群智能优化算法及其应用PDF|Epub|txt|kindle电子书版本网盘下载

群智能优化算法及其应用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

第1章 绪论1

1.1引言1

1.2群智能优化算法的思想起源3

1.2.1粒子群优化算法4

1.2.2蚁群优化算法6

1.2.3人工蜂群算法8

1.2.4人工鱼群算法11

1.2.5细菌觅食优化算法14

1.3本书组织结构18

1.4小结20

参考文献20

第2章 经典优化理论与方法24

2.1引言24

2.2线性规划25

2.2.1凸集和凸函数25

2.2.2线性规划的基本性质26

2.3非线性规划29

2.4整数规划30

2.4.1分支定界法31

2.4.2割平面法32

2.4.3指派问题34

2.5动态规划37

2.5.1动态规划的一些基本概念37

2.5.2动态规划的基本定理和基本方程39

2.5.3逆推解法和顺推解法40

2.5.4动态规划与静态规划的关系40

2.6多目标优化41

2.6.1多目标优化问题描述41

2.6.2基于Pareto的多目标最优解集42

2.7小结44

参考文献44

第3章 智能优化方法45

3.1引言45

3.2遗传算法46

3.2.1概述46

3.2.2基本遗传算法的描述48

3.2.3基本遗传算法的实现50

3.2.4遗传算法的应用步骤52

3.3模拟退火算法54

3.4禁忌搜索算法57

3.4.1局部搜索57

3.4.2禁忌搜索58

3.5蚁群优化算法59

3.5.1基本蚁群优化算法的原理59

3.5.2基本蚁群优化算法的系统学特征61

3.5.3基本蚁群优化算法的数学模型63

3.5.4基本蚁群优化算法的具体实现65

3.6人工鱼群算法67

3.6.1算法描述67

3.6.2算法步骤68

3.7人工蜂群算法69

3.7.1算法描述69

3.7.2算法步骤70

3.8细菌觅食优化算法70

3.8.1趋向性操作71

3.8.2复制操作71

3.8.3迁徙操作73

3.9免疫算法75

3.9.1免疫算法的基本原理75

3.9.2免疫算子的机理76

3.10 DNA计算78

3.10.1 DNA计算的研究背景78

3.10.2 DNA计算机理及其特点78

3.10.3 DNA计算的分类与模型79

3.10.4 DNA计算的应用以及研究重点与难点81

3.11小结82

参考文献83

第4章 粒子群优化算法87

4.1引言87

4.2基本PSO算法87

4.3加惯性权重的PSO算法89

4.3.1线性调整w的策略89

4.3.2模糊调整w的策略90

4.3.3随机调整w的策略90

4.4带收缩因子的PSO算法90

4.5收敛性分析91

4.5.1收敛性条件的导出91

4.5.2原始粒子群优化算法收敛性分析96

4.5.3带收缩因子的PSO算法的收敛性分析97

4.5.4粒子运动轨迹对收敛性的影响97

4.6参数分析100

4.6.1.惯性权重100

4.6.2种群规模104

4.6.3拓扑结构104

4.7 PSO算法与控制理论中的典型环节106

4.7.1标准PSO算法方程106

4.7.2比例环节106

4.7.3一阶惯性环节106

4.7.4.二阶振荡环节107

4.8几种改进策略109

4.8.1混合PSO算法模型109

4.8.2协同PSO算法模型111

4.8.3免疫PSO算法模型111

4.8.4离散二进制PSO算法模型111

4.8.5基于种群密度的PSO算法模型112

4.8.6适应度定标策略模型114

4.8.7自适应信道均衡算法模型115

4.8.8基于全局信息反馈的PSO算法模型117

4.8.9局部PSO算法模型118

4.8.10 PSO算法的拓扑改进118

4.8.11分层PSO算法模型121

4.8.12基于雁群启示的PSO算法模型121

4.8.13异步PSO算法模型123

4.8.14动态双种群PSO算法模型124

4.8.15 量子PSO算法模型125

4.8.16混沌PSO算法模型127

4.9小结128

参考文献129

第5章PSO算法用于函数优化132

5.1引言132

5.2标准PSO（SPSO）算法133

5.3带收缩因子和惯性权重线性递减的PSO（W-K-PSO）算法133

5.4二阶振荡PSO（SOPSO）算法134

5.4.1算法描述134

5.4.2学习因子对算法收敛性的影响134

5.5量子PSO算法136

5.6模拟退火PSO（SAPSO）算法137

