群智能優化演算法及其應用pdf

⑴ 智能優化演算法及其應用的目錄

第1章緒論1
1.1最優化問題及其分類1
1.1.1函數優化問題1
1.1.2組合優化問題10
1.2優化演算法及其分類12
1.3鄰域函數與局部搜索13
1.4計算復雜性與NP完全問題14
1.4.1計算復雜性的基本概念14
1.4.2P，NP，NP?C和NP?hard14
第2章模擬退火演算法17
2.1模擬退火演算法17
2.1.1物理退火過程和Metropolis准則17
2.1.2組合優化與物理退火的相似性18
2.1.3模擬退火演算法的基本思想和步驟19
2.2模擬退火演算法的馬氏鏈描述20
2.3模擬退火演算法的收斂性21
2.3.1時齊演算法的收斂性21
2.3.2非時齊演算法的收斂性26
2.3.3SA演算法漸進性能的逼近26
2.4模擬退火演算法關鍵參數和操作的設計27
2.5模擬退火演算法的改進29
2.6並行模擬退火演算法31
2.7演算法實現與應用32
2.7.1組合優化問題的求解32
2.7.2函數優化問題的求解33
第3章遺傳演算法36
3.1遺傳演算法的基本流程36
3.2模式定理和隱含並行性38
3.3遺傳演算法的馬氏鏈描述及其收斂性40
3.3.1預備知識40
3.3.2標准遺傳演算法的馬氏鏈描述41
3.3.3標准遺傳演算法的收斂性42
3.4一般可測狀態空間上遺傳演算法的收斂性44
3.4.1問題描述45
3.4.2演算法及其馬氏鏈描述45
3.4.3收斂性分析和收斂速度估計45
3.5演算法關鍵參數與操作的設計47
3.6遺傳演算法的改進50
3.7免疫遺傳演算法51
3.7.1引言51
3.7.2免疫遺傳演算法及其收斂性52
3.7.3免疫運算元的機理與構造54
3.7.4TSP問題的免疫遺傳演算法56
3.8並行遺傳演算法58
3.9演算法實現與應用59
第4章禁忌搜索演算法62
4?1禁忌搜索62
4?1?1引言62
4?1?2禁忌搜索示例63
4?1?3禁忌搜索演算法流程67
4?2禁忌搜索的收斂性68
4?3禁忌搜索的關鍵參數和操作70
4?4並行禁忌搜索演算法75
4?5禁忌搜索的實現與應用77
4?5?1基於禁忌搜索的組合優化77
4?5?2基於禁忌搜索的函數優化78
第5章神經網路與神經網路優化演算法83
5.1神經網路簡介83
5.1.1神經網路發展回顧83
5.1.2神經網路的模型84
5.2基於Hopfield反饋網路的優化策略89
5.2.1基於Hopfield模型優化的一般流程89
5.2.2基於Hopfield模型優化的缺陷90
5.2.3基於Hopfield模型優化的改進研究90
5.3動態反饋神經網路的穩定性研究94
5.3.1動態反饋網路的穩定性分析94
5.3.1.1離散對稱動態反饋網路的漸近穩定性分析95
5.3.1.2非對稱動態反饋網路的全局漸近穩定性分析99
5.3.1.3時延動態反饋網路的全局漸近穩定性分析101
5.3.2動態反饋神經網路的收斂域估計103
5.4基於混沌動態的優化研究概述105
5.4.1基於混沌神經網路的組合優化概述106
5.4.2基於混沌序列的函數優化研究概述108
5.4.3混沌優化的發展性研究109
5.5一類基於混沌神經網路的優化策略110
5.5.1ACNN模型的描述110
5.5.2ACNN模型的優化機制111
5.5.3計算機模擬研究與分析112
5.5.4模型參數對演算法性能影響的幾點結論116
第6章廣義鄰域搜索演算法及其統一結構118
6.1廣義鄰域搜索演算法118
6.2廣義鄰域搜索演算法的要素119
6.3廣義鄰域搜索演算法的統一結構120
6?4優化演算法的性能評價指標123
6?5廣義鄰域搜索演算法研究進展125
6.5.1理論研究概述125
6.5.2應用研究概述128
6.5.3發展性研究129
第7章混合優化策略130
7.1引言130
7.2基於統一結構設計混合優化策略的關鍵問題131
7.3一類GASA混合優化策略132
