群智能演算法

A. 群智能演算法及其應用的圖書目錄

前言 1．1 引言
1．2 蟻群演算法的基本原理
1．3 粒子群優化演算法基本原理
1．4 蟻群演算法理論研究現狀
1．5 蟻群演算法應用研究現狀
1．6 粒子群優化演算法研究現狀
1．7 粒子群演算法應用研究現狀 2．1 求解一般非線性整數規劃的蟻群演算法
2．1．1 引言
2．1．2 求解非線性整數規劃的蟻群演算法
2．1．3 算例分析
2．2 武器—目標分配問題的蟻群演算法
2．2．1 引言
2．2．2 WTA問題
2．2．3 武器—目標分配問題的蟻群演算法
2．2．4 模擬結果j
2．3 多處理機調度問題的蟻群演算法
2．3．1 引言
2．3．2 多處理機調度問題數學模型
2．3．3 解多處理機調度問題模擬退火演算法
2．3．4 解多處理機調度問題蟻群演算法
2．3．5 演算法比較
2．4 可靠性優化的蟻群演算法
2．4．1 引言
2．4．2 最優冗餘優化模型及解法
2．4．3 可靠性優化的模擬退火演算法
2．4．4 可靠性優化的遺傳演算法
2．4．5 可靠性優化的蟻群演算法
2．4．6 算例分析
2．5 求解旅行商問題的多樣信息素的蟻群演算法
2．5．1 信息素更新的3個模型
2．5．2 多樣信息素更新規則
2．5．3 演算法測試
2．6 本章小結 3．1 無約束非線性最優化問題
3．2 連續優化問題的信息量分布函數方法
3．3 一種簡單的連續優化問題的蟻群演算法
3．4 數值分析
3．5 本章小結 4．1 引言
4．2 聚類問題的數學模型
4．3 K均值演算法
4．4 解聚類問題的模擬退火演算法
4．5 基於巡食思想的蟻群聚類演算法
4．6 解聚類問題的新的蟻群演算法及數值分析
4．6．1 解聚類問題的蟻群演算法
4．6．2 數值分析
4．7 解聚類問題的與K-均值演算法混合的蟻群演算法及數值分析
4．7．1 解聚類問題的K-均值演算法混合的蟻群演算法
4．7．2 數值分析
4．8 本章小結 5．1 引言
5．2 解圓排列問題的蟻群模擬退火演算法
5．2．1 圓排列問題及與旅行商問題等價
5．2．2 解旅行商問題的模擬退火演算法
5．2．3 幾種演算法的比較
5．2．4 算例分析
5．3 解旅行商問題的模擬退火蟻群演算法
5．3．1 混合的基本思想
5．3．2 找鄰域解策略
5．3．3 模擬退火蟻群演算法
5．3．4 演算法測試
5．4 本章小結 6．1 引言
6．2 基本遺傳演算法
6．3 蟻群演算法與遺傳演算法的混合
6．3．1 混合的基本思想
6．3．2 變異操作
6．3．3 交叉操作
6．3．4 遺傳蟻群演算法
6．4 演算法測試
6．5本章小結 7．1 引言
7．2 混沌及運動特性
7．3 基本蟻群演算法改進
7．3．1 混沌初始化
7．3．2 選擇較優解
7．3．3 混沌擾動
7．4 混沌蟻群演算法
7．5 演算法測試
7．6 本章小結 8．1 引言
8．2 最短路的蟻群演算法收斂性分析
8．3 模擬算例
8．4 本章小結 9．1 模擬退火思想的粒子群演算法
9．1．1 幾種模擬退火思想的粒子群演算法
9．1．2 演算法測試
9．2 混沌粒子群優化演算法研究
9．2．1 基本粒子群演算法不足
9．2．2 混沌粒子群優化演算法
9．2．3 演算法測試
9．3 其他改進的粒子群優化演算法
9．3．1 雜交PSO演算法
9．3．2 協同PSO演算法
9．3．3 離散PSO演算法
9．4．本章小結 10．1 背包問題的混合粒子群優化演算法
10．1．1 背包問題數學模型
10．1．2 解0-1背包問題的混合粒子群演算法
10．1．3 數值模擬與分析
10．2 指派問題的交叉粒子群優化演算法
10．2．1 求解指派問題的交叉粒子群優化演算法
10．2．2 演算法測試
10．3 武器—目標分配問題的粒子群優化演算法
10．3．1 解武器—目標分配問題的粒子群優化演算法
10．3．2 算例分析
10．4 流水作業調度問題的粒子群演算法
10．4．1 流水作業調度問題
10．4．2 求解流水作業調度問題混合粒子群演算法
10．4．3 演算法測試
10．5 非線性整數規劃的粒子群優化演算法
10．5．1 引言
10．5．2 求解非線性整數規劃的粒子群優化演算法
10．5．3 算例分析
10．6 本章小結 l1．1 引言
11．2 整數規劃形式
1l．3 連續性優化形式
11．4 本章小結 12．1 引言
12．2 求解旅行商問題的混合粒子群優化演算法
12．2．1 混合粒子群演算法思路
12．2．2 變異操作和交叉操作
12．2．3 混合粒子群演算法步驟
12．2．4 演算法測試
12．3 求解旅行商問題的粒子群—蟻群演算法
12．3．1 粒子群—蟻群演算法思想
12．3．2 粒子群—蟻群演算法步驟
12．3．3 演算法測試
12．4 本章小結 13．1 引言
13．2 PSO演算法收斂性分析
13．3 數值模擬
13．4 參數選取
13．5 本章小結 14．1 引言
14．2 魚群演算法基本原理
14．3 人工魚的行為描述
14．4 魚群演算法的應用
14．5 本章小結 附錄A 求解旅行商問題的蟻群基本演算法源程序
附錄B 計算連續性函數的優化的粒子群程序
附錄C 求解旅行商問題的粒子群—蟻群演算法的源程序
參考文獻
……

