目录


第1章绪论/1
1.1自然计算1
1.2什么是群体智能4
1.3群体智能研究的意义5
1.4常见的群体智能算法7
1.5群体智能的典型应用10
1.6群体智能研究的发展前景11
本章参考文献12
第2章最优化问题与方法/13
2.1最优化问题13
2.1.1定义13
2.1.2凸性14
2.1.3梯度、方向导数和海森矩阵15
2.2无约束优化16
2.2.1最速下降法17
2.2.2牛顿法18
2.2.3LevenbergMarquardt方法18
2.2.4DFP方法19
2.2.5BFGS方法20
2.2.6鲍威尔方法21
2.2.7NelderMead算法21
2.3约束优化23
2.3.1最优性条件23
2.3.2惩罚函数法24
2.3.3增广拉格朗日乘子法25
2.3.4顺序二次规划25
2.3.5可行方向法26
2.4多目标优化27
2.4.1加权总和法28
2.4.2ε约束方法29〖1〗群体智能导论目录〖3〗〖3〗
2.4.3目标规划法30
2.4.4效用函数法30
2.5动态优化31
2.5.1动态优化问题的定义31
2.5.2动态环境类型31
2.5.3基准测试问题示例34
2.6组合优化34
2.6.1分配问题34
2.6.2背包问题35
2.6.3整数规划37
本章小结39
习题39
本章参考文献40
第3章粒子群优化/41
3.1引言41
3.2基本粒子群优化41
3.2.1全局最佳粒子群优化42
3.2.2局部最佳粒子群优化43
3.2.3gbest PSO与lbest PSO的比较44
3.2.4速度成分44
3.2.5几何描述44
3.2.6社会网络结构46
3.2.7算法的其他部分47
3.3粒子轨迹49
3.3.1简化PSO模型的粒子轨迹49
3.3.2轨迹示例52
3.4收敛性证明53
3.4.1局部收敛性53
3.4.2全局收敛性54
3.5单解与多解粒子群优化55
3.5.1单解粒子群优化55
3.5.2多解粒子群优化59
3.6粒子群优化的典型处理机制61
3.6.1速度钳制62
3.6.2惯性权重63
3.6.3约束系数63
3.6.4同步更新和异步更新64
3.7粒子群优化用于求解约束优化问题64
3.7.1剔除不可行解64
3.7.2惩罚函数65
3.7.3转换为非约束问题65
3.7.4修复方法65
3.8粒子群优化用于求解多目标优化问题66
3.8.1动态邻域多目标优化算法66
3.8.2向量评估遗传算法66
3.8.3多目标粒子群优化算法66
3.9动态环境下的粒子群优化68
3.9.1影响PSO在动态环境下效率的因素68
3.9.2动态环境的PSO方法69
3.9.3动态环境的性能度量70
3.10离散粒子群优化70
3.10.1二元PSO70
3.10.2一般的离散PSO72
3.11典型应用举例73
3.11.1单目标优化函数73
3.11.2神经网络74
本章小结75
习题75
本章参考文献76
第4章蚁群优化/77
4.1基本蚁群优化79
4.1.1简单蚁群优化79
4.1.2蚂蚁系统80
4.1.3蚁群系统82
4.1.4最大最小蚂蚁系统83
4.2蚁群优化算法的一般框架84
4.2.1蚁群优化元启发84
4.2.2蚂蚁系统元启发85
4.2.3蚂蚁规划85
4.2.4蚁群优化算法的特点86
4.3单种群的蚁群优化86
4.3.1带信息素排斥的蚁群优化86
4.3.2带候选集的蚁群优化87
4.3.3带局部优化解的蚁群优化88
4.3.4基于群体的蚁群优化88
4.4多种群的蚁群优化89
4.4.1单目标问题89
4.4.2多目标问题90
4.5混合蚁群优化91
4.5.1引入局部搜索91
4.5.2引入禁忌搜索91
4.5.3引入遗传算法91
4.5.4引入集束搜索92
4.6蚁群优化的收敛性92
4.7蚁群优化的集体决策94
4.7.1外激励94
4.7.2人工信息素95
4.7.3变态分层结构95
4.8多目标蚁群优化96
4.8.1多目标优化问题及相关概念定义97
4.8.2基于帕累托的方法97
4.8.3指标函数法98
4.8.4目标分解法98
4.9动态环境下的蚁群优化99
4.10典型应用案例100
4.10.1旅行商问题101
4.10.2多背包问题103
本章小结104
习题104
本章参考文献104
第5章烟花算法/105
5.1基本烟花算法105
5.1.1爆炸算子105
5.1.2变异算子107
5.1.3映射规则108
5.1.4选择策略108
5.1.5基本烟花算法特点分析109
5.2烟花算法的收敛性与稳定性分析110
5.2.1随机模型111
5.2.2全局收敛性111
5.2.3时间复杂度的基本理论112
5.2.4时间复杂度分析113
5.3增强烟花算法和动态搜索烟花算法114
5.3.1增强烟花算法115
5.3.2动态搜索烟花算法117
5.3.3实验121
5.3.4小结124
5.4引导烟花算法125
5.4.1引导烟花算法概述125
5.4.2实验126
5.5协同框架烟花算法127
5.6败者退出烟花算法129
5.6.1败者退出机制129
5.6.2实验130
5.7其他改进型烟花算法132
5.7.1烟花算法的改进132
5.7.2烟花算法与其他算法的混合133
5.8多目标烟花算法134
5.8.1基本概念134
5.8.2施肥问题135
5.8.3多目标烟花算法概述136
5.8.4实验和讨论138
5.8.5小结140
5.9离散烟花算法140
5.9.1旅行商问题140
5.9.2离散烟花算法概述141
5.9.3实验结果及其分析146
5.9.4小结147
5.10烟花算法典型应用举例——垃圾邮件检测算法参数优化148
