粒子群算法及其工業(yè)應(yīng)用

《信息化與工業(yè)化兩化融合研究與應(yīng)用》序
前言
第1章 緒論
1.1 引言
1.2 計(jì)算智能概述
1.3 群智能概述
1.3.1 蟻群算法簡(jiǎn)介
1.3.2 人工魚(yú)群算法簡(jiǎn)介
1.3.3 混合蛙跳算法簡(jiǎn)介
1.3.4 粒子群算法簡(jiǎn)介
參考文獻(xiàn)
第2章 基本粒子群算法
2.1 引言
2.2 基本粒子群算法的原理
2.3 基本粒子群算法的模型分析
2.4 基本粒子群算法的參數(shù)分析
2.5 基本粒子群算法的種群拓?fù)浣Y(jié)構(gòu)
2.6 基本粒子群算法的改進(jìn)研究
參考文獻(xiàn)
第3章 測(cè)試函數(shù)特征與算法搜索模式
3.1 引言
3.2 測(cè)試函數(shù)特征與優(yōu)化性能
3.2.1 測(cè)試函數(shù)的控制域
3.2.2 單極值問(wèn)題優(yōu)化性能分析
3.2.3 多極值問(wèn)題優(yōu)化性能分析
3.2.4 欺騙性問(wèn)題優(yōu)化性能分析
3.2.5 高維問(wèn)題優(yōu)化性能分析
3.2.6 實(shí)驗(yàn)仿真
3.3 粒子群算法的搜索模式
3.3.1 收斂模式
3.3.2 深度搜索模式
參考文獻(xiàn)
第4章 改進(jìn)粒子群算法
4.1 社會(huì)粒子群算法
4.1.1 社會(huì)粒子群算法基本思想
4.1.2 社會(huì)粒子群算法實(shí)現(xiàn)步驟
4.1.3 社會(huì)粒子群算法從眾閾值的選取
4.1.4 靜態(tài)函數(shù)仿真測(cè)試
4.1.5 動(dòng)態(tài)函數(shù)仿真測(cè)試
4.2 自適應(yīng)粒子群算法
4.2.1 自適應(yīng)粒子群算法思想
4.2.2 自適應(yīng)粒子群算法實(shí)現(xiàn)步驟
4.2.3 自適應(yīng)粒子群算法實(shí)驗(yàn)測(cè)試
4.3 基于擾動(dòng)變異的粒子群算法
4.3.1 基于高斯白噪聲擾動(dòng)變異的粒子群算法
4.3.2 動(dòng)態(tài)雙變異粒子群算法
4.4 混合粒子群算法
4.4.1 混沌粒子群算法
4.4.2 協(xié)同量子粒子群算法
4.4.3 基于量子理論的粒子群算法
4.5 相位角粒子群算法
4.5.1 相位角粒子群算法的結(jié)構(gòu)
4.5.2 相位角粒子群算法實(shí)現(xiàn)步驟
4.5.3 函數(shù)仿真測(cè)試
4.6 基于載波的粒子群算法
4.6.1 基于載波的全局搜索
4.6.2 基于載波擴(kuò)展的局部精確搜索
4.6.3 基于載波的粒子群算法實(shí)現(xiàn)步驟
4.6.4 函數(shù)仿真測(cè)試
參考文獻(xiàn)
第5章 粒子群算法在汽油調(diào)合優(yōu)化中的應(yīng)用
5.1 汽油調(diào)合建模方法
5.1.1 辛烷值調(diào)合效應(yīng)模型
5.1.2 雷德蒸汽壓模型
5.2 汽油調(diào)合優(yōu)化方法
5.2.1 離線調(diào)合優(yōu)化技術(shù)
5.2.2 在線調(diào)合優(yōu)化技術(shù)
5.3 汽油調(diào)合優(yōu)化方法仿真研究與現(xiàn)場(chǎng)應(yīng)用
5.3.1 離線優(yōu)化技術(shù)的仿真學(xué)習(xí)
5.3.2 離線優(yōu)化技術(shù)的現(xiàn)場(chǎng)應(yīng)用
5.3.3 在線優(yōu)化技術(shù)的仿真學(xué)習(xí)
參考文獻(xiàn)
第6章 粒子群算法在乙烯裝置優(yōu)化運(yùn)行中的應(yīng)用
6.1 乙烯裂解爐裂解深度優(yōu)化
6.1.1 乙烯裂解爐裂解深度優(yōu)化目標(biāo)
6.1.2 乙烯裂解爐裂解深度優(yōu)化控制方案
6.2 乙烯裝置蒸汽管網(wǎng)用能優(yōu)化
6.2.1 乙烯裝置蒸汽管網(wǎng)用能優(yōu)化模型
6.2.2 基于協(xié)同量子粒子算法的蒸汽管網(wǎng)用能優(yōu)化
參考文獻(xiàn)
第7章 粒子群算法在精對(duì)苯二甲酸裝置優(yōu)化運(yùn)行中的應(yīng)用
7.1 PX氧化反應(yīng)過(guò)程操作優(yōu)化
