無質(zhì)量無體積的微粒，用以表征問題的一個候選解，優(yōu)化所需要尋找的最優(yōu)解則等同于要尋找的食物。PSO算法為每個微粒制定了類似于鳥類運動的簡單行為規(guī)則，從而使整個微粒群的運動表現(xiàn)出與鳥類覓食類似的特性，進而用于求解復雜的優(yōu)化問題。

編輯推薦

《微粒群優(yōu)化與調(diào)度算法》主要面向計算機、自動化、管理、機械等學科的教師、學生以及相關(guān)領(lǐng)域研究與開發(fā)技術(shù)人員。

圖書封面

圖書標簽Tags

無

評論、評分、閱讀與下載

---

    微粒群優(yōu)化與調(diào)度算法 PDF格式下載

---