粒子群算法及其應(yīng)用

內(nèi)容概要

粒子群算法（PSO）不僅僅是一種高效的優(yōu)化計(jì)算技術(shù)，其中也蘊(yùn)含群體進(jìn)化所形成的復(fù)雜生存策略和學(xué)習(xí)機(jī)制。首先，從鳥(niǎo)群行為規(guī)律和人類社會(huì)學(xué)習(xí)理論等方面系統(tǒng)地論述了粒子群算法的學(xué)習(xí)機(jī)制和信息利用策略；其次，系統(tǒng)地介紹了多種群協(xié)作和保持群體多樣性等算法改進(jìn)機(jī)制與粒子群算法的融合模型。    在粒子群算法的工程應(yīng)用領(lǐng)域，本書較詳細(xì)地講述了算法在約束優(yōu)化、多目標(biāo)優(yōu)化和組合優(yōu)化中的學(xué)習(xí)策略和編碼方案，同時(shí)給出了粒子群算法在數(shù)據(jù)挖掘諸多領(lǐng)域的應(yīng)用實(shí)例，如神經(jīng)網(wǎng)絡(luò)訓(xùn)練、分類器設(shè)計(jì)、聚類分析和網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)等，并給出了詳細(xì)的代碼設(shè)計(jì)。    本書適合高等院校高年級(jí)本科生、研究生閱讀，也可供研究群智能理論的有關(guān)人員參考。

