掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
智能粒子群優化計算——控制方法、協同策略及優化應用 版權信息
- ISBN：9787030472588
- 條形碼：9787030472588 ; 978-7-03-047258-8
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
智能粒子群優化計算——控制方法、協同策略及優化應用 內容簡介
本書系統介紹了粒子群優化計算的仿生原理、控制方法、協同模型及工程應用。基礎篇簡要闡述了自然計算、群智能計算、粒子群優化的研究現狀及主要模型和原理；控制模型篇和協同模型篇詳細介紹了系列基于自組織控制和協同進化的粒子群計算模型，包括其仿生原理、自組織行為，進化控制及優化設計；優化應用篇則展現了粒子群優化計算在多種工程實際中的應用，包括柔性調度優化、無線傳感網絡優化、過渡金屬配合物磁參數擬合、蛋白質結構預測、多運動目標跟蹤、水質有機污染三維熒光分析等，闡述了多種行之有效的問題解決方案和策略。
智能粒子群優化計算——控制方法、協同策略及優化應用 目錄
目錄
《智能科學技術著作叢書》序
前言
基礎篇
第1章 緒論 3
1.1 引言 3
1.2 優化問題及算法 4
1.2.1 *優化問題 4
1.2.2 優化算法 4
1.3 智能計算 6
1.3.1 自然進化計算 6
1.3.2 社會進化計算 8
1.3.3 生物智能計算 12
1.3.4 群集智能計算 14
1.3.5 擬物智能計算 18
1.4 算法研究準則 21
1.5 本書主要內容及體系結構 22
1.6 本章小結 23
參考文獻 23
第2章 粒子群優化計算研究基礎 28
2.1 引言 28
2.2 粒子群優化計算簡介 28
2.2.1 算法起源 28
2.2.2 算法原理及計算模型 30
2.3 粒子群優化計算行為分析 31
2.3.1 社會行為分析 31
2.3.2 收斂行為分析 32
2.4 粒子群優化計算的系統特征 34
2.4.1 自組織性和涌現特性 35
2.4.2 反饋控制機制 36
2.4.3 分布式特點 37
2.5 粒子群優化計算的研究進展 38
2.6 本章小結 41
參考文獻 42
控制方法篇
第3章 基于預測控制器的粒子群優化模型 47
3.1 引言 47
3.2 標準粒子群優化模型的動態行為分析 48
3.3 基于PD控制器的粒子群優化模型 50
3.3.1 模型結構 50
3.3.2 動態行為分析 51
3.3.3 穩定性分析 53
3.3.4 收斂性分析 54
3.3.5 算法流程 55
3.4 數值仿真實驗與分析 56
3.4.1 測試優化函數 56
3.4.2 預測因子選擇 56
3.4.3 算法性能分析 58
3.5 動態環境中的算法應用 64
3.6 本章小結 66
參考文獻 67
第4章 基于反饋控制器的自組織粒子群優化模型 68
4.1 引言 68
4.2 自組織粒子群優化模型 69
4.2.1 模型結構 69
4.2.2 群體動態測度 71
4.3 多樣性控制器的設計 72
4.3.1 多樣性參考輸入的確定 72
4.3.2 多樣性控制策略 73
4.4 仿真實驗與結果分析 74
4.4.1 實驗參數及優化測試函數 74
4.4.2 實驗結果及分析 75
4.5 模型的優化應用 80
4.5.1 約束布局優化問題 80
4.5.2 算法設計 81
4.5.3 仿真結果分析 82
4.6 本章小結 84
參考文獻 84
第5章 求解非線性方程組的控制粒子群優化模型 86
5.1 引言 86
5.2 非線性方程組及其等價優化問題描述 87
5.3 控制粒子群優化模型 88
5.3.1 控制粒子群優化模型的原理 88
5.3.2 基于PID的控制策略 90
5.3.3 致和非一致控制方式 93
5.3.4 優化流程 94
5.4 仿真實驗與分析 94
5.4.1 測試問題 94
