粒子群算法及其應(yīng)用

目 錄
第1章 緒論 1
1.1 群智能概述 2
1.2 群智能仿真 3
1.2.1 群體生物行為的復(fù)雜性3
1.2.2 生物群體行為的仿真 6
1.2.3 基于Agent的系統(tǒng)模型仿真 7
1.3 群智能計算 8
1.3.1蟻群算法 9
1.3.2粒子群算法簡介 11
1.4 本書的組織 12
參考文獻(xiàn) 14
第2章 基本粒子群算法及其起源 17
2.1 粒子系統(tǒng) 17
2.2 從鳥群行為規(guī)律到粒子群算法 20
2.3 由社會認(rèn)知心理學(xué)到粒子群算法 23
2.4 由演化計算衍生粒子群算法 26
2.5 基本粒子群算法 29
2.5.1 粒子群算法的行為參數(shù)設(shè)置 30
2.5.2 基本粒子群算法的算法流程 33
2.5.3 粒子群簡單實(shí)例及算法實(shí)現(xiàn) 33
參考文獻(xiàn) 40
第3章 粒子群算法的改進(jìn) 42
3.1 參數(shù)改進(jìn)型粒子群算法 42
3.1.1 慣性因子改進(jìn)模型 42
3.1.2 收斂性分析及收斂因子 43
3.1.3 具有時變加速因子的自組織粒子群算法 49
3.1.4 信息結(jié)構(gòu)與中值粒子群算法 52
3.2 基于模式結(jié)構(gòu)的改進(jìn)算法 56
3.2.1不同拓?fù)浣Y(jié)構(gòu)改進(jìn)型粒子群算法 57
3.2.2 社會分工粒子群算法 58
3.2.3 協(xié)同粒子群算法 60
3.2.4 自然選擇粒子群算法 61
3.2.5 動態(tài)系統(tǒng)自適應(yīng)粒子群算法 61
3.2.6全連通粒子群算法 62
3.3 基于種群多樣性的改進(jìn)算法 67
3.3.1 基于種群熵的自適應(yīng)粒子群算法 67
3.3.2 不同種群結(jié)構(gòu)的描述 72
3.3.3 種群多樣性與種群結(jié)構(gòu)的關(guān)系 74
3.4 全局算法77
3.4.1 序列生境技術(shù) 77
3.4.2 函數(shù)延伸 80
3.5 離散粒子群算法 81
3.6 并行粒子群算法 81
3.6.1 主從式并行粒子群模型 81
3.6.2 孤島型并行粒子群模型 84
3.6.3元胞結(jié)構(gòu)并行粒子群模型 85
3.6.4 并行模型的復(fù)雜度分析 86
3.6.5 并行算法模型的可擴(kuò)展性 87
3.6.6 元胞并行粒子群模型收斂分析 88
參考文獻(xiàn) 89
第4章 粒子群算法與優(yōu)化計算 92
4.1 最優(yōu)化問題 92
4.1.1 函數(shù)優(yōu)化問題 93
4.1.2 組合優(yōu)化問題 94
4.1.3 鄰域函數(shù)與局部搜索 95
4.1.4 優(yōu)化中的No Free Lunch 理論 96
4.2 約束優(yōu)化問題 97
4.2.1 懲罰函數(shù) 98
4.2.2 粒子群算法求解約束優(yōu)化 103
4.3 粒子群算法與多目標(biāo)規(guī)劃 105
4.3.1 多目標(biāo)優(yōu)化問題描述 105
4.3.2 非支配解 106
4.3.3 偏好結(jié)構(gòu) 107
4.3.4 基本求解方法 108
4.3.5 問題的結(jié)構(gòu)和特性 111
4.3.6 多目標(biāo)規(guī)劃的粒子群求解 111
4.4 粒子群算法在組合優(yōu)化中的應(yīng)用 117
4.4.1 旅行商問題 117
4.4.2 最小生成樹問題 120
參考文獻(xiàn) 126
第5章 粒子群算法同其它仿生算法的融合 130
5.1 粒子群算法與神經(jīng)網(wǎng)絡(luò)方法的融合 130
5.1.1 人工神經(jīng)網(wǎng)絡(luò)模型 131
5.1.2 基于粒子群算法的神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法 137
5.1.3 粒子群算法與神經(jīng)網(wǎng)絡(luò)融合的其它應(yīng)用 140
5.2 粒子群算法與遺傳算法的融合 145
5.2.1 遺傳算法簡介 145
5.2.2 帶交叉和子群的混合粒子群算法 145
5.2.3 基于粒子群的混合遺傳算法 146
5.3 粒子群算法與其它仿生算法的比較 152
5.3.1 算法的相同點(diǎn) 152
5.3.2 算法的差異 153
參考文獻(xiàn) 155
第6章 粒子群算法在數(shù)據(jù)挖掘中的應(yīng)用 157
6.1 數(shù)據(jù)挖掘功能及方法 157
6.1.1 數(shù)據(jù)挖掘功能 158
6.1.2 數(shù)據(jù)挖掘方法 163
6.2 粒子群算法在數(shù)據(jù)分類中的應(yīng)用 165
6.2.1 數(shù)據(jù)分類的主要分類算法 165
6.2.2 基于粒子群算法的分類規(guī)則挖掘 174
6.3 粒子群算法在數(shù)據(jù)聚類中的應(yīng)用 182
6.3.1 聚類算法的分類 182
6.3.2 典型的劃分方法 183
6.3.3 基于粒子群的聚類算法 187
6.3.4 應(yīng)用實(shí)例 187
6.3.5 基于粒子群聚類算法的圖像分割 189
6.4 粒子群算法在Web社區(qū)識別中的應(yīng)用 193
6.4.1 傳統(tǒng)的Web網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)發(fā)現(xiàn)算法 193
6.4.2 基于粒子群算法的網(wǎng)絡(luò)社區(qū)劃分模型 194
6.4.3 孤立點(diǎn)修復(fù)策略 196
6.4.4 測試及結(jié)果分析 197
參考文獻(xiàn) 202
附錄 205
A 粒子群算法相關(guān)國際學(xué)術(shù)組織及其會議 205
B 源程序清單 206
B.1 基于PSO的多層前饋神經(jīng)網(wǎng)絡(luò)分類器程序 206
B.2 基于粒子群算法的分類器程序 220
B.3 基于粒子群算法的混合遺傳算法解MST程序 244