计算群体智能基础

第1章 引言

第一部分 优化理论

第2章 优化问题和方法

2．1 优化问题的基本要素

2．2 优化问题分类

2．3 最优性条件

2．4 优化算法的类别

2．5 收敛的一般条件

2．5．1 简单随机搜索

2．5．2 局部收敛的条件

2．5．3 全局收敛的条件

2．5．4 收敛准则

2．6 小结

第3章 无约束优化

3．1 问题的定义

3．2 优化算法

3．2．1 一般局部搜索过程

3．2．2 集束搜索

3．2．3 禁忌搜索

3．2．4 模拟退火

3．2．5 蛙跳算法

3．3 标准问题示例

3．4 小结

第4章 约束优化

4．1 定义

4．2 约束处理方法

4．2．1 惩罚方法

4．2．2 将约束问题转换为非约束问题

4．3 标准问题实例

4．4 小结

第5章 多解问题

5．1 定义

5．2 小生境算法分类

5．3 标准问题实例

5．4 小结

第6章 多目标优化

6．1 多目标问题

6．2 帕累托最优

6．3 小结

第7章 动态优化问题

7．1 定义

7．2 动态环境的类型

7．3 标准问题实例

7．4 小结

第二部分 进化计算

第8章 进化计算导论

8．1 一般进化算法

8．2 表示

8．3 初始群体

8．4 适应度函数

8．5 选择

8．5．1 随机选择

8．5．2 比例选择

8．5．3 锦标赛选择

8．5．4 排序选择

8．5．5 (μ，λ)一选择和(μ+λ)一选择

8．5．6 精英选择

8．5．7 名人堂选择

8．6 繁殖算子

8．7 进化计算与经典优化

8．8 小结

第9章 进化计算方法

9．1 遗传算法

9．1．1 表示方案

9．1．2 交叉算子

9．1．3 变异

9．2 遗传编程

9．2．1 表示方案

9．2．2 适应度评估

9．2．3 交叉算子

9．2．4 变异算子

9．3 进化规划

9．3．1 表示方案

9．3．2 变异算子

9．4 进化策略

9．4．1 表示方案

9．4．2 交叉算子

9．4．3 变异算子

9．5 差分进化

9．6 文化算法

9．6．1 信念空间

9．6．2 群体空间

9．6．3 文化算法

9．7 小结

第10章 协同进化

10．1 竞争协同进化

10．1．1 计算适应度

10．1．2 相对适应度度量

10．1．3 适应度采样

10．1．4 名人堂

10．2 合作协同进化

10．2．1 适应度评估

10．2．2 合作协同进化遗传算法

10．3 小结

第三部分 粒子群优化

第11章 引言

第12章 基本粒子群优化

12．1 完全PSO模型

12．1．1 全局最优PSO

12．1．2 局部最优PSO

12．1．3 基本粒子群优化的各个要素

12．2 社会网络结构

12．3 基本变体

12．3．1 速度钳制

12．3．2 惯性权重

12．3．3 收缩系数

12．3．4 同步更新与异步更新

12．3．5 速度模型

12．4 基本粒子群优化的参数

12．5 性能评价

12．5．1 准确性

12．5．2 可靠性

12．5．3 鲁棒性

12．5．4 效率

12．5．5 多样性

12．5．6 相干性

12．6 粒子群优化与进化计算

12．6．1 搜索过程

12．6．2 表看

12．6．3 适应度函数

12．6．4 重组

12．6．5 变异

12．6．6 选择

12．7 小结

第13章 粒子轨迹

13．1 收敛

13．2 冲浪

13．2．1 简化PSO的粒子轨迹

13．2．2 更一般化的PSO的粒子轨迹

13．3 种群平衡

13．3．1 平衡状态

13．3．2 粒子吸引子

13．4 收缩后的轨迹

13．4．1 简化：PSO系统

13．4．2 一般PSO系统表示

13．4．3 收缩模型

13．4．4 一般PSO系统

13．4．5 收缩系统的空间范围

13．5 无约束的轨迹

13．6 启发式参数选择

13．7 小结

第14章 收敛性的证明

第15章 单解粒子群优化

第16章 小生境粒子群优化

第17章 利用粒子群优化的约束优化

第18章 粒子群多目标优化

第19章 动态环境中的粒子群优化

第20章 离散粒子群优化

第21章 粒子群优化的应用

第四部分 蚂蚁算法

第22章 引言

第23章 蚁群优化的元启发算法

第24章 蚁群优化算法的一般框架

第25章 蚁群优化算法

第26章 蚁群算法的应用

第27章 集体决策

第28章 蚁群优化的收敛性

第29章 墓地组织与育雏

第30章 分工

第31章 后记

参考文献

高级阅读材料

附录A缩略词

附录B符号

索引

《计算群体智能基础》全面系统地介绍了计算群体智能中的粒子群优化(PSO)和蚁群优化(ACO)的基本概念、基本模型、理论分析及其应用。在简要介绍基本优化理论和总结各类优化问题之后，重点介绍了社会网络结构如何在个体间交换信息以及个体聚集行为如何形成一个功能强大的有机体。在概述了进化计算后，重点论述了粒子群优化和蚁群优化的基本模型及其各种变体，给出了分析粒子群优化模型的一种通用方法，证明了基于蚂蚁行为实现的蚁群优化算法并将其用于解决实际问题。　　 《计算群体智能基础》可作为高等院校智能科学、计算机、自动化、电子信息、通信、模式识别等专业研究生和高年级本科生的教材，也可作为智能信息处理、群体智能与工程等相关专业的科技工程人员的参考用书。

《计算群体智能基础》重点是群体行为模型的算法实现：　　
考查了社会网络结构如何用于在个体问交换信息，以及这些个体的聚集行为如何形成一个功能强大的有机体。　　
简要介绍了形式化优化理论。　　
概述了与群体智能有关的进化计算方法，如遗传算法、进化规划、进化策略、文化算法和协同进化。　　
着眼于以鸟群中鸟的舞蹈运动作为粒子群优化（PSO）模型的基础，并提供了一种处理各类：PSO模型的通用方法　　
证明了蚂蚁行为如何用实现蚁群优化（ACO）算法来解决现实问题，如路径优化、结构优化、数据挖掘和数据聚类。　　
考虑了不同种类的优化问题，包括多目标优化、动态环境、离散和连续搜索空间、约束优化和小生境方法。　　
包含了各种不同算法的Java类和实现，它们可以用于测试PSO算法和ACO算法。