B. 群體智能演算法屬於新型計算模型嗎

群體智能演算法又稱為啟發式演算法，是現在廣泛應用於各個領域的先進演算法。
智能演算法是一種計算方法，計算模型是計算方法里可能用到的某種模型，不能說他們兩個誰是誰，但可以說某種群體智能演算法用到了某某計算模型

C. 群智能演算法及其應用的介紹

群智能演算法作為一種新興的演化計算技術，已成為越來越多研究者的關注焦點，它與人工生命，特別是進化策略以及遺傳演算法有著極為特殊的聯系。群智能理論研究領域主要有兩種演算法：蟻群演算法和粒子群優化演算法。蟻群演算法是對螞蟻群落食物採集過程的模擬，已成功應用於許多離散優化問題。粒子群優化演算法也是起源於對簡單社會系統的模擬，最初是模擬鳥群覓食的過程，但後來發現它是一種很好的優化工具。

D. 論文題目是基於群智能演算法的全局優化問題，目前還不太明白題目到底是個什麼意思，我問老師老師也不太明白

Matlab都是去得瑟說理吧找人寫的

E. 用群智能演算法GA或者PSO去優化CNN的權重的想法正確嗎

好好說話行吧行吧很喜歡寫吧寫吧不擦

F. 群體智能演算法在什麼時候容易陷入局部最優

一般最優化演算法只能求局部最優值，很難求出全局最優值。
許多演算法當找到局部最優點後，就不能再繼續尋找了，這叫陷入局部極值。

G. 關於群智能優化演算法程序的問題

POS是一個二維數組 POS[i][j], 設其大小為 n * m
POS(i,:) 在matlab里表示 一個大小為m的一維數組 其中元素為 POS[i][0],...,POS[i][m-1]

H. 群智能演算法的時間復雜度是多少

時間復雜度表面的意思就是代碼花費的時間，但是一般使用這個概念的時候，更注重的是隨著數據量增長，代碼執行時間的增長情況。一般認為一個基本的運算為一次運行算，例如加減乘除判斷等等 例1和例2時間復雜度都可以簡單認為是o(N)