5.4.2 實驗結果與分析 95
5.5 算法的工程應用 99
5.5.1 問題描述及優化模型 99
5.5.2 仿真結果及分析IOI
5.6 本章小結 103
參考文獻 103
協同模型篇
第6章 基于知識的協同粒子群優化模型 107
6.1 引言 107
6.2 協同粒子群優化模型 109
6.2.1 基本概念 109
6.2.2 模型結構 109
6.2.3 知識集 110
6.2.4 行為控制 114
6.2.5 算法流程 116
6.3 收斂性分析 116
6.3.1 隨機優化算法全局和局部收斂的判據 116
6.3.2 協同粒子群優化模型的收斂性 117
6.4 仿真實驗與分析 122
6.4.1 實驗參數及優化測試函數 122
6.4.2 實驗結果及分析 123
6.5 本章小結 127
參考文獻 128
第7章 基于混合群體的協同粒子群優化模型 129
7.1 引言 129
7.2 基于混合群體的協同粒子群優化機理分析 131
7.2.1 混合生態群體的自然啟示 131
7.2.2 混合優化群體結構要素 131
7.3 基于混合生態群體的協同粒子群優化模型設計 133
7.3.1 混合群體初始化 133
7.3.2 開采與探測行為 134
7.3.3 協同搜索和學習 135
7.3.4 逃逸策略 136
7.3.5 優化步驟 136
7.3.6 計算復雜度分析 137
7.4 數值仿真實驗與性能分析 138
7.4.1 仿真實驗設計與數據 138
7.4.2 實驗分析 142
7.5 應用實例 143
7.5.1 線性系統逼近問題 143
7.5.2 優化結果及分析 144
7.6 本章小結 145
參考文獻 146
優化應用篇
第8章 面向流程工業生產調度的粒子群優化模型 151
8.1 引言 151
8.1.1 流程工業生產調度問題描述 151
8.1.2 流程工業生產調度研究現狀 152
8.2 面向化.工生產靜態調度的混沌變異粒子群模型 153
8.2.1 化工生產靜態調度問題描述 153
8.2.2 混沌變異粒子群模型設計 156
8.2.3 算法復雜度分析 159
8.2.4 仿真與性能分析 160
8.3 面向化工生產動態調度的混沌變異粒子群模型 167
8.3.1 不確定性流程工業生產調度分析 168
8.3.2 混沌變異粒子群動態調度模型設計 169
8.3.3 調度實例仿真與分析 172
8.4 本章小結 177
參考文獻 177
第9章 面向柔性作業車間調度的粒子群優化模型 180
9.1 引言 180
9.1.1 柔性作業車間調度問題描述 180
9.1.2 柔性作業車間調度優化研究現狀 181
9.2 面向柔性作業車間調度的混合離散PSO模型 183
9.2.1 數學模型及描述 183
9.2.2 混合PSO模型設計 184
9.2.3 算法復雜度分析 190
9.2.4 仿真與性能分析 191
9.3 面向多目標柔性作業車間調度的混合離散PSO模型 193
9.3.1 數學模型及問題描述 194
9.3.2 多目標混合PSO模型設計 195
9.3.3 算法復雜度分析 198
9.3.4 仿真與性能分析 198
9.4 本章小結 203
參考文獻 204
第10章 面向無線傳感器網絡路由優化的粒子群模型 207
I 0.1 引言 207
10.1.1 無線傳感器網絡簡介 207
10.1.2 無線傳感器網絡路由協議研究現狀 207
10.2 面向無線傳感器網絡分簇優化的離散PSO模型 210
10.2.1 分簇優化問題描述 211
10.2.2 離散粒子群分簇優化設計 211
10.2.3 仿真實驗與分析 215
10.3 面向無線傳感器網絡路由優化的離散PSO模型 216
10.3.1 路由優化問題描述 217
10.3.2 離散粒子群路由優化設計 218
10.3.3 仿真實驗與分析 221
10.4 本章小結 995
參考文獻 225
結論與展望篇
