群智能算法

A. 群智能算法及其应用的图书目录

前言 1．1 引言
1．2 蚁群算法的基本原理
1．3 粒子群优化算法基本原理
1．4 蚁群算法理论研究现状
1．5 蚁群算法应用研究现状
1．6 粒子群优化算法研究现状
1．7 粒子群算法应用研究现状 2．1 求解一般非线性整数规划的蚁群算法
2．1．1 引言
2．1．2 求解非线性整数规划的蚁群算法
2．1．3 算例分析
2．2 武器—目标分配问题的蚁群算法
2．2．1 引言
2．2．2 WTA问题
2．2．3 武器—目标分配问题的蚁群算法
2．2．4 仿真结果j
2．3 多处理机调度问题的蚁群算法
2．3．1 引言
2．3．2 多处理机调度问题数学模型
2．3．3 解多处理机调度问题模拟退火算法
2．3．4 解多处理机调度问题蚁群算法
2．3．5 算法比较
2．4 可靠性优化的蚁群算法
2．4．1 引言
2．4．2 最优冗余优化模型及解法
2．4．3 可靠性优化的模拟退火算法
2．4．4 可靠性优化的遗传算法
2．4．5 可靠性优化的蚁群算法
2．4．6 算例分析
2．5 求解旅行商问题的多样信息素的蚁群算法
2．5．1 信息素更新的3个模型
2．5．2 多样信息素更新规则
2．5．3 算法测试
2．6 本章小结 3．1 无约束非线性最优化问题
3．2 连续优化问题的信息量分布函数方法
3．3 一种简单的连续优化问题的蚁群算法
3．4 数值分析
3．5 本章小结 4．1 引言
4．2 聚类问题的数学模型
4．3 K均值算法
4．4 解聚类问题的模拟退火算法
4．5 基于巡食思想的蚁群聚类算法
4．6 解聚类问题的新的蚁群算法及数值分析
4．6．1 解聚类问题的蚁群算法
4．6．2 数值分析
4．7 解聚类问题的与K-均值算法混合的蚁群算法及数值分析
4．7．1 解聚类问题的K-均值算法混合的蚁群算法
4．7．2 数值分析
4．8 本章小结 5．1 引言
5．2 解圆排列问题的蚁群模拟退火算法
5．2．1 圆排列问题及与旅行商问题等价
5．2．2 解旅行商问题的模拟退火算法
5．2．3 几种算法的比较
5．2．4 算例分析
5．3 解旅行商问题的模拟退火蚁群算法
5．3．1 混合的基本思想
5．3．2 找邻域解策略
5．3．3 模拟退火蚁群算法
5．3．4 算法测试
5．4 本章小结 6．1 引言
6．2 基本遗传算法
6．3 蚁群算法与遗传算法的混合
6．3．1 混合的基本思想
6．3．2 变异操作
6．3．3 交叉操作
6．3．4 遗传蚁群算法
6．4 算法测试
6．5本章小结 7．1 引言
7．2 混沌及运动特性
7．3 基本蚁群算法改进
7．3．1 混沌初始化
7．3．2 选择较优解
7．3．3 混沌扰动
7．4 混沌蚁群算法
7．5 算法测试
7．6 本章小结 8．1 引言
8．2 最短路的蚁群算法收敛性分析
8．3 仿真算例
8．4 本章小结 9．1 模拟退火思想的粒子群算法
9．1．1 几种模拟退火思想的粒子群算法
9．1．2 算法测试
9．2 混沌粒子群优化算法研究
9．2．1 基本粒子群算法不足
9．2．2 混沌粒子群优化算法
9．2．3 算法测试
9．3 其他改进的粒子群优化算法
9．3．1 杂交PSO算法
9．3．2 协同PSO算法
9．3．3 离散PSO算法
9．4．本章小结 10．1 背包问题的混合粒子群优化算法
10．1．1 背包问题数学模型
10．1．2 解0-1背包问题的混合粒子群算法
10．1．3 数值仿真与分析
10．2 指派问题的交叉粒子群优化算法
10．2．1 求解指派问题的交叉粒子群优化算法
10．2．2 算法测试
10．3 武器—目标分配问题的粒子群优化算法
10．3．1 解武器—目标分配问题的粒子群优化算法
10．3．2 算例分析
10．4 流水作业调度问题的粒子群算法
10．4．1 流水作业调度问题
10．4．2 求解流水作业调度问题混合粒子群算法
10．4．3 算法测试
10．5 非线性整数规划的粒子群优化算法
10．5．1 引言
10．5．2 求解非线性整数规划的粒子群优化算法
10．5．3 算例分析
10．6 本章小结 l1．1 引言
11．2 整数规划形式
1l．3 连续性优化形式
11．4 本章小结 12．1 引言
12．2 求解旅行商问题的混合粒子群优化算法
12．2．1 混合粒子群算法思路
12．2．2 变异操作和交叉操作
12．2．3 混合粒子群算法步骤
12．2．4 算法测试
12．3 求解旅行商问题的粒子群—蚁群算法
12．3．1 粒子群—蚁群算法思想
12．3．2 粒子群—蚁群算法步骤
12．3．3 算法测试
12．4 本章小结 13．1 引言
13．2 PSO算法收敛性分析
13．3 数值仿真
13．4 参数选取
13．5 本章小结 14．1 引言
14．2 鱼群算法基本原理
14．3 人工鱼的行为描述
14．4 鱼群算法的应用
14．5 本章小结 附录A 求解旅行商问题的蚁群基本算法源程序
附录B 计算连续性函数的优化的粒子群程序
附录C 求解旅行商问题的粒子群—蚁群算法的源程序
参考文献
……

B. 群体智能算法属于新型计算模型吗

群体智能算法又称为启发式算法，是现在广泛应用于各个领域的先进算法。
智能算法是一种计算方法，计算模型是计算方法里可能用到的某种模型，不能说他们两个谁是谁，但可以说某种群体智能算法用到了某某计算模型

C. 群智能算法及其应用的介绍

群智能算法作为一种新兴的演化计算技术，已成为越来越多研究者的关注焦点，它与人工生命，特别是进化策略以及遗传算法有着极为特殊的联系。群智能理论研究领域主要有两种算法：蚁群算法和粒子群优化算法。蚁群算法是对蚂蚁群落食物采集过程的模拟，已成功应用于许多离散优化问题。粒子群优化算法也是起源于对简单社会系统的模拟，最初是模拟鸟群觅食的过程，但后来发现它是一种很好的优化工具。

D. 论文题目是基于群智能算法的全局优化问题，目前还不太明白题目到底是个什么意思，我问老师老师也不太明白

Matlab都是去得瑟说理吧找人写的

E. 用群智能算法GA或者PSO去优化CNN的权重的想法正确吗

好好说话行吧行吧很喜欢写吧写吧不擦

F. 群体智能算法在什么时候容易陷入局部最优

一般最优化算法只能求局部最优值，很难求出全局最优值。
许多算法当找到局部最优点后，就不能再继续寻找了，这叫陷入局部极值。

G. 关于群智能优化算法程序的问题

POS是一个二维数组 POS[i][j], 设其大小为 n * m
POS(i,:) 在matlab里表示 一个大小为m的一维数组 其中元素为 POS[i][0],...,POS[i][m-1]

H. 群智能算法的时间复杂度是多少

时间复杂度表面的意思就是代码花费的时间，但是一般使用这个概念的时候，更注重的是随着数据量增长，代码执行时间的增长情况。一般认为一个基本的运算为一次运行算，例如加减乘除判断等等 例1和例2时间复杂度都可以简单认为是o(N)