本章小结152
习题152
本章参考文献152
第6章新型的群体智能优化算法/153
6.1算法分类153
6.2人工蜂群算法154
6.3萤火虫算法157
6.4布谷鸟搜索算法159
6.5头脑风暴算法160
6.6鱼群算法163
6.7磷虾群算法165
6.8细菌觅食算法169
6.9其他SI算法简述171
6.10实验对比172
6.10.1人工蜂群算法172
6.10.2萤火虫算法173
6.10.3布谷鸟搜索算法174
6.10.4头脑风暴算法175
6.10.5鱼群算法175
本章小结176
习题177
本章参考文献177
第7章基于群体的进化计算方法/178
7.1进化计算方法分类与介绍178
7.1.1进化计算178
7.1.2进化计算方法分类179
7.2遗传算法179
7.2.1遗传算法概述179
7.2.2交叉算子180
7.2.3变异算子181
7.2.4选择算子181
7.2.5变体与应用181
7.3遗传算法的收敛性182
7.3.1交叉算子对模式的作用182
7.3.2变异算子对模式的作用182
7.3.3选择算子对模式的作用182
7.3.4模式定理183
7.4遗传编程183
7.4.1基于树的基因表示184
7.4.2初始化和适应度评估184
7.4.3交叉算子184
7.4.4变异算子185
7.4.5积木块遗传规划186
7.4.6应用186
7.5进化策略186
7.5.1基本进化策略186
7.5.2策略参数和自适应188
7.5.3进化策略算子189
7.5.4进化策略变种与应用191
7.6差分进化193
7.6.1一般差分进化193
7.6.2差分进化实现方式与变种195
7.6.3应用197
7.7文化算法197
7.7.1基本文化算法198
7.7.2信念空间198
7.7.3文化算法的变体200
7.7.4应用200
7.8协同进化201
7.8.1协同进化类型201
7.8.2竞争协同算法201
7.8.3协作协同算法202
本章小结203
习题203
本章参考文献203
第8章基于GPU群体智能算法的并行实现/204
8.1GPU介绍204
8.2GPU 通用计算205
8.3基于 GPU 的粒子群优化算法206
8.3.1粒子群优化算法207
8.3.2GPU的单目标优化PSO208
8.3.3实验结果和讨论210
8.4基于 GPU 的烟花算法212
8.4.1传统烟花算法212
8.4.2基于GPU的烟花算法213
8.4.3实现215
8.4.4实验216
8.5基于 GPU 的遗传算法217
8.5.1遗传算法217
8.5.2GPU实现219
8.6其他算法的并行实现介绍220
8.6.1基于GPU的差分进化算法220
8.6.2基于GPU的蚁群算法220
本章小结223
习题223
本章参考文献224
第9章群体智能算法的应用/225
9.1应用分类225
9.2聚类分析225
9.2.1聚类分析简介225
9.2.2基于蚁群算法的聚类分析226
9.2.3基于粒子群优化算法的聚类分析227
9.2.4基于烟花算法的文档聚类分析228
9.3非负矩阵分解229
9.3.1引言229
9.3.2相关工作229
9.3.3低秩估计——NMF算法230
9.3.4基于群体智能算法的非负矩阵分解算法231
9.4路径规划233
9.4.1基于蚁群算法的TSP求解233
9.4.2基于粒子群优化算法的TSP求解233
9.4.3基于烟花算法的TSP求解234
9.5神经网络训练235
9.5.1群体智能算法优化神经网络结构235
9.5.2群体智能算法优化神经网络超参数237
9.5.3群体智能算法优化神经网络参数239
9.6博弈学习240
9.6.1博弈学习简介240
9.6.2基于协同进化算法的博弈学习240
9.6.3基于粒子群优化算法的协同博弈进化训练241
9.7子集问题242
9.7.1子集问题简介242
9.7.2基于蚁群算法求解子集问题243
9.7.3利用遗传算法求解子集问题245
9.8分组问题246
9.8.1分组问题的定义246
9.8.2利用遗传算法求解分组问题——分组遗传算法246
9.8.3分组问题的应用和分类248
9.9物流规划248
9.9.1货物装载问题249
9.9.2路径规划问题249
9.9.3配单问题250
9.9.4最优调度问题250
9.10混杂应用250
9.10.1路由设计251
9.10.2集群仿真251
9.10.3群体预测251
9.10.4艺术创作252
本章小结252
习题252
本章参考文献253
第10章群体机器人/254
10.1概论254
10.1.1生物群体254
10.1.2群体机器人系统255
10.1.3群体机器人的研究现状257
10.2群体机器人的基础模型258
10.3群体机器人系统模型258
10.3.1群体机器人系统的基础模型258
10.3.2群体机器人的建模方法260
10.3.3群体机器人的协同方式260
10.4群体机器人设计262
10.4.1群体机器人设计方法概述262
10.4.2基于行为的设计方法263
10.4.3基于学习的设计方法266
10.4.4小结269
10.5群体机器人算法269
10.5.1群体机器人算法基本特性269
10.5.2群体机器人算法分类269
10.5.3群体机器人算法举例270
10.6群体机器人的仿真平台与硬件项目276
10.6.1群体机器人的仿真平台276
10.6.2群体机器人的硬件项目277
10.7群体机器人的应用281
10.7.1群体机器人的应用范围281
10.7.2群体机器人的应用实例282
本章小结282
习题283
本章参考文献283