智能蚁群算法及应用PDF|Epub|txt|kindle电子书版本网盘下载

智能蚁群算法及应用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

前言1

第1章 蚁群算法的由来1

1.1群体智能及典型算法实现1

1.2基本蚁群算法的起源2

1.3蚁群个体的运动规则3

1.4实例说明及应用状况4

1.5蚁群算法的研究及应用领域纵览7

1.5.1适用于离散空间优化问题的蚁群算法8

1.5.2蚁群算法的改进9

1.5.3蚁群算法的工程应用11

1.6蚁群算法的总体特征及作者的工作12

第2章 蚁群算法的研究成果13

2.1基本蚁群算法的提出和分析13

2.2蚁群算法的改进综述15

2.2.1最大最小蚁群系统15

2.2.2多重蚁群算法16

2.2.3具有变异特征的蚁群算法16

2.2.4自适应蚁群算法17

2.2.5蚁群算法的收敛性研究17

2.3蚁群算法与其他智能算法的结合18

2.2.6新的蚁群算法研究思路18

2.4蚁群算法的仿真和实现19

2.4.1蚁群的行为模型及模拟19

2.4.2蚁群算法的动态仿真分析20

2.4.3蚁群算法的仿真实现20

第3章 蚁群算法的应用综述23

3.1优化问题求解23

3.1.1组合优化问题求解领域23

3.1.2调度问题求解领域26

3.1.3规划问题求解领域29

3.1.4约束优化问题求解30

3.1.5连续空间优化问题求解31

3.1.6二次指派问题求解32

3.1.7着色问题求解33

3.2基于蚁群算法的交通过程建模及规划问题求解33

3.2.1交通过程建模33

3.2.2交通过程优化及导航34

3.2.3车辆路线规划问题求解34

3.3计算机领域35

3.3.1专家系统问题求解35

3.3.2计算机图形学领域36

3.3.3数据挖掘和数据高层综合问题研究36

3.3.4计算机网络管理和移动计算37

3.4机器人设计及控制38

3.4.1机器人设计38

3.4.2机器人控制及协调39

3.4.3移动式机器人导航40

3.5电力系统应用40

3.5.1电力系统优化40

3.5.2电力系统负荷分配及调度42

3.5.3发电规划及调度问题求解42

3.6.1路由选择及负载、资源配置问题44

3.6通信领域44

3.5.4电力系统故障分析44

3.6.2移动计算45

3.6.3天线阵列控制46

3.6.4智能网络控制46

3.6.5相关模块设计和系统综合47

3.7化工领域48

3.8工程应用领域49

3.8.1制造过程控制及优化49

3.8.2工程设计问题求解49

3.8.3工程设计51

3.8.4其他工程应用领域52

3.9蚁群算法的应用特征54

第4章 蚁群算法的具体描述及改进57

4.1基本蚁群算法思路57

4.2用于求解旅行商问题的蚁群算法定义59

4.3蚁群算法的改进思路64

4.4蚁群算法改进实例66

4.4.1最大最小蚁群算法66

4.4.2具有变异和分工特征的蚁群算法69

4.4.2.1对选择策略的改进69

4.4.2.3引入变异70

4.4.2.2蚁群信息量的全局修正70

4.4.2.4蚁群分工71

4.4.3随机扰动蚁群算法72

4.4.3.1基本原理72

4.4.3.2参数选取73

4.4.4自适应蚁群算法74

4.4.4.1聚度和信息权重74

4.4.4.2自适应的信息量更新策略80

4.4.5动态蚁群算法82

4.4.5.1权函数82

4.4.5.3最优、最差路径信息素全局更新83

4.4.5.2动态挥发因子83

4.4.6蚁群算法的并行实现84

4.4.7具有感觉和知觉特征的蚁群算法86

4.4.7.1蚂蚁搜索的初始阶段86

4.4.7.2蚂蚁搜索的中间阶段87

4.4.7.3蚂蚁搜索的结束阶段90

4.4.7.4算法框架91

4.4.7.5自适应的信息量更新策略92

4.5广义蚁群算法及收敛性分析94

4.5.1广义蚁群算法的基本步骤94

4.5.2广义蚁群算法收敛的充分条件97

5.1Flowshop调度优化问题求解101

第5章 基于蚁群算法的典型优化问题求解模式101

5.1.1求解Flowshop调度问题的算法框架描述102

5.1.1.1解构造过程102

5.1.1.2信息素更新模式105

5.1.1.3局部搜索（Local Search）107

5.2约束优化问题求解110

5.2.1引言110

5.2.2背景112

5.2.3Ant-Solver算法描述114

5.3.1问题介绍118

5.3用于二次配置问题求解的蚁群算法118

5.3.2用于二次配置问题求解的蚁群算法119

5.3.3基本算法流程123

5.4多选择背包问题求解及应用125

5.4.1多选择背包问题基本模型125

5.4.2蚁群系统求解多选择背包问题126

5.4.3求解背包问题的具体蚁群算法框架127

5.4.4仿真结果分析128

6.1机器人领域131

6.1.1总体思路131

第6章 蚁群算法的典型应用131

6.1.2路径的生成（Building of Path）132

6.1.3相关蚁群算法的定义133

6.1.3.1目标函数的建立134

6.1.3.2路径点的选择135

6.1.3.3信息素的更新135

6.1.4所定义的蚁群算法流程136

6.2交通运输规划问题求解136

6.2.1总体思路137

6.2.2相应蚁群算法的设计思路137

6.2.3具体的蚁群算法流程139

6.2.4实例运算结果140

6.3集成电路布线设计141

6.3.1问题描述142

6.3.2问题的连接图模式143

6.3.3基于连接图模型的蚁群算法实现144

6.4基于蚁群算法的神经网络训练146

6.4.1基本原理146

6.4.2基于蚁群算法的最优参数搜寻步骤147

6.5电力系统机组组合问题求解148

6.5.1总体思路148

6.5.2最优机组组合问题的数学模型149

6.5.3随机扰动蚁群优化算法151

6.5.4参数选取152

6.5.5随机扰动蚁群优化算法在机组最优组合中的应用153

6.5.5.1机组组合问题的动态模型153

6.5.5.2等式和不等式约束的处理155

6.5.5.3算法流程图156

6.6基于蚁群算法的多播路由算法156

6.6.1算法模型158

6.6.2算法的改进159

6.7.1背景介绍161

6.7蚁群算法在数据挖掘中的应用161

6.7.2用于数据挖掘的蚁群算法162

6.7.2.1挖掘蚂蚁概述162

6.7.2.2启发函数166

6.7.2.3规则修改168

6.7.2.4信息素更新168

第7章 蚁群算法拓展及应用171

7.1引言171

7.2用于连续空间寻优的蚁群算法171

7.2.1用于离散空间寻优的蚁群算法概述171

7.2.2用于连续空间寻优的蚁群算法定义原则173

7.2.3用于连续空间寻优的蚁群算法定义175

7.2.4函数寻优实例研究179

7.3用于多维连续空间内系统参数辨识的蚁群算法183

7.3.1基本模式183

7.3.2实例研究189

7.4蚁群算法的总体特征及相关参数选取原则193

第8章 总结195

8.1我们对蚁群算法的认识195

8.2群体智能——未来的发展方向196

参考文献199