计算群体智能基础

5 (-1): 第一部分 优化理论 5 (-2): 第2章 优化问题和方法 5 (-3): 2.1 优化问题的基本要素 6 (-4): 2.2 优化问题分类 6 (-5): 2.3 最优性条件 7 (-6): 2.4 优化算法的类别 7 (-7): 2.5 收敛的一般条件 8 (-8): 2.5.1 简单随机搜索 8 (-9): 2.5.2 局部收敛的条件 10 (-10): 2.5.3 全局收敛的条件 11 (-11): 2.5.4 收敛准则 11 (-12): 2.6 小结 13 (-13): 第3章 无约束优化 13 (-14): 3.1 问题的定义 13 (-15): 3.2 优化算法 13 (-16): 3.2.1 一般局部搜索过程 14 (-17): 3.2.2 集束搜索 14 (-18): 3.2.3 禁忌搜索 15 (-19): 3.2.4 模拟退火 16 (-20): 3.2.5 蛙跳算法 17 (-21): 3.3 标准问题示例 18 (-22): 3.4 小结 19 (-23): 第4章 约束优化 19 (-24): 4.1 定义 20 (-25): 4.2 约束处理方法 21 (-26): 4.2.1 惩罚方法 21 (-27): 4.2.2 将约束问题转换为非约束问题 23 (-28): 4.3 标准问题实例 24 (-29): 4.4 小结 25 (-30): 第5章 多解问题 25 (-31): 5.1 定义 25 (-32): 5.2 小生境算法分类 26 (-33): 5.3 标准问题实例 26 (-34): 5.4 小结 27 (-35): 第6章 多目标优化 27 (-36): 6.1 多目标问题 28 (-37): 6.2 帕累托最优 31 (-38): 6.3 小结 33 (-39): 第7章 动态优化问题 33 (-40): 7.1 定义 33 (-41): 7.2 动态环境的类型 35 (-42): 7.3 标准问题实例 36 (-43): 7.4 小结 39 (-44): 第二部分 进化计算 39 (-45): 第8章 进化计算导论 40 (-46): 8.1 一般进化算法 40 (-47): 8.2 表示 41 (-48): 8.3 初始群体 41 (-49): 8.4 适应度函数 42 (-50): 8.5 选择 42 (-51): 8.5.1 随机选择 42 (-52): 8.5.2 比例选择 43 (-53): 8.5.3 锦标赛选择 43 (-54): 8.5.4 排序选择 43 (-55): 8.5.5 (μ,λ)-选择和(μ+λ)-选择 44 (-56): 8.5.6 精英选择 44 (-57): 8.5.7 名人堂选择 44 (-58): 8.6 繁殖算子 44 (-59): 8.7 进化计算与经典优化 45 (-60): 8.8 小结 47 (-61): 第9章 进化计算方法 47 (-62): 9.1 遗传算法 47 (-63): 9.1.1 表示方案 48 (-64): 9.1.2 交叉算子 48 (-65): 9.1.3 变异 48 (-66): 9.2 遗传编程 48 (-67): 9.2.1 表示方案 49 (-68): 9.2.2 适应度评估 49 (-69): 9.2.3 交叉算子 49 (-70): 9.2.4 变异算子 49 (-71): 9.3 进化规划 49 (-72): 9.3.1 表示方案 50 (-73): 9.3.2 变异算子 50 (-74): 9.4 进化策略 50 (-75): 9.4.1 表示方案 50 (-76): 9.4.2 交叉算子 51 (-77): 9.4.3 变异算子 51 (-78): 9.5 差分进化 52 (-79): 9.6 文化算法 52 (-80): 9.6.1 信念空间 53 (-81): 9.6.2 群体空间 53 (-82): 9.6.3 文化算法 54 (-83): 9.7 小结 55 (-84): 第10章 协同进化&. 