群智能优化方法及应用

目录
前言第1章绪论1
1.1优化方法的意义1
1.2优化方法的分类4
1.3群智能优化方法的产生与发展6
1.4怎样学习群智能优化方法9
参考文献11
第2章优化模型14
2.1单变量优化14
2.2多变量优化18
2.3传统的优化计算方法21
2.3.1拉格朗日乘子法21
2.3.2牛顿迭代法22
2.3.3速下降法22
参考文献23
第3章遗传算法24
3.1导言24
3.2基本原理25
3.2.1基本思想25
3.2.2组成要素25
3.2.3算法流程33
3.3遗传算法的数学机理35
3.3.1模式的概念35
3.3.2模式定理36
3.4实例分析39
3.4.1非线性约束优化问题39
3.4.2多目标优化问题47
3.4.3图像分割问题58
参考文献68
第4章粒子群优化算法71
4.1导言71
4.2基本原理72
4.2.1基本粒子群优化算法.72
4.2.2标准粒子群优化算法75
4.2.3组成要素75
4.3数学机理79
4.3.1复杂度分析.79
4.3.2收敛性分析79
4.4实例分析81
4.4.1基于多样性反馈的粒子群优化算法81
4.4.2基于离散式多样性评价策略的自适应粒子群优化算法86
4.4.3双中心粒子群优化算法92
参考文献102
第5章蚁群算法108
5.1导言108
5.2基本原理109
5.2.1蚁群觅食的特性109
5.2.2蚂蚁系统模型110
5.2.3蚁群算法的实现112
5.3复杂度及收敛性分析113
5.3.1复杂度分析113
5.3.2收敛性分析115
5.4蚁群算法的改进119
5.4.1蚁群算法的改进思路119
5.4.2大小蚁群系统(MMAS)120
5.4.3分段算法121
5.4.4小窗口蚁群算法122
5.4.5智能蚂蚁算法122
5.4.6自适应蚁群算法124
5.4.7具有变异和分工特征的蚁群算法124
5.5实例分析126
5.5.1旅行商问题126
5.5.2聚类问题129
5.5.3边缘检测问题134
参考文献138
第6章人工免疫算法140
6.1导言140
6.2基本原理141
6.2.1生物免疫系统的基本概念141
6.2.2免疫系统的功能原理143
6.2.3人工免疫算法基本流程144
6.3免疫算法的分类145
6.3.1基于信息熵的免疫算法145
6.3.2基于免疫特性的否定选择算法147
6.3.3基于克隆选择学说的克隆选择算法148
6.3.4基于免疫网络理论的免疫算法150
6.3.5基于疫苗的免疫规划算法151
6.4实例分析152
6.4.1免疫算法与蚁群算法的混合152
6.4.2基于免疫算法的图像分割方法157
参考文献159
第7章文化算法160
7.1导言160
7.2基本原理161
7.3文化算法的设计163
7.3.1群体空间163
7.3.2信度空间164
7.3.3接受函数167
7.3.4影响函数168
7.4实例分析169
7.4.1进化规划文化算法解决约束优化问题169
7.4.2改进进化规划文化算法176
参考文献179
第8章微分进化181
8.1导言181
8.2基本原理182
8.2.1基本思想182
8.2.2组成要素182
8.2.3DE算法的流程185
8.3改进的微分进化算法186
8.3.1MADE算法186
8.3.2BinDE算法187
8.3.3normDE算法187
8.3.4基于极大、极小距离密度的多目标微分进化算法187
8.4微分进化的几种优化策略189
8.5实例分析190
8.5.1微分进化文化算法190
8.5.2基于Pareto的双群体多目标微分进化算法197
参考文献204
第9章模拟退火算法206
9.1导言206
9.1.1物理退火过程206
9.1.2退火与模拟退火208
9.2模拟退火的数学描述和统计特性209
9.2.1数学描述209
9.2.2统计特性211
9.3模拟退火算法的实现流程及性能分析212
9.3.1算法的计算步骤和流程图212
9.3.2算法的组成要素213
9.3.3算法性能分析216
9.4实例分析219
9.4.1小优化问题219
9.4.2应急救援物资调度问题223
参考文献231