第11章 結論與展望 231
11.1 本書內容總結 231
11.2 研究前沿與展望 233
參考文獻 235
附錄 粒子群優化計算源程序 236
《智能科學技術著作叢書》序
前言
基礎篇
第1章 緒論 3
1.1 引言 3
1.2 優化問題及算法 4
1.2.1 *優化問題 4
1.2.2 優化算法 4
1.3 智能計算 6
1.3.1 自然進化計算 6
1.3.2 社會進化計算 8
1.3.3 生物智能計算 12
1.3.4 群集智能計算 14
1.3.5 擬物智能計算 18
1.4 算法研究準則 21
1.5 本書主要內容及體系結構 22
1.6 本章小結 23
參考文獻 23
第2章 粒子群優化計算研究基礎 28
2.1 引言 28
2.2 粒子群優化計算簡介 28
2.2.1 算法起源 28
2.2.2 算法原理及計算模型 30
2.3 粒子群優化計算行為分析 31
2.3.1 社會行為分析 31
2.3.2 收斂行為分析 32
2.4 粒子群優化計算的系統特征 34
2.4.1 自組織性和涌現特性 35
2.4.2 反饋控制機制 36
2.4.3 分布式特點 37
2.5 粒子群優化計算的研究進展 38
2.6 本章小結 41
參考文獻 42
控制方法篇
第3章 基于預測控制器的粒子群優化模型 47
3.1 引言 47
3.2 標準粒子群優化模型的動態行為分析 48
3.3 基于PD控制器的粒子群優化模型 50
3.3.1 模型結構 50
3.3.2 動態行為分析 51
3.3.3 穩定性分析 53
3.3.4 收斂性分析 54
3.3.5 算法流程 55
3.4 數值仿真實驗與分析 56
3.4.1 測試優化函數 56
3.4.2 預測因子選擇 56
3.4.3 算法性能分析 58
3.5 動態環境中的算法應用 64
3.6 本章小結 66
參考文獻 67
第4章 基于反饋控制器的自組織粒子群優化模型 68
4.1 引言 68
4.2 自組織粒子群優化模型 69
4.2.1 模型結構 69
4.2.2 群體動態測度 71
4.3 多樣性控制器的設計 72
4.3.1 多樣性參考輸入的確定 72
4.3.2 多樣性控制策略 73
4.4 仿真實驗與結果分析 74
4.4.1 實驗參數及優化測試函數 74
4.4.2 實驗結果及分析 75
4.5 模型的優化應用 80
4.5.1 約束布局優化問題 80
4.5.2 算法設計 81
4.5.3 仿真結果分析 82
4.6 本章小結 84
參考文獻 84
第5章 求解非線性方程組的控制粒子群優化模型 86
5.1 引言 86
5.2 非線性方程組及其等價優化問題描述 87
5.3 控制粒子群優化模型 88
5.3.1 控制粒子群優化模型的原理 88
5.3.2 基于PID的控制策略 90
5.3.3 致和非一致控制方式 93
5.3.4 優化流程 94
5.4 仿真實驗與分析 94
5.4.1 測試問題 94
5.4.2 實驗結果與分析 95
5.5 算法的工程應用 99
5.5.1 問題描述及優化模型 99
5.5.2 仿真結果及分析IOI
5.6 本章小結 103
參考文獻 103
協同模型篇
第6章 基于知識的協同粒子群優化模型 107
6.1 引言 107
6.2 協同粒子群優化模型 109
6.2.1 基本概念 109
6.2.2 模型結構 109
6.2.3 知識集 110
6.2.4 行為控制 114
6.2.5 算法流程 116
6.3 收斂性分析 116
6.3.1 隨機優化算法全局和局部收斂的判據 116
6.3.2 協同粒子群優化模型的收斂性 117
6.4 仿真實驗與分析 122
6.4.1 實驗參數及優化測試函數 122
6.4.2 實驗結果及分析 123
6.5 本章小結 127
參考文獻 128
第7章 基于混合群體的協同粒子群優化模型 129
7.1 引言 129
7.2 基于混合群體的協同粒子群優化機理分析 131
7.2.1 混合生態群體的自然啟示 131