55 (-85): 10.1 竞争协同进化 56 (-86): 10.1.1 计算适应度 56 (-87): 10.1.2 相对适应度度量 56 (-88): 10.1.3 适应度采样 57 (-89): 10.1.4 名人堂 57 (-90): 10.2 合作协同进化 57 (-91): 10.2.1 适应度评估 57 (-92): 10.2.2 合作协同进化遗传算法 58 (-93): 10.3 小结 61 (-94): 第三部分 粒子群优化第11章 引言 65 (-95): 第12章 基本粒子群优化 66 (-96): 12.1 完全PSO模型 66 (-97): 12.1.1 全局最优PSO 67 (-98): 12.1.2 局部最优PSO 68 (-99): 12.1.3 基本粒子群优化的各个要素 74 (-100): 12.2 社会网络结构 76 (-101): 12.3 基本变体 76 (-102): 12.3.1 速度钳制 78 (-103): 12.3.2 惯性权重 80 (-104): 12.3.3 收缩系数 80 (-105): 12.3.4 同步更新与异步更新 81 (-106): 12.3.5 速度模型 82 (-107): 12.4 基本粒子群优化的参数 84 (-108): 12.5 性能评价 84 (-109): 12.5.1 准确性 85 (-110): 12.5.2 可靠性 85 (-111): 12.5.3 鲁棒性 86 (-112): 12.5.4 效率 86 (-113): 12.5.5 多样性 87 (-114): 12.5.6 相干性 87 (-115): 12.6 粒子群优化与进化计算 87 (-116): 12.6.1 搜索过程 88 (-117): 12.6.2 表示 88 (-118): 12.6.3 适应度函数 88 (-119): 12.6.4 重组 89 (-120): 12.6.5 变异 89 (-121): 12.6.6 选择 89 (-122): 12.7 小结 91 (-123): 第13章 粒子轨迹 91 (-124): 13.1 收敛 92 (-125): 13.2 冲浪 92 (-126): 13.2.1 简化PSO的粒子轨迹 95 (-127): 13.2.2 更一般化的PSO的粒子轨迹 97 (-128): 13.3 种群平衡 98 (-129): 13.3.1 平衡状态 98 (-130): 13.3.2 粒子吸引子 100 (-131): 13.4 收缩后的轨迹 100 (-132): 13.4.1 简化PSO系统 101 (-133): 13.4.2 一般PSO系统表示 101 (-134): 13.4.3 收缩模型 103 (-135): 13.4.4 一般PSO系统 103 (-136): 13.4.5 收缩系统的空间范围 104 (-137): 13.5 无约束的轨迹 108 (-138): 13.6 启发式参数选择 108 (-139): 13.7 小结 111 (-140): 第14章 收敛性的证明 112 (-141): 14.1 基本PSO的收敛性证明 113 (-142): 14.2 保证局部收敛的PSO 114 (-143): 14.2.1 保证收敛的PSO(GCPSO) 116 (-144): 14.2.2 收敛的线性PSO 117 (-145): 14.2.3 爬山法的全局最优 117 (-146): 14.3 PSO的全局收敛性 117 (-147): 14.3.1 基本PSO的全局收敛性 118 (-148): 14.3.2 GCPSO的全局收敛性 119 (-149): 14.3.3 满足全局收敛性的PSO 119 (-150): 14.3.4 收敛速率 119 (-151): 14.3.5 全局PSO优化方法的停止准则 120 (-152): 14.4 小结 121 (-153): 第15章 单解粒子群优化 122 (-154): 15.1 基于社会结构的粒子群算法 122 (-155): 15.1.1 社会网络结构 125 (-156): 15.1.2 信息共享策略 128 (-157): 15.2 混合方法 128 (-158): 15.2.1 基于遗传算法的PSO 132 (-159): 15.2.2 基于PSO的进化规划 134 (-160): 15.2.3 基于进化策略的PSO 135 (-161): 15.2.4 基于差分进化的PSO 135 (-162): 15.2.5 文化群体 136 (-163): 15.2.6 基于蚁群的PSO 137 (-164): 15.3 基于子群的PSO 144 (-165): 15.4 拟基因PSO算法 144 (-166): 15.4.1 爬山PSO 145 (-167): 15.4.2 随机局部搜索 145 (-168): 15.4.3 基于梯度的PSO 146 (-169): 15.5 多次启动的PSO算法 149 (-170): 15.6 排斥方法 150 (-171): 15.6.1 带电PSO 150 (-172): 15.6.2 相干速度 151 (-173): 15.6.3 具有空间扩展的粒子 151 (-174): 15.7 小结 153 (-175): 第16章 小生境粒子群优化 154 (-176): 16.1 基本PSO的小生境能力 155 (-177): 16.2 顺序PSO小生境 156 (-178): 16.2.1 简单顺序小生境 156 (-179): 16.2.2 目标函数拉伸方法 160 (-180): 16.3 并行PSO小生境 160 (-181): 16.3.1 nbest PSO 164 (-182): 16.3.2 NichePSO 168 (-183): 16.4 准顺序小生境 169 (-184): 16.4.1 降级NiehePSO 169 (-185): 16.4.2 基于向量的PSO 170 (-186): 16.5 性能度量 170 (-187): 16.6 小结 171 (-188): 第17章 利用粒子群优化的约束优化 171 (-189): 17.1 剔除不可行解 172 (-190): 17.2 惩罚函数方法 174 (-191): 17.3 转化为非约束问题 175 (-192): 17.4 修复方法 175 (-193): 17.5 保持可行性的方法 176 (-194): 17.5.1 线性PSO 180 (-195): 17.5.2 收敛的LPSO 181 (-196): 17.5.3 LPSO/CLPSO用于不等式约束优化 181 (-197): 17.6 帕累托排序方法 183 (-198): 17.7 边界约束 183 (-199): 17.8 应用 184 (-200): 17.9 小结 185 (-201): 第18章 粒子群多目标优化 185 (-202): 18.1 MOO的目标 186 (-203): 18.2 基本PSO与多目标优化 186 (-204): 18.3 基于聚合的方法 188 (-205): 18.4 基于准则的方法 189 (-206): 18.5 基于支配的方法 190 (-207): 18.5.1 档案 192 (-208): 18.5.2 Moore和Chapman 193 (-209): 18.5.3 Coello Coello和Lechuga——自适应档案网格 195 (-210): 18.5.4 Mostaghim和Teich——Sigma方法和ε-支配 196 (-211): 18.5.5 Hu、Eberhart和Shi——全局向导的选择 196 (-212): 18.5.6 Zhang和Huang——基于距离的选择 197 (-213): 18.5.7 Li——非支配排序 199 (-214): 18.5.8 Yen和Lu 199 (-215): 18.5.9 Fieldsend和Singh——支配树 199 (-216): 18.5.10 支配树 203 (-217): 18.5.11 向导选择 203 (-218): 18.5.12 Ray和Liew——群隐喻 205 (-219): 18.6 性能度量 205 (-220): 18.6.1 经验性能度量 215 (-221): 18.6.2 理论分析 215 (-222): 18.7 小结 217 (-223): 第19章 动态环境中的粒子群优化 217 (-224): 19.1 PSO推论 218 (-225): 19.2 动态环境的PSO方法 219 (-226): 19.2.1 环境变化检测 219 (-227): 19.2.2 对环境变化的响应 222 (-228): 19.3 动态环境的性能度量 222 (-229): 19.4 PSO在动态问题中的应用 223 (-230): 19.5 小结 225 (-231): 第20章 离散粒子群优化 225 (-232): 20.1 二元PSO 228 (-233): 20.2 一般的离散PSO 228 (-234): 20.3 应用实例 229 (-235): 20.4 组合电路设计 230 (-236): 20.4.1 迭代囚徒两难问题 230 (-237): 20.4.2 约束满足问题 231 (-238): 20.4.3 旅行商问题 234 (-239): 20.4.4 整数规划 234 (-240): 20.4.5 实际应用 234 (-241): 20.5 小结 235 (-242): 第21章 粒子群优化的应用 235 (-243): 21.1 神经网络 235 (-244): 21.1.1 监督学习 236 (-245): 21.1.2 非监督学习 237 (-246): 21.1.3 结构选择 237 (-247): 21.1.4 应用 237 (-248): 21.2 博弈学习 237 (-249): 21.2.1 协同进化的博弈学习 239 (-250): 21.2.2 基于博弈的经典优化问题 239 (-251): 21.3 聚类应用 240 (-252): 21.4 设计应用 240 (-253): 21.5 调度与规划应用 240 (-254): 21.6 控制器应用 241 (-255): 21.7 应用数学 242 (-256): 21.8 电力系统的应用 242 (-257): 21.9 混杂应用 242 (-258): 21.9.1 生物与生物信息学应用 243 (-259): 21.9.2 物理学中应用 243 (-260): 21.9.3 模糊系统 243 (-261): 21.9.4 数据挖掘 244 (-262): 21.9.5 预测与优化应用 244 (-263): 21.9.6 其他应用 244 (-264): 21.10 小结 247 (-265): 第四部分 蚂蚁算法 247 (-266): 第22章 引言 251 (-267): 第23章 蚁群优化的元启发算法 251 (-268): 23.1 蚁群觅食行为 253 (-269): 23.2 简单蚁群优化 256 (-270): 23.3 早期蚂蚁算法 256 (-271): 23.3.1 蚂蚁系统 259 (-272): 23.3.2 蚁群系统 262 (-273): 23.3.3 最大最小蚂蚁系统 265 (-274): 23.3.4 蚂蚁-Q 266 (-275): 23.3.5 快速蚂蚁系统 266 (-276): 23.3.6 蚂蚁禁忌表 267 (-277): 23.3.7 蚂蚁排名系统 267 (-278): 23.3.8 近似不确定树搜索 269 (-279): 23.4 参数设置 271 (-280): 23.5 小结 273 (-281): 第24章 蚁群优化算法的一般框架 273 (-282): 24.1 蚁群优化算法的特点 275 (-283): 24.2 一般框架 275 (-284): 24.2.1 蚁群优化元启发 276 (-285): 24.2.2 蚂蚁系统元启发 277 (-286): 24.2.3 蚂蚁规划 278 (-287): 24.2.4 超立方蚁群优化框架 280 (-288): 24.3 小结 281 (-289): 第25章 蚁群优化算法 281 (-290): 25.1 单一种群的蚁群优化算法 281 (-291): 25.1.1 带信息素排斥的蚁群优化算法 283 (-292): 25.1.2 候选集 284 (-293): 25.1.3 饲养蚁群 284 (-294): 25.1.4 基于群体的蚁群优化算法 285 (-295): 25.1.5 随机扰动蚁群优化算法 286 (-296): 25.1.6 蚁群编程 288 (-297): 25.2 连续蚁群优化算法 290 (-298): 25.3 多种群算法 290 (-299): 25.3.1 单目标算法 292 (-300): 25.3.2 多目标算法 293 (-301): 25.4 混合蚁群优化算法 294 (-302): 25.4.1 蚁群优化的局部搜索 295 (-303): 25.4.2 禁忌搜索蚁群优化算法 295 (-304): 25.4.3 集束搜索蚁群优化算法 297 (-305): 25.4.4 基于遗传算法的蚁群优化算法 298 (-306): 25.4.5 基于模糊系统的蚁群优化算法 298 (-307): 25.4.6 基于免疫系统的蚁群优化算法 299 (-308): 25.5 多目标优化 300 (-309): 25.5.1 多种群多目标优化算法 300 (-310): 25.5.2 多信息素矩阵方法 301 (-311): 25.5.3 多启发方法 302 (-312): 25.6 动态优化问题 303 (-313): 25.7 并行蚁群优化算法 304 (-314): 25.7.1 种群层次的并行化 305 (-315): 25.7.2 蚂蚁层次的并行化 305 (-316): 25.7.3 数据层次的并行化 305 (-317): 25.7.4 函数层次的并行化 306 (-318): 