簡潔式智能計算及應(yīng)用研究

目錄
第1章 緒論 1
1.1 群智能計算基礎(chǔ) 3
1.1.1 概述 3
1.1.2 最優(yōu)化問題 3
1.1.3 計算復(fù)雜性與NP理論 4
1.1.4 群智能計算優(yōu)化算法 6
1.2 國內(nèi)外的發(fā)展現(xiàn)狀及趨勢 10
1.2.1 蟻群算法的發(fā)展概況 10
1.2.2 粒子群算法的發(fā)展概況 12
1.3 簡潔式群智能計算優(yōu)化算法 14
第2章 量化蟻群算法及其在旅行商問題中的應(yīng)用 16
2.1 螞蟻系統(tǒng) 17
2.1.1 狀態(tài)轉(zhuǎn)移規(guī)則與路徑構(gòu)建 18
2.1.2 信息素更新規(guī)則 19
2.2 量化蟻群算法 19
2.2.1 信息素的編碼 20
2.2.2 信息素的更新規(guī)則 20
2.2.3 算法流程 21
2.3 實驗結(jié)果與分析 22
2.3.1 基于收斂結(jié)果與迭代次數(shù)的比較 24
2.3.2 基于收斂結(jié)果與運行時間的實驗結(jié)果比較 26
2.3.3 基于相同收斂結(jié)果與不同迭代次數(shù)比較 27
2.3.4 基于相同迭代次數(shù)與不同收斂結(jié)果的比較 29
第3章 簡潔式貓群算法及其在灰度圖像切割中應(yīng)用 31
3.1 貓群算法與虛擬種群的取樣機(jī)制 33
3.1.1 貓群算法 33
3.1.2 虛擬種群的取樣機(jī)制 36
3.1.3 擾動向量更新規(guī)則 38
3.2 簡潔式貓群算法 39
3.2.1 初始化與擾動向量更新 39
3.2.2 搜尋模式更新規(guī)則 41
3.2.3 跟蹤模式更新規(guī)則 41
3.2.4 算法實現(xiàn)過程 42
3.3 實驗結(jié)果及其分析 43
3.3.1 算法運行空間比較 44
3.3.2 節(jié)省運行空間算法收斂結(jié)果比較 45
3.3.3 cCSO與基于種群的優(yōu)化算法收斂結(jié)果比較 49
3.3.4 基于迭代次數(shù)的收斂結(jié)果比較 52
3.3.5 實驗結(jié)果分析 53
3.4 案例分析 53
3.4.1 多閾值法與適應(yīng)度函數(shù)設(shè)計 54
3.4.2 圖像切割效果 56
3.4.3 應(yīng)用案例小結(jié) 61
第4章 基于Γ分布的簡潔式貓群算法及其在音樂水印嵌入中的應(yīng)用 63
4.1 基于Γ分布的擾動向量設(shè)計 64
4.1.1 擾動向量設(shè)計 64
4.1.2 擾動向量的更新規(guī)則 66
4.1.3 虛擬種群的取樣機(jī)制 66
4.2 基于Γ分布的簡潔式貓群算法 67
4.2.1 算法的初始化 67
4.2.2 搜尋模式的更新規(guī)則 68
4.2.3 跟蹤模式的更新規(guī)則 70
4.2.4 算法流程 70
4.3 實驗結(jié)果與分析 71
4.3.1 算法運行空間比較 73
4.3.2 節(jié)省運行空間的算法實驗結(jié)果比較 73
4.3.3 基于種群的相關(guān)算法和簡潔式貓群算法之間的實驗結(jié)果比較 80
4.3.4 基于相同收斂結(jié)果下迭代次數(shù)的比較 83
4.3.5 基于標(biāo)準(zhǔn)測試函數(shù)的不同維度下的實驗結(jié)果統(tǒng)計分析 84
4.3.6 實驗結(jié)果小結(jié) 85
4.4 應(yīng)用案例：音頻水印嵌入 86
4.4.1 基于優(yōu)化的水印嵌入與提取策略 87
4.4.2 實驗結(jié)果與分析 90
4.4.3 案例分析小結(jié) 96
第5章 基于簡潔式貓群算法與支持向量機(jī)的人臉表情識別與優(yōu)化 97
5.1 基于活動基模型的分類器訓(xùn)練基礎(chǔ) 98
5.1.1 方塊圖中的眼睛與嘴唇的捕捉 98
5.1.2 模型表示：活動基模型 99
5.1.3 模型訓(xùn)練：Shared Sketch算法 100
5.1.4 基模板構(gòu)建 101
5.1.5 特征向量 102
5.1.6 支持向量機(jī) 102
5.1.7 簡潔式貓群算法 105
5.2 cCSO-SVM策略 107
5.3 實驗結(jié)果與分析 108
參考文獻(xiàn) 111
附錄 124