7.2.2 混合優化群體結構要素 131
7.3 基于混合生態群體的協同粒子群優化模型設計 133
7.3.1 混合群體初始化 133
7.3.2 開采與探測行為 134
7.3.3 協同搜索和學習 135
7.3.4 逃逸策略 136
7.3.5 優化步驟 136
7.3.6 計算復雜度分析 137
7.4 數值仿真實驗與性能分析 138
7.4.1 仿真實驗設計與數據 138
7.4.2 實驗分析 142
7.5 應用實例 143
7.5.1 線性系統逼近問題 143
7.5.2 優化結果及分析 144
7.6 本章小結 145
參考文獻 146
優化應用篇
第8章 面向流程工業生產調度的粒子群優化模型 151
8.1 引言 151
8.1.1 流程工業生產調度問題描述 151
8.1.2 流程工業生產調度研究現狀 152
8.2 面向化.工生產靜態調度的混沌變異粒子群模型 153
8.2.1 化工生產靜態調度問題描述 153
8.2.2 混沌變異粒子群模型設計 156
8.2.3 算法復雜度分析 159
8.2.4 仿真與性能分析 160
8.3 面向化工生產動態調度的混沌變異粒子群模型 167
8.3.1 不確定性流程工業生產調度分析 168
8.3.2 混沌變異粒子群動態調度模型設計 169
8.3.3 調度實例仿真與分析 172
8.4 本章小結 177
參考文獻 177
第9章 面向柔性作業車間調度的粒子群優化模型 180
9.1 引言 180
9.1.1 柔性作業車間調度問題描述 180
9.1.2 柔性作業車間調度優化研究現狀 181
9.2 面向柔性作業車間調度的混合離散PSO模型 183
9.2.1 數學模型及描述 183
9.2.2 混合PSO模型設計 184
9.2.3 算法復雜度分析 190
9.2.4 仿真與性能分析 191
9.3 面向多目標柔性作業車間調度的混合離散PSO模型 193
9.3.1 數學模型及問題描述 194
9.3.2 多目標混合PSO模型設計 195
9.3.3 算法復雜度分析 198
9.3.4 仿真與性能分析 198
9.4 本章小結 203
參考文獻 204
第10章 面向無線傳感器網絡路由優化的粒子群模型 207
I 0.1 引言 207
10.1.1 無線傳感器網絡簡介 207
10.1.2 無線傳感器網絡路由協議研究現狀 207
10.2 面向無線傳感器網絡分簇優化的離散PSO模型 210
10.2.1 分簇優化問題描述 211
10.2.2 離散粒子群分簇優化設計 211
10.2.3 仿真實驗與分析 215
10.3 面向無線傳感器網絡路由優化的離散PSO模型 216
10.3.1 路由優化問題描述 217
10.3.2 離散粒子群路由優化設計 218
10.3.3 仿真實驗與分析 221
10.4 本章小結 995
參考文獻 225
結論與展望篇
第11章 結論與展望 231
11.1 本書內容總結 231
11.2 研究前沿與展望 233
參考文獻 235
附錄 粒子群優化計算源程序 236
展開全部
智能粒子群優化計算——控制方法、協同策略及優化應用 節選
基礎篇 第1章 緒論 1.1 引言 20世紀以來，人們試圖從人腦思維的不同層次出發，利用人工的方法和技術，模仿、延伸和擴展人的自然智能，從而形成了一門新的學科——人工智能。人工智能可以分為兩大類：一類是基于符號主義的符號智能；另一類是以連接主義和行為主義為基礎的計算智能。符號智能是傳統人工智能的主要研究內容，以Newell和Simon提出的物理符號系統假設為基礎，通過知識推理進行問題求解；而計算智能則不同，它以數據為基礎，通過訓練建立聯系從而實現問題的求解。符號智能的研究曾在20世紀50年代取得巨大的成功，但80年代中期后，這種經典人工智能的發展相對停滯，而計算智能卻在神經網絡的帶動下異軍突起。因此，計算智能被稱為第二代人工智能方法。可以說，計算智能是連接主義、分布式人工智能和自組織系統理論共同發展的產物。