25.7.5 结合并行策略 306 (-319): 25.8 小结 307 (-320): 第26章 蚁群算法的应用 307 (-321): 26.1 一般要求 308 (-322): 26.2 排序问题 309 (-323): 26.2.1 旅行商问题 310 (-324): 26.2.2 车辆路线问题 313 (-325): 26.2.3 作业调度问题 314 (-326): 26.2.4 单机作业调度问题 316 (-327): 26.3 分配问题 317 (-328): 26.3.1 二次分配问题 319 (-329): 26.3.2 约束满足问题 320 (-330): 26.4 子集问题 321 (-331): 26.4.1 多背包问题 322 (-332): 26.4.2 加权极小碰集问题 323 (-333): 26.4.3 分类规则发现 325 (-334): 26.5 分组问题 326 (-335): 26.5.1 装箱问题 327 (-336): 26.5.2 图着色问题 328 (-337): 26.6 小结 329 (-338): 第27章 集体决策 329 (-339): 27.1 外激励 330 (-340): 27.2 人工信息素 330 (-341): 27.2.1 基本信息素更新规则 331 (-342): 27.2.2 信息素挥发 331 (-343): 27.2.3 局部与全局更新规则 332 (-344): 27.2.4 其他信息素更新规则 332 (-345): 27.3 变态分层结构(Heterarchy) 333 (-346): 27.4 小结 335 (-347): 第28章 蚁群优化的收敛性 335 (-348): 28.1 收敛性证明及特点 337 (-349): 28.2 收敛性度量 338 (-350): 28.3 小结 339 (-351): 第29章 墓地组织与育雏 339 (-352): 29.1 基本蚁群聚类模型 340 (-353): 29.2 广义蚁群聚类模型 340 (-354): 29.2.1 Lumer-Faieta算法 342 (-355): 29.2.2 对Lumer-Faieta算法的改进 344 (-356): 29.3 蚁群聚类的最小模型 345 (-357): 29.4 蚂蚁聚类集成 345 (-358): 29.5 混合聚类方法 345 (-359): 29.5.1 K-均值蚂蚁聚类 346 (-360): 29.5.2 模糊C-均值蚂蚁聚类 346 (-361): 29.6 蚂蚁聚类的应用 346 (-362): 29.7 小结 347 (-363): 第30章 分工 347 (-364): 30.1 昆虫群落中的分工 348 (-365): 30.2 基于响应阈值的任务分配 349 (-366): 30.2.1 单任务分配 349 (-367): 30.2.2 多任务分配 349 (-368): 30.3 自适应任务分配和专业化 350 (-369): 30.4 小结 351 (-370): 第31章 后记 353 (-371): 参考文献 395 (-372): 高级阅读材料 397 (-373): 附录A 缩略词 401 (-374): 附录B 符号 413 (-375): 索引 封面 1 书名 2 版权 3 前言 4 目录 9 第1章 引言 19 第一部分 优化理论 23 第2章 优化问题和方法 23 2.1 优化问题的基本要素 23 2.2 优化问题分类 24 2.3 最优性条件 24 2.4 优化算法的类别 25 2.5 收敛的一般条件 25 2.5.1 简单随机搜索 26 2.5.2 局部收敛的条件 26 2.5.3 全局收敛的条件 28 2.5.4 收敛准则 29 2.6 小结 29 第3章 无约束优化 31 3.1 问题的定义 31 3.2 优化算法 31 3.2.1 一般局部搜索过程 31 3.2.2 集束搜索 32 3.2.3 禁忌搜索 32 3.2.4 模拟退火 33 3.2.5 蛙跳算法 34 3.3 标准问题示例 35 3.4 小结 36 第4章 约束优化 37 4.1 定义 37 4.2 约束处理方法 38 4.2.1 惩罚方法 39 4.2.2 将约束问题转换为非约束问题 39 4.3 标准问题实例 41 4.4 小结 42 第5章 多解问题 43 5.1 定义 43 5.2 小生境算法分类 43 5.3 标准问题实例 44 5.4 小结 44 第6章 多目标优化 45 6.1 