書籍目錄

目  錄第1章 緒論 	11.1 群智能概述	21.2 群智能仿真	31.2.1 群體生物行為的復(fù)雜性31.2.2 生物群體行為的仿真  61.2.3 基于Agent的系統(tǒng)模型仿真	71.3 群智能計(jì)算	81.3.1蟻群算法	91.3.2粒子群算法簡(jiǎn)介	111.4 本書的組織	12參考文獻(xiàn)	14第2章 基本粒子群算法及其起源	172.1 粒子系統(tǒng)	172.2 從鳥(niǎo)群行為規(guī)律到粒子群算法	202.3 由社會(huì)認(rèn)知心理學(xué)到粒子群算法	232.4 由演化計(jì)算衍生粒子群算法	262.5 基本粒子群算法	292.5.1 粒子群算法的行為參數(shù)設(shè)置	302.5.2 基本粒子群算法的算法流程	332.5.3 粒子群簡(jiǎn)單實(shí)例及算法實(shí)現(xiàn)	33參考文獻(xiàn)	40第3章 粒子群算法的改進(jìn)	423.1 參數(shù)改進(jìn)型粒子群算法	423.1.1 慣性因子改進(jìn)模型	423.1.2 收斂性分析及收斂因子	433.1.3 具有時(shí)變加速因子的自組織粒子群算法	493.1.4 信息結(jié)構(gòu)與中值粒子群算法	523.2 基于模式結(jié)構(gòu)的改進(jìn)算法	563.2.1不同拓?fù)浣Y(jié)構(gòu)改進(jìn)型粒子群算法	573.2.2 社會(huì)分工粒子群算法	583.2.3 協(xié)同粒子群算法	603.2.4 自然選擇粒子群算法	613.2.5 動(dòng)態(tài)系統(tǒng)自適應(yīng)粒子群算法	613.2.6全連通粒子群算法	623.3 基于種群多樣性的改進(jìn)算法	673.3.1 基于種群熵的自適應(yīng)粒子群算法	673.3.2 不同種群結(jié)構(gòu)的描述	723.3.3 種群多樣性與種群結(jié)構(gòu)的關(guān)系	743.4 全局算法773.4.1 序列生境技術(shù)	773.4.2 函數(shù)延伸	803.5 離散粒子群算法	813.6 并行粒子群算法	813.6.1 主從式并行粒子群模型	813.6.2 孤島型并行粒子群模型	843.6.3元胞結(jié)構(gòu)并行粒子群模型	853.6.4 并行模型的復(fù)雜度分析	863.6.5 并行算法模型的可擴(kuò)展性	873.6.6 元胞并行粒子群模型收斂分析	88參考文獻(xiàn)	89第4章 粒子群算法與優(yōu)化計(jì)算	924.1 最優(yōu)化問(wèn)題	924.1.1 函數(shù)優(yōu)化問(wèn)題	934.1.2 組合優(yōu)化問(wèn)題	944.1.3 鄰域函數(shù)與局部搜索	954.1.4 優(yōu)化中的No Free Lunch 理論	964.2 約束優(yōu)化問(wèn)題	974.2.1 懲罰函數(shù)	984.2.2 粒子群算法求解約束優(yōu)化	1034.3 粒子群算法與多目標(biāo)規(guī)劃	1054.3.1 多目標(biāo)優(yōu)化問(wèn)題描述	1054.3.2 非支配解	1064.3.3 偏好結(jié)構(gòu)	1074.3.4 基本求解方法	1084.3.5 問(wèn)題的結(jié)構(gòu)和特性	1114.3.6 多目標(biāo)規(guī)劃的粒子群求解	1114.4 粒子群算法在組合優(yōu)化中的應(yīng)用	1174.4.1 旅行商問(wèn)題	1174.4.2 最小生成樹(shù)問(wèn)題	120參考文獻(xiàn)	126第5章 粒子群算法同其它仿生算法的融合	1305.1 粒子群算法與神經(jīng)網(wǎng)絡(luò)方法的融合	1305.1.1 人工神經(jīng)網(wǎng)絡(luò)模型	1315.1.2 基于粒子群算法的神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法	1375.1.3 粒子群算法與神經(jīng)網(wǎng)絡(luò)融合的其它應(yīng)用	1405.2 粒子群算法與遺傳算法的融合	1455.2.1 遺傳算法簡(jiǎn)介	1455.2.2 帶交叉和子群的混合粒子群算法	1455.2.3 基于粒子群的混合遺傳算法	1465.3 粒子群算法與其它仿生算法的比較	1525.3.1  算法的相同點(diǎn)	1525.3.2  算法的差異	153參考文獻(xiàn)	155第6章 粒子群算法在數(shù)據(jù)挖掘中的應(yīng)用	1576.1 數(shù)據(jù)挖掘功能及方法	1576.1.1 數(shù)據(jù)挖掘功能	1586.1.2 數(shù)據(jù)挖掘方法	1636.2 粒子群算法在數(shù)據(jù)分類中的應(yīng)用	1656.2.1 數(shù)據(jù)分類的主要分類算法	1656.2.2 基于粒子群算法的分類規(guī)則挖掘	1746.3 粒子群算法在數(shù)據(jù)聚類中的應(yīng)用	1826.3.1 聚類算法的分類	1826.3.2 典型的劃分方法	1836.3.3 基于粒子群的聚類算法	1876.3.4 應(yīng)用實(shí)例	1876.3.5 基于粒子群聚類算法的圖像分割	1896.4 粒子群算法在Web社區(qū)識(shí)別中的應(yīng)用	1936.4.1 傳統(tǒng)的Web網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)發(fā)現(xiàn)算法	1936.4.2 基于粒子群算法的網(wǎng)絡(luò)社區(qū)劃分模型	1946.4.3 孤立點(diǎn)修復(fù)策略	1966.4.4 測(cè)試及結(jié)果分析	197參考文獻(xiàn)	202附錄	205A 粒子群算法相關(guān)國(guó)際學(xué)術(shù)組織及其會(huì)議	205B 源程序清單	206B.1 基于PSO的多層前饋神經(jīng)網(wǎng)絡(luò)分類器程序	206B.2 基于粒子群算法的分類器程序	220B.3 基于粒子群算法的混合遺傳算法解MST程序	244

圖書封面

圖書標(biāo)簽Tags

無(wú)

評(píng)論、評(píng)分、閱讀與下載

---

    粒子群算法及其應(yīng)用 PDF格式下載

---