微粒群算法

第1章緒論
1.1最優(yōu)化問題
1.1.1局部優(yōu)化算法
1.1.2全局優(yōu)化算法
1.1.3無免費午餐定理
1.2進化計算
1.2.1進行算法的一般框架
1.2.2遺傳算法
1.2.3進化策略
1.2.4進化規(guī)劃
1.2.5遺傳程序設(shè)計
1.3群體智能算法
1.3.1蟻群算法
1.3.2微粒群算法
1.4微粒群算法的發(fā)展
1.4.1微粒群算法綜述
1.4.2微粒群算法的研究方向
第2章基本微粒群算法
2.1引言
2.2基本微粒群算法
2.2.1算法原理
2.2.2算法流程
2.3基本微粒群算法的社會行為分析
2.3.1與其他進化算法的比較
2.3.2兩種基本進化模型
2.4帶慣性權(quán)重的微粒群算法
第3章改進的微粒群算法
3.1對基本微粒群算法進化方程的改進
3.1.1基本微粒群算法分析
3.1.2帶有慣性因子的改進微粒群算法
3.1.3帶有收縮因子的微粒群算法
3.2基于遺傳思想改進微粒群算法
3.2.1利用選擇的方法
3.2.2借鑒雜交的方法
3.3利用小生境思想所做的改進
3.3.1基于動態(tài)鄰域的改進微粒群算法
3.3.2基本的鄰域結(jié)構(gòu)
3.3.3一種保證種群多樣性的微粒群算法
3.4利用收斂性分析所做的改進
3.4.1保證收斂的改進微粒群算法
3.4.2保證全局收斂的隨機微粒群算法
3.5離散變量的微粒群算法
3.5.1二進制編碼的微粒群算法
3.5.2混合編碼的微粒群算法
3.5.3整數(shù)空間的微粒群算法
3.5.4求解旅行商問題的微粒群算法
第4章微粒群算法的行為分析
4.1基于離散時間線性系統(tǒng)理論的分析
4.2微粒群算法的代數(shù)分析
4.3微粒群算法的解析分析
4.4微粒群算法的狀態(tài)空間模型
第5章微粒群算法的收斂性分析
5.1隨機算法的收斂準則
5.2基本微粒群算法的收斂性分析
5.3其他改進微粒群算法的收斂性分析
第6章微粒群算法的實驗設(shè)計與參數(shù)選擇
6.1典型實驗函數(shù)
6.1.1無約束優(yōu)化測試函數(shù)
6.1.2多目標優(yōu)化測試函數(shù)
6.1.3約束優(yōu)化測試函數(shù)
6.1.4極小極大化測試函數(shù)
6.2設(shè)計微粒群算法的基本原則與步驟
6.2.1設(shè)計PSO算法的基本原則
6.2.2PSO算法的設(shè)計步驟
6.2.3PSO算法的偽碼描述
6.3幾種典型的PSO模型及其參數(shù)選擇
6.3.1簡單微粒群算法模型
6.3.2引入慣性權(quán)重系數(shù)的PSO模型
6.3.3引入收縮因子的PSO模型
6.3.4經(jīng)典PSO算法模型
第7章人工神經(jīng)網(wǎng)絡(luò)的優(yōu)化
7.1人工神經(jīng)網(wǎng)絡(luò)
7.1.1人工神經(jīng)網(wǎng)絡(luò)的基本概念
7.1.2前饋神經(jīng)網(wǎng)絡(luò)
7.1.3網(wǎng)絡(luò)的泛化能力
7.1.4神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計
7.2進化計算用于神經(jīng)網(wǎng)絡(luò)的優(yōu)化
7.3用PSO算法優(yōu)化神經(jīng)網(wǎng)絡(luò)
7.3.1訓練神經(jīng)網(wǎng)絡(luò)的PSO算法的設(shè)計
7.3.2算法的評價及分析
7.4協(xié)同PSO算法優(yōu)化神經(jīng)網(wǎng)絡(luò)
7.4.1協(xié)同PSO算法
7.4.2協(xié)同PSO算法優(yōu)化神經(jīng)網(wǎng)絡(luò)應(yīng)用實例
第8章微粒群算法在函數(shù)優(yōu)化中的應(yīng)用
8.1使用函數(shù)“Stretching”技術(shù)的PSO算法
8.1.1函數(shù)“Stretching”技術(shù)
8.1.2StretchedPSO算法(SPSO)
8.2基于PSO算法求解多目標優(yōu)化問題
8.2.1多目標優(yōu)化問題的基本概念
8.2.2求解多目標優(yōu)化問題的PSO算法
8.3用PSO算法求解約束優(yōu)化問題
8.3.1約束優(yōu)化問題
8.3.2非固定多段映射罰函數(shù)法
8.3.3求解CO的PSO算法
8.4PSO算法在最大最小優(yōu)化問題中的應(yīng)用
8.5PSO算法在整數(shù)規(guī)劃問題中的應(yīng)用
8.6使用PSO算法尋找多峰函數(shù)的最小點
附錄1標準微粒群算法源程序
附錄2隨機微粒群算法源程序
參考文獻