多目标问题 45 6.2 帕累托最优 46 6.3 小结 49 第7章 动态优化问题 51 7.1 定义 51 7.2 动态环境的类型 51 7.3 标准问题实例 53 7.4 小结 54 第二部分 进化计算 57 第8章 进化计算导论 57 8.1 一般进化算法 58 8.2 表示 58 8.3 初始群体 59 8.4 适应度函数 59 8.5 选择 60 8.5.1 随机选择 60 8.5.2 比例选择 60 8.5.3 锦标赛选择 61 8.5.4 排序选择 61 8.5.5 (μ,λ)-选择和(μ+λ)-选择 61 8.5.6 精英选择 62 8.5.7 名人堂选择 62 8.6 繁殖算子 62 8.7 进化计算与经典优化 62 8.8 小结 63 第9章 进化计算方法 65 9.1 遗传算法 65 9.1.1 表示方案 65 9.1.2 交叉算子 66 9.1.3 变异 66 9.2 遗传编程 66 9.2.1 表示方案 66 9.2.2 适应度评估 67 9.2.3 交叉算子 67 9.2.4 变异算子 67 9.3 进化规划 67 9.3.1 表示方案 67 9.3.2 变异算子 68 9.4 进化策略 68 9.4.1 表示方案 68 9.4.2 交叉算子 68 9.4.3 变异算子 69 9.5 差分进化 69 9.6 文化算法 70 9.6.1 信念空间 70 9.6.2 群体空间 71 9.6.3 文化算法 71 9.7 小结 72 第10章 协同进化. 73 10.1 竞争协同进化 73 10.1.1 计算适应度 74 10.1.2 相对适应度度量 74 10.1.3 适应度采样 74 10.1.4 名人堂 75 10.2 合作协同进化 75 10.2.1 适应度评估 75 10.2.2 合作协同进化遗传算法 75 10.3 小结 76 第三部分 粒子群优化第11章 引言 79 第12章 基本粒子群优化 83 12.1 完全PSO模型 84 12.1.1 全局最优PSO 84 12.1.2 局部最优PSO 85 12.1.3 基本粒子群优化的各个要素 86 12.2 社会网络结构 92 12.3 基本变体 94 12.3.1 速度钳制 94 12.3.2 惯性权重 96 12.3.3 收缩系数 98 12.3.4 同步更新与异步更新 98 12.3.5 速度模型 99 12.4 基本粒子群优化的参数 100 12.5 性能评价 102 12.5.1 准确性 102 12.5.2 可靠性 103 12.5.3 鲁棒性 103 12.5.4 效率 104 12.5.5 多样性 104 12.5.6 相干性 105 12.6 粒子群优化与进化计算 105 12.6.1 搜索过程 105 12.6.2 表示 106 12.6.3 适应度函数 106 12.6.4 重组 106 12.6.5 变异 107 12.6.6 选择 107 12.7 小结 107 第13章 粒子轨迹 109 13.1 收敛 109 13.2 冲浪 110 13.2.1 简化PSO的粒子轨迹 110 13.2.2 更一般化的PSO的粒子轨迹 113 13.3 种群平衡 115 13.3.1 平衡状态 116 13.3.2 粒子吸引子 116 13.4 收缩后的轨迹 118 13.4.1 简化PSO系统 118 13.4.2 一般PSO系统表示 119 13.4.3 收缩模型 119 13.4.4 一般PSO系统 121 13.4.5 收缩系统的空间范围 121 13.5 无约束的轨迹 122 13.6 启发式参数选择 126 13.7 小结 126 第14章 收敛性的证明 129 14.1 基本PSO的收敛性证明 130 14.2 保证局部收敛的PSO 131 14.2.1 保证收敛的PSO(GCPSO) 132 14.2.2 收敛的线性PSO 134 14.2.3 爬山法的全局最优 135 14.3 PSO的全局收敛性 135 14.3.1 基本PSO的全局收敛性 135 14.3.2 GCPSO的全局收敛性 136 14.3.3 满足全局收敛性的PSO 137 14.3.4 收敛速率 137 14.3.5 全局PSO优化方法的停止准则 137 14.4 小结 138 第15章 单解粒子群优化 139 15.1 基于社会结构的粒子群算法 140 15.1.1 社会网络结构 140 15.1.2 信息共享策略 143 15.2 混合方法 146 15.2.1 基于遗传算法的PSO 146 15.2.2 