5.7基于雁群启示的PSO算法138

5.7.1 GeeseLDW算法的实现步骤139

5.7.2 GeeseLDW算法的时间复杂度139

5.8遗传PSO（GAPSO）算法140

5.9仿真实验及结果分析141

5.9.1 SAPSO算法的两种退火方式对比142

5.9.2边界处理143

5.9.3各算法对6个测试函数的优化比较144

5.9.4 PSO算法在二维多模态函数上的动态寻优过程149

5.10小结150

参考文献150

第6章 群智能优化算法求解TSP152

6.1引言152

6.2改进的自组织PSO算法求解TSP153

6.2.1自组织机制153

6.2.2改进的自组织PSO算法154

6.2.3基于交换子和交换序的改进自组织PSO算法求解TSP156

6.3改进的混合PSO算法求解TSP159

6.3.1 PSO算法与GA算法、SA算法、ACO算法的比较159

6.3.2混合粒子群优化（Hybrid PSO， HPSO）算法160

6.3.3改进的混合PSO（LD-HPSO）算法求解TSP162

6.3.4基于雁群启示的混合粒子群（Geese-HPSO）算法求解TSP163

6.4网络路由优化170

6.4.1 QoS网络路由170

6.4.2基于ACA的QoS网络路由算法173

6.4.3改进的蚁群算法在QoS网络路由中的应用176

6.5小结180

参考文献181

第7章PSO算法求解交通优化与调度问题183

7.1引言183

7.2基于W-K-PSO算法的公交车优化调度184

7.2.1公交车调度模型184

7.2.2基于W-K-PSO算法的公交调度算法设计189

7.2.3仿真实验189

7.2.4小结193

7.3免疫PSO算法求解多库房带时间窗VRP193

7.3.1多库房带时间窗VRP194

7.3.2免疫PSO算法195

7.3.3实验仿真与结果分析197

7.3.4小结200

7.4 PSO算法求解交通信号配时优化201

7.4.1基本概念及问题描述201

7.4.2灾变粒子群优化算法206

7.4.3单交叉路口信号优化208

7.4.4多交叉路口信号优化212

7.5 PSO算法求解航班进场调度217

7.5.1引言217

7.5.2需求确定容量确定的单机场地面等待218

7.5.3需求确定容量随机的单机场地面等待224

7.6 PSO算法求解航班离场调度231

7.6.1引言231

7.6.2航班离场问题描述231

7.6.3航班离场排序模型232

7.6.4算法设计233

7.6.5仿真实验及结果分析234

7.6.6小结241

7.7小结241

参考文献242

第8章 群智能算法与路径规划244

8.1引言244

8.2机器人全局路径规划的蚁群优化算法应用244

8.2.1环境建模244

8.2.2路径表示245

8.2.3基于蚁群优化算法的路径规划246

8.2.4算法步骤246

8.2.5仿真实验及结果分析247

8.2.6小结249

8.3机器人全局路径规划的粒子群优化算法应用249

8.3.1环境建模249

8.3.2碰撞检测251

8.3.3基于二阶振荡粒子群优化算法的路径规划251

8.3.4基于混合正交粒子群优化算法的路径规划254

8.3.5小结258

8.4机器人动态路径规划的人工蜂群算法应用259

8.4.1动态环境表示259

8.4.2时间滚动窗口策略260

8.4.3基于人工蜂群算法的局部路径规划261

8.4.4算法步骤264

8.4.5仿真实验及结果分析265

8.4.6小结266

8.5无人机航路规划的人工鱼群算法应用267

8.5.1环境建模267

8.5.2航路表示268

8.5.3基于人工鱼群算法的航路规划268

8.5.4算法步骤269

8.5.5仿真实验及结果分析270

8.5.6小结272

8.6小结272

参考文献272

第9章PSO算法与图像处理273

9.1引言273

9.2基于PSO算法和二维最大熵的图像分割273

9.2.1引言273

9.2.2二维直方图理论274

9.2.3二维最大熵分割理论276

9.2.4二维Otsu分割理论276

9.2.5基于GeesePSO算法的二维最大熵算法设计277

9.2.6基于GAPSO算法的二维Otsu算法设计278

9.2.7仿真实验及结果分析278

9.2.8小结282

9.3基于QPSO算法的矢量量化图像压缩282

9.3.1引言282

9.3.2矢量量化图像压缩原理283

9.3.3算法设计284