7.3.1GASA混合優化策略的構造出發點132
7.3.2GASA混合優化策略的流程和特點133
7.3.3GASA混合優化策略的馬氏鏈描述135
7.3.4GASA混合優化策略的收斂性136
7.3.5GASA混合優化策略的效率定性分析141
第8章混合優化策略的應用143
8.1基於模擬退火?單純形演算法的函數優化143
8.1.1單純形演算法簡介143
8.1.2SMSA混合優化策略144
8.1.3演算法操作與參數設計145
8.1.4數值模擬與分析146
8.2基於混合策略的控制器參數整定和模型參數估計研究149
8.2.1引言149
8.2.2模型參數估計和PID參數整定149
8.2.3混合策略的操作與參數設計150
8.2.4數值模擬與分析151
8.3基於混合策略的TSP優化研究154
8.3.1TSP的混合優化策略設計154
8.3.2基於典型算例的模擬研究156
8.3.3對TSP的進一步討論158
8.4基於混合策略的加工調度研究159
8.4.1基於混合策略的Job?shop優化研究159
8.4.1.1引言159
8.4.1.2JSP的析取圖描述和編碼161
8.4.1.3JSP的混合優化策略設計163
8.4.1.4基於典型算例的模擬研究166
8.4.2基於混合策略的置換Flow?shop優化研究170
8.4.2.1混合優化策略170
8.4.2.2演算法操作與參數設計172
8.4.2.3數值模擬與分析172
8.4.3基於混合策略的一類批量可變流水線調度問題的優化研究174
8.4.3.1問題描述及其性質174
8.4.3.2混合優化策略的設計175
8.4.3.3模擬結果和分析177
8.5基於混合策略的神經網路權值學習研究177
8.5.1BPSA混合學習策略178
8.5.2GASA混合學習策略178
8.5.3GATS混合學習策略179
8.5.4編碼和優化操作設計180
8.5.5模擬結果與分析180
8.6基於混合策略的神經網路結構學習研究184
8.6.1RBF網路簡介184
8.6.2RBF網路結構優化的編碼和操作設計184
8.6.3RBF網路結構的混合優化策略186
8.6.4計算機模擬與分析187
8.7基於混合策略的光學儀器設計研究189
8.7.1引言189
8.7.2模型設計190
8.7.3模擬研究和設計結果191
附錄Benchmark問題193
A：TSP Benchmark問題193
B： 置換Flow?shop Benchmark問題195
C：Job?shop Benchmark問題211
參考文獻217

⑵ 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。

⑶ 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
……

⑷ 什麼是智能優化演算法

群體智能優化演算法是一類基於概率的隨機搜索進化演算法，各個演算法之間存在結構、研究內容、計算方法等具有較大的相似性。因此，群體智能優化演算法可以建立一個基本的理論框架模式：

Step1：設置參數，初始化種群；

Step2：生成一組解，計算其適應值；

Step3：由個體最有適應著，通過比較得到群體最優適應值；

Step4：判斷終止條件示否滿足？如果滿足，結束迭代；否則，轉向Step2；

各個群體智能演算法之間最大不同在於演算法更新規則上，有基於模擬群居生物運動步長更新的（如PSO，AFSA與SFLA），也有根據某種演算法機理設置更新規則（如ACO）。

(4)群智能優化演算法及其應用pdf擴展閱讀

優化演算法有很多，經典演算法包括：有線性規劃，動態規劃等；改進型局部搜索演算法包括爬山法，最速下降法等，模擬退火、遺傳演算法以及禁忌搜索稱作指導性搜索法。而神經網路，混沌搜索則屬於系統動態演化方法。

優化思想裡面經常提到鄰域函數，它的作用是指出如何由當前解得到一個（組）新解。其具體實現方式要根據具體問題分析來定。