它不僅克服了符號智能在知識表達、存儲等方面的局限性，還能夠以并行方式處理大量信息，具有自組織、自適應和自學習等特性，因此吸引了國內外不同領域內眾多學者的關注，并成為20世紀90年代以來學術界備受矚目的研究熱點。 作為新生代的人工智能，計算智能主要的研究方法是依據廣義生態學、社會心理學和動物行為學等知識，借助于計算機科學、控制科學和系統科學等理論分析與計算工具，力求從自然界、生物系統和生命現象中尋求靈感，通過對自然生物系統、生命個體的進化過程、智能行為、智能載體結構以及智能信息處理機制的借鑒和模擬，構建各種智能計算模型，用于求解現實世界中的大規模、非線性復雜問題。目前，圍繞計算智能研究而產生的智能計算技術已經在復雜優化問題以及實際工程領域中廣泛使用，并顯示出蓬勃的生命力和強大的求解潛力。 本章首先給出了*優化問題的相關定義，然后分類介紹了目前所存在的一些代表性智能計算方法，包括自然進化計算（進化計算和差分進化計算）、社會進化計算（文化算法、Meme工ic算法、思維進化計算和社會情感計算）、生物智能計算（人工神經網絡、DNA計算和免疫系統）、群集智能計算（蟻群算法、粒子群優化算法和人工蜂群算法）、擬物智能計算（量子計算、擬態物理計算和植物算法）以及超啟發式智能計算，*后給出了本書的體系結構。 1.2 優化問題及算法 1.2.1 *優化問題 所謂*優化問題，就是在滿足一定的約束條件下，尋找一組參數值，以使某些*優性度量得到滿足，即使得系統的某些性能指標達到*大或*小。 *優化問題根據目標函數、約束函數的性質以及優化變量的取值可以分成多種類型，每一類型的*優化問題根據性質的不同都有其特定的求解方法。 不失一般性，設所考慮的*優化問題為(I-I) 其中，為目標函數；為約束函數；S為約束域；X維優化變量。通常，*大化問題很容易轉換為*小化問題約束和等式約束也可轉換為的約束，所以式（I-I）所描述的*優化問題不失一般性。 當f(X)g，(X)為線性函數且X≥0時，上述*優化問題即為線性規劃問題，其求解方法有成熟的單純形法和Karmarc方法。 當f(X)g，(X)中至少有一個函數為非線性函數時，上述問題即為非線性規劃問題。非線性規劃問題非常復雜，求解方法多種多樣，但目前依然沒有一種有效的普適方法。 當優化變量X僅取整數值時，上述問題即為整數規則問題，特別是當X僅能取0或1時，上述問題即為O-1整數規劃問題。由于整數規劃問題屬于組合優化范疇，其計算量隨變量維數的增長而呈指數增長，所以存在著“維數災難”問題。 當g，所限制的約束空間為整船維歐氏空間即時，上述*優化問題為無約束優化問題，由于函數的非線性，非線性規劃問題（包括無約束優化問題和約束優化問題）的求解變得十分困難，特別是當目標函數在約束域內存在多峰值時。常見的求解非線性問題的優化方法，其求解結果與初值的選擇關系很大，也就是說，一般的約束或無約束非線性優化方法均是求目標函數在約束域內的近似極小點，而非真正的*小點。 1.2.2 優化算法 現實世界中*優化問題普遍存在，由此產生了各種優化算法，通常可分為局部優化算法和全局優化算法兩大類。 1．局部優化算法 定義1.1 如果存在，使得對，有(1-3)成立，其中S為由約束函數限定的搜索空間，則稱XB為l(X)在B內的局部極小點，f(XB)為局部極小值。 常見的優化方法大多為局部優化方法，都是從一個給定的初始點開始，依據一定的方法尋找下一個使得目標函數得到改善的更好解，直至滿足某種停止準則。 成熟的局部優化方法很多，如Newton-Raphson法、共軛梯度法、Fletcher-Reeves法、Polar-Ribiere法、Davidon-Fletcher-Power( DFP)法、Brovden-Fletcher-Goldfarb-Shann(BFGS)方法等，還有專門用于求解*小二乘問題的Levenberg-Marquardt(IM)算法。