群体智能算法的理论基础

第 1 章 群体智能算法简介 1
1.1 群体智能算法的起源 1
1.2 群体智能算法特点 2
1.3 常见的几类群体智能算法 2
1.3.1 粒子群优化算法 3
1.3.2 蚁群优化算法 4
1.3.3 头脑风暴优化算法 5
1.3.4 鸽群优化算法 6
1.3.5 烟花算法 7
1.4 群体智能算法分析的数学模型 8
1.4.1 马尔可夫过程 8
1.4.2 漂移分析模型 9
1.4.3 平均增益模型 10
1.5 群体智能算法的收敛性分析 10
1.6 群体智能算法的时间复杂度分析 11
1.7 本章小结 13
第 2 章 粒子群优化算法的理论基础 14
2.1 粒子群优化算法简介 14
2.1.1 粒子群优化算法基本框架 14
2.1.2 粒子群优化算法理论基础的研究进展 15
2.2 粒子群优化算法的平均增益模型 16
2.3 粒子群优化算法的收敛性分析 17
2.4 粒子群优化算法的时间复杂度分析 19
2.4.1 粒子群优化算法的时间复杂度分析方法 19
2.4.2 粒子群优化算法的时间复杂度分析案例 20
2.5 粒子群优化算法时间复杂度估算的实验方法 27
2.5.1 基于平均增益模型的 PSO 算法时间复杂度估算方法 28
2.5.2 SPSO 算法的时间复杂度估算结果与分析 29
2.5.3 CLPSO 算法的时间复杂度估算结果与分析 34
2.5.4 ELPSO 算法的时间复杂度估算结果与分析 37
2.6 本章小结 40
第 3 章 蚁群优化算法的理论基础 41
3.1 蚁群优化算法简介 41
3.1.1 蚁群优化算法的基本框架 41
3.1.2 蚁群优化算法理论基础的研究进展 44
3.2 蚁群优化算法的马尔可夫过程模型 45
3.3 蚁群优化算法的收敛性分析 47
3.4 蚁群优化算法的时间复杂度分析 48
3.4.1 期望收敛时间 48
3.4.2 基于信息素比率的期望收敛时间界 51
3.4.3 蚁群优化算法的时间复杂度分析案例 53
3.5 本章小结 56
第 4 章 头脑风暴优化算法的理论基础 57
4.1 头脑风暴优化算法简介 57
4.1.1 基本框架 57
4.1.2 理论基础的研究进展 59
4.2 头脑风暴优化算法的平均增益模型 61
4.3 头脑风暴优化算法的时间复杂度分析 64
4.3.1 头脑风暴优化算法的时间复杂度分析忠路 64
4.3.2 不存在干扰操作的 BSO 算法案例研究 65
4.3.3 存在干扰操作的 BSO 算法案例研究 71
4.3.4 BSO 算法时间复杂度的验证实验 78
4.4 头脑风暴优化算法时间复杂度估算的实验方法 81
4.4.1 实验方法的基本原理 82
4.4.2 实验方法的应用案例 83
4.5 本章小结 89
第 5 章 鸽群优化算法的理论基础 90
5.1 鸽群优化算法简介 90
5.1.1 鸽群优化算法基本框架 91
5.1.2 鸽群优化算法理论基础的研究进展 93
5.2 鸽群优化算法的随机过程模型 94
5.3 鸽群优化算法的收敛性分析 94
5.3.1 个体平均位置的收敛性分析 95
5.3.2 鸽群优化算法的棋分析 96
5.3.3 鸽群优化算法全局收敛的充分条件 96
5.4 鸽群优化算法时间复杂度估算的实验方法 100
5.5 本章小结 107
第 6 章 烟花算法的理论基础 109
6.1 烟花算法简介 109
6.2 烟花算法的随机过程模型 111
6.3 烟花算法的全局收敛性分析 113
6.4 烟花算法的时间复杂度分析 114
6.4.1 烟花算法的期望首达时间 114
6.4.2 烟花算法的时间复杂度分析方法 116
6.5 烟花算法时间复杂度估算的实验方法 119
6.6 本章小结 125
参考文献 126
致谢 137