基于PSO的进化规划 150 15.2.3 基于进化策略的PSO 152 15.2.4 基于差分进化的PSO 153 15.2.5 文化群体 153 15.2.6 基于蚁群的PSO 154 15.3 基于子群的PSO 155 15.4 拟基因PSO算法 162 15.4.1 爬山PSO 162 15.4.2 随机局部搜索 163 15.4.3 基于梯度的PSO 163 15.5 多次启动的PSO算法 164 15.6 排斥方法 167 15.6.1 带电PSO 168 15.6.2 相干速度 168 15.6.3 具有空间扩展的粒子 169 15.7 小结 169 第16章 小生境粒子群优化 171 16.1 基本PSO的小生境能力 172 16.2 顺序PSO小生境 173 16.2.1 简单顺序小生境 174 16.2.2 目标函数拉伸方法 174 16.3 并行PSO小生境 178 16.3.1 nbest PSO 178 16.3.2 NichePSO 182 16.4 准顺序小生境 186 16.4.1 降级NiehePSO 187 16.4.2 基于向量的PSO 187 16.5 性能度量 188 16.6 小结 188 第17章 利用粒子群优化的约束优化 189 17.1 剔除不可行解 189 17.2 惩罚函数方法 190 17.3 转化为非约束问题 192 17.4 修复方法 193 17.5 保持可行性的方法 193 17.5.1 线性PSO 194 17.5.2 收敛的LPSO 198 17.5.3 LPSO/CLPSO用于不等式约束优化 199 17.6 帕累托排序方法 199 17.7 边界约束 201 17.8 应用 201 17.9 小结 202 第18章 粒子群多目标优化 203 18.1 MOO的目标 203 18.2 基本PSO与多目标优化 204 18.3 基于聚合的方法 204 18.4 基于准则的方法 206 18.5 基于支配的方法 207 18.5.1 档案 208 18.5.2 Moore和Chapman 210 18.5.3 Coello Coello和Lechuga——自适应档案网格 211 18.5.4 Mostaghim和Teich——Sigma方法和ε-支配 213 18.5.5 Hu、Eberhart和Shi——全局向导的选择 214 18.5.6 Zhang和Huang——基于距离的选择 214 18.5.7 Li——非支配排序 215 18.5.8 Yen和Lu 217 18.5.9 Fieldsend和Singh——支配树 217 18.5.10 支配树 217 18.5.11 向导选择 221 18.5.12 Ray和Liew——群隐喻 221 18.6 性能度量 223 18.6.1 经验性能度量 223 18.6.2 理论分析 233 18.7 小结 233 第19章 动态环境中的粒子群优化 235 19.1 PSO推论 235 19.2 动态环境的PSO方法 236 19.2.1 环境变化检测 237 19.2.2 对环境变化的响应 237 19.3 动态环境的性能度量 240 19.4 PSO在动态问题中的应用 240 19.5 小结 241 第20章 离散粒子群优化 243 20.1 二元PSO 243 20.2 一般的离散PSO 246 20.3 应用实例 246 20.4 组合电路设计 247 20.4.1 迭代囚徒两难问题 248 20.4.2 约束满足问题 248 20.4.3 旅行商问题 249 20.4.4 整数规划 252 20.4.5 实际应用 252 20.5 小结 252 第21章 粒子群优化的应用 253 21.1 神经网络 253 21.1.1 监督学习 253 21.1.2 非监督学习 254 21.1.3 结构选择 255 21.1.4 应用 255 21.2 博弈学习 255 21.2.1 协同进化的博弈学习 255 21.2.2 基于博弈的经典优化问题 257 21.3 聚类应用 257 21.4 设计应用 258 21.5 调度与规划应用 258 21.6 控制器应用 258 21.7 应用数学 259 21.8 电力系统的应用 260 21.9 混杂应用 260 21.9.1 生物与生物信息学应用 260 21.9.2 物理学中应用 261 21.9.3 模糊系统 261 21.9.4 数据挖掘 261 21.9.5 预测与优化应用 262 21.9.6 其他应用 262 21.10 小结 262 