7.1.1 PX氧化反應(yīng)動(dòng)力學(xué)模型
7.1.2 神經(jīng)網(wǎng)絡(luò)宏觀速率常數(shù)模型
7.1.3 PX氧化反應(yīng)宏觀動(dòng)力學(xué)模型
7.1.4 乙酸和PX的燃燒損失模型
7.1.5 PX氧化反應(yīng)過(guò)程的建模
7.1.6 基于口-PSO算法的PX氧化反應(yīng)過(guò)程操作優(yōu)化
7.2 PX氧化反應(yīng)尾氣冷凝系統(tǒng)用能優(yōu)化
7.2.1 PX氧化反應(yīng)尾氣三級(jí)冷凝系統(tǒng)流程模擬
7.2.2 PX氧化反應(yīng)尾氣四級(jí)冷凝系統(tǒng)流程模擬
7.2.3 基于混沌粒子群算法的PX氧化反應(yīng)尾氣冷凝系統(tǒng)用能優(yōu)化
7.3 粗對(duì)苯二甲酸加氫精制反應(yīng)過(guò)程操作優(yōu)化
7.3.1 加氫精制反應(yīng)宏觀動(dòng)力學(xué)模型
7.3.2 加氫精制反應(yīng)器模型
7.3.3 加氫精制反應(yīng)過(guò)程的建模
7.3.4 基于口-PSO算法的加氫精制反應(yīng)過(guò)程的操作優(yōu)化
7.4 加氫精制過(guò)程結(jié)晶器一換熱器綜合網(wǎng)絡(luò)用能優(yōu)化
7.4.1 結(jié)晶器一換熱器綜合網(wǎng)絡(luò)模型
7.4.2 基于改進(jìn)粒子群算法的結(jié)晶器一換熱器綜合網(wǎng)絡(luò)用能優(yōu)化
參考文獻(xiàn)
第8章 粒子群算法在建模和控制中的應(yīng)用
8.1 軟測(cè)量建模
8.1.1 軟測(cè)量技術(shù)原理
8.1.2 粒子群算法在軟測(cè)量建模中的應(yīng)用
8.1.3 基于動(dòng)態(tài)雙變異粒子群的丙烯精餾塔軟測(cè)量建模
8.1.4 基于自適應(yīng)粒子群的對(duì)羧基苯甲醛軟測(cè)量建模
8.2 超聲馬達(dá)的辨識(shí)與控制
8.2.1 基于異化粒子群算法的Elman網(wǎng)絡(luò)學(xué)習(xí)算法
8.2.2 基于DPS0學(xué)習(xí)算法的Elman網(wǎng)絡(luò)對(duì)超聲馬達(dá)的辨識(shí)
8.2.3 基于DPS0學(xué)習(xí)算法的Elman網(wǎng)絡(luò)對(duì)超聲馬達(dá)的速度控制
參考文獻(xiàn)
第9章 粒子群算法在車間調(diào)度作業(yè)中的應(yīng)用
9.1 車間作業(yè)調(diào)度
9.1.1 JobShop調(diào)度問(wèn)題描述
9.1.2 JSSP性能指標(biāo)的正規(guī)性、等價(jià)性和活動(dòng)調(diào)度
9.2 基于粒子群優(yōu)化的車間作業(yè)調(diào)度問(wèn)題求解
9.2.1 粒子群系統(tǒng)中JSSP問(wèn)題的表述
9.2.2 初始粒子群生成
9.2.3 目標(biāo)函數(shù)和適應(yīng)度函數(shù)
9.2.4 冗余性與二級(jí)編碼
9.2.5 粒子群系統(tǒng)的更新方式
9.2.6 基于粒子群優(yōu)化求解JSSP問(wèn)題的流程
9.2.7 數(shù)值模擬實(shí)驗(yàn)及結(jié)果
9.3 基于粒子群優(yōu)化與人工免疫系統(tǒng)的混合智能算法求解車間作業(yè)調(diào)度問(wèn)題
9.3.1 基于人工免疫系統(tǒng)的車間作業(yè)調(diào)度問(wèn)題求解
9.3.2 基于PS()和AIS的混合智能算法
9.3.3 數(shù)值模擬實(shí)驗(yàn)及結(jié)果
參考文獻(xiàn)
第10章 粒子群算法在數(shù)據(jù)挖掘中的應(yīng)用
10.1 數(shù)據(jù)挖掘概述
10.1.1 數(shù)據(jù)挖掘的產(chǎn)生及發(fā)展
10.1.2 數(shù)據(jù)挖掘的定義與功能
10.1.3 粒子群優(yōu)化算法在數(shù)據(jù)挖掘中的應(yīng)用
10.2 免疫混合粒子群增量分類算法
10.2.1 免疫記憶
10.2.2 人工免疫分類方法
10.2.3 基于免疫記憶的粒子群增量算法
10.2.4 仿真分析
參考文獻(xiàn)
附錄A 常用的測(cè)試函數(shù)