所有這些局部優化算法都是針對無約束優化問題而提出的，對目標函數均有一定的解析性質要求，例如，Newton-Raphson法要求目標函數連續可微，同時要求其一階導數連續。 對于約束非線性優化問題，除了根據一階*優化必要條件直接將*優化問題轉換為非線牲代數方組并采用非線性代數方程組的數值解法進行求解外，還有序列線性規劃法、可行方向法以及拉格朗日乘子法等。*常用的方法是先將約束問題通過罰函數法轉換為無約束優化問題，再采用無約束優化方法進行求解。 2．全局優化算法 定義1.2 如果存在，使得對，有成立，其中為由約束條件限定的搜索空間，則稱X”為f(X)在S內的全局極小點，為其全局極小值。 目前，發展成熟的*優化方法大多為局部優化方法，其求解結果與初始值相關。對于目標函數為凸函數、約束域為凸域的所謂凸規劃問題，局部*優與全局*優等效。而對于非凸問題，由于在約束域內目標函數存在多峰值，因此其全局*優與局部*優相差甚遠。 全局優化問題已存在了許多算法，如填充函數法等，但比起局部優化問題的眾多成熟方法，還存在很大差距。 另外，解析性優化方法對目標函數及約束域均有較強的解析性要求，對于諸如目標函數不連續、約束域不連通、目標函數難以用解析函數表達或者難以精確估計（如仿真優化問題）等問題，解析確定性優化方法就難以適應。 為了可靠解決全局優化問題，人們試圖離開解析確定型的優化算法研究，轉而探討對函數解析性質要求較低甚至不作要求的隨機型優化方法。*早的隨機型優化方法是基于Monte-Carlo方法的思想，針對具體問題的特征，構造以概率1收斂于全局*小點的隨機搜索算法。真正有效且具有普遍適應性的隨機全局優化方法，是近十多年來人們模擬自然界生物系統、生命現象的行為和機理等而發展起來的仿生型智能計算方法，如進化計算、群集智能計算等。這些算法不需要建立問題的精確數學模型，不依賴于問題的解析特征，具有自適應、自學習和自組織的智能特性，因此非常適用于處理復雜的、大規模的、傳統算法難以有效解決的優化問題。 1.3 智能計算 根據各種智能計算方法模擬機理本質的不同，本節中將典型智能計算方法分成五大類逐一簡要介紹，包括自然進化計算、社會進化計算、生物智能計算、群集智能計算以及擬物智能計算。 1.3.1 自然進化計算 自然進化計算是模擬自然界“物競天擇，適者生存”的進化規律而發展起來的，主要包括進化計算(或稱演化計算，evolutionary computation，EC)[7]、差分進化計算(differential evolution.DE)[8，9]籌。 1．進化計算 進化計算始于20世紀60年代所出現的遺傳算法(genetic algorithm，GA)，主要包括遺傳算法以及在其基礎上所派生出的進化策略(evolutionary strategy，ES)、進化規劃(evolutionary programming，EP)、遺傳程序設計(genetic program-ming，GP)共4個分支。 1)遺傳算法 這一術語*早由美國學者Bagay在他的博士論文中提出，但在當時并沒有得到學術界的認可。直到1975年美國芝加哥大學Holland教授的專著Adaptation揚Natural and Arti.fic’ial Svste7rLs問世]，遺傳算法才得以正式確認。早期的遺傳算法發展很緩慢，主要是因為本身不成熟，并且需要較大的計算量，而當時的技術背景（計算T具）并不能滿足這一要求。到了20世紀80年代，隨著多學科的交叉發展，當時流行的傳統人T智能方法日益顯露出其局限性，因而人們渴望尋求一種適于大規模并行且具有某些智能特征（如自組織、自適應和自學習）的新方法。而遺傳算法是受達爾文進化論的啟發而發展起來的一種通用的問題求解方法，具右上述人們所期望的智能特點。伴隨著計算機的普及與計算速度的提高，人們開
書友推薦
- >
自卑與超越
- >
李白與唐代文化
- >
小考拉的故事-套裝共3冊
- >
中國歷史的瞬間
- >
龍榆生：詞曲概論/大家小書
- >
莉莉和章魚
- >
月亮與六便士
- >
有舍有得是人生
本類暢銷