第四部分 蚂蚁算法 265 第22章 引言 265 第23章 蚁群优化的元启发算法 269 23.1 蚁群觅食行为 269 23.2 简单蚁群优化 271 23.3 早期蚂蚁算法 274 23.3.1 蚂蚁系统 274 23.3.2 蚁群系统 277 23.3.3 最大最小蚂蚁系统 280 23.3.4 蚂蚁-Q 283 23.3.5 快速蚂蚁系统 284 23.3.6 蚂蚁禁忌表 284 23.3.7 蚂蚁排名系统 285 23.3.8 近似不确定树搜索 285 23.4 参数设置 287 23.5 小结 289 第24章 蚁群优化算法的一般框架 291 24.1 蚁群优化算法的特点 291 24.2 一般框架 293 24.2.1 蚁群优化元启发 293 24.2.2 蚂蚁系统元启发 294 24.2.3 蚂蚁规划 295 24.2.4 超立方蚁群优化框架 296 24.3 小结 298 第25章 蚁群优化算法 299 25.1 单一种群的蚁群优化算法 299 25.1.1 带信息素排斥的蚁群优化算法 299 25.1.2 候选集 301 25.1.3 饲养蚁群 302 25.1.4 基于群体的蚁群优化算法 302 25.1.5 随机扰动蚁群优化算法 303 25.1.6 蚁群编程 304 25.2 连续蚁群优化算法 306 25.3 多种群算法 308 25.3.1 单目标算法 308 25.3.2 多目标算法 310 25.4 混合蚁群优化算法 311 25.4.1 蚁群优化的局部搜索 312 25.4.2 禁忌搜索蚁群优化算法 313 25.4.3 集束搜索蚁群优化算法 313 25.4.4 基于遗传算法的蚁群优化算法 315 25.4.5 基于模糊系统的蚁群优化算法 316 25.4.6 基于免疫系统的蚁群优化算法 316 25.5 多目标优化 317 25.5.1 多种群多目标优化算法 318 25.5.2 多信息素矩阵方法 318 25.5.3 多启发方法 319 25.6 动态优化问题 320 25.7 并行蚁群优化算法 321 25.7.1 种群层次的并行化 322 25.7.2 蚂蚁层次的并行化 323 25.7.3 数据层次的并行化 323 25.7.4 函数层次的并行化 323 25.7.5 结合并行策略 324 25.8 小结 324 第26章 蚁群算法的应用 325 26.1 一般要求 325 26.2 排序问题 326 26.2.1 旅行商问题 327 26.2.2 车辆路线问题 328 26.2.3 作业调度问题 331 26.2.4 单机作业调度问题 332 26.3 分配问题 334 26.3.1 二次分配问题 335 26.3.2 约束满足问题 337 26.4 子集问题 338 26.4.1 多背包问题 339 26.4.2 加权极小碰集问题 340 26.4.3 分类规则发现 341 26.5 分组问题 343 26.5.1 装箱问题 344 26.5.2 图着色问题 345 26.6 小结 346 第27章 集体决策 347 27.1 外激励 347 27.2 人工信息素 348 27.2.1 基本信息素更新规则 348 27.2.2 信息素挥发 349 27.2.3 局部与全局更新规则 349 27.2.4 其他信息素更新规则 350 27.3 变态分层结构(Heterarchy) 350 27.4 小结 351 第28章 蚁群优化的收敛性 353 28.1 收敛性证明及特点 353 28.2 收敛性度量 355 28.3 小结 356 第29章 墓地组织与育雏 357 29.1 基本蚁群聚类模型 357 29.2 广义蚁群聚类模型 358 29.2.1 Lumer-Faieta算法 358 29.2.2 对Lumer-Faieta算法的改进 360 29.3 蚁群聚类的最小模型 362 29.4 蚂蚁聚类集成 363 29.5 混合聚类方法 363 29.5.1 K-均值蚂蚁聚类 363 29.5.2 模糊C-均值蚂蚁聚类 364 29.6 蚂蚁聚类的应用 364 29.7 小结 364 第30章 分工 365 30.1 昆虫群落中的分工 365 30.2 基于响应阈值的任务分配 366 30.2.1 单任务分配 367 30.2.2 多任务分配 367 30.3 自适应任务分配和专业化 367 30.4 小结 368 第31章 后记 369 参考文献 371 高级阅读材料 413 附录A 缩略词 415 附录B 符号 419 索引 431 封底 444