9.3.4仿真实验285

9.3.5小结287

9.4压缩速度范围PSO算法的图像自适应增强287

9.4.1引言287

9.4.2灰度变换288

9.4.3压缩速度范围的改进粒子群算法290

9.4.4压缩速度范围改进PSO（CV-PSO）算法实现灰度自适应增强291

9.4.5仿真实验292

9.4.6小结295

9.5小结295

参考文献295

第10章 群智能优化算法与生物序列比对297

10.1引言297

10.2序列比对的定义297

10.3双序列比对299

10.3.1 Needleman-Wunsch算法300

10.3.2 Smith-Waterman算法301

10.4多序列比对302

10.4.1基于混沌粒子群优化算法的多序列比对302

10.4.2改进惯性权重粒子群优化算法在多序列比对中的应用307

10.4.3人工蜂群算法在多序列比对中的应用313

10.5小结319

参考文献319

第11章 群智能聚类融合算法与PPI网络321

11.1引言321

11.2聚类基本原理321

11.2.1聚类问题的一般描述321

11.2.2相似性度量方法323

11.3传统的聚类算法简介325

11.3.1基于划分的方法325

11.3.2基于层次的方法325

11.3.3基于模型的方法326

11.3.4基于密度的方法326

11.3.5基于网格的方法327

11.3.6小结327

11.4 K均值聚类算法327

11.4.1 K均值聚类算法的工作原理328

11.4.2 K均值聚类算法的数学描述328

11.4.3 K均值聚类算法的编码和适应度函数的选择328

11.4.4基于智能优化算法的K均值聚类329

11.4.5仿真结果及结论332

11.4.6 小结333

11.5投影寻踪聚类模型334

11.5.1投影寻踪的发展及研究内容334

11.5.2投影寻踪聚类分析334

11.5.3投影寻踪学习网络335

11.5.4投影寻踪模型335

11.5.5投影寻踪聚类模型336

11.5.6基于智能优化算法的投影寻踪聚类模型338

11.5.7基本投影寻踪聚类模型的仿真结果及结论339

11.5.8投影寻踪数学模型的改进341

11.5.9小结344

11.6蛋白质相互作用（PPI）网络345

11.6.1蛋白质相互作用网络及其特征345

11.6.2 PPI网络的群智能聚类优化方法347

11.6.3.PPI数据库与数据预处理349

11.7谱聚类融合算法353

11.7.1带收缩因子的粒子群优化算法353

11.7.2改进的谱聚类算法355

11.7.3仿真结果及分析358

11.7.4小结362

11.8 QPSO算法与功能流融合的聚类算法362

11.8.1相关概念363

11.8.2功能流算法与QPSO算法的结合364

11.8.3算法描述365

11.8.4仿真及结果分析368

11.8.5小结373

11.9基于蜂群和广度优先遍历的PPI网络聚类373

11.9.1算法及相关概念介绍374

11.9.2算法的改进376

11.9.3算法实现378

11.9.4算法分析381

11.9.5小结384

11.10 PPI网络的蜂群功能流聚类模型与算法385

11.10.1基于蜂群优化搜索的功能流聚类模型385

11.10.2实验结果分析388

11.10.3小结393

11.11基于连接强度的PPI网络聚类改进蚁群优化算法393

11.11.1基本概念394

11.11.2 JSACO算法描述396

11.11.3仿真实验398

11.11.4实验结果及分析400

11.11.5小结402

11.12融合人工鱼群机理的PPI网络聚类模型与算法403

11.12.1相关知识介绍403

11.12.2基于人工鱼群算法的PPI网络聚类模型405

11.12.3仿真试验及结果分析408

11.12.4小结412

11.13改进的基于直觉模糊集和细菌觅食机理的PPI网络聚类算法412

11.13.1相关概念413

11.13.2基于直觉模糊集和细菌觅食机理的PPI网络聚类算法模型设计414

11.13.3仿真实验及结果分析416

11.13.4小结419

11.14小结419

参考文献420

附录425

一、粒子群算法解决函数优化问题425

二、遗传算法解决函数优化问题427

三、模拟退火算法解决函数优化问题431

四、鱼群算法解决函数优化问题433

五、细菌觅食算法解决函数优化问题437

六、人工蜂群算法解决函数优化问题439

七、蚁群算法解决TSP444