自然計(jì)算

內(nèi)容概要

自然計(jì)算作為21世紀(jì)計(jì)算領(lǐng)域最熱門的研究方向，先后從不同的研究視角出發(fā)，通過模擬不同自然現(xiàn)象，提出了許多算法，并且大多有了不同程度的應(yīng)用。《自然計(jì)算》(作者曾建潮、崔志華)是著者在太原科技大學(xué)復(fù)雜系統(tǒng)與計(jì)算智能實(shí)驗(yàn)室十幾年來在自然計(jì)算方面的主要研究工作的總結(jié)。主要內(nèi)容包括自然計(jì)算的概念、分類及研究范疇；遺傳算法的理論及其應(yīng)用；分布估計(jì)算法、思維進(jìn)化計(jì)算及社會情感優(yōu)化算法；廣義微粒群算法的概念模型和幾種實(shí)現(xiàn)形式以及在約束優(yōu)化問題中的應(yīng)用；基于擬態(tài)物理學(xué)的全局優(yōu)化算法的相關(guān)研究成果。
《自然計(jì)算》適合從事自然計(jì)算研究與應(yīng)用的科技工作者和工程技術(shù)人員閱讀使用，也可作為高等院校計(jì)算機(jī)科學(xué)與技術(shù)、控制科學(xué)與工程、管理科學(xué)與工程等學(xué)科的高年級本科生及研究生的教學(xué)參考書。

書籍目錄

第1章 緒論
 1．1 自然計(jì)算的概念與主要研究分支
 1．2 自然啟發(fā)的計(jì)算
 1．3 本書的緣起與組織結(jié)構(gòu)
第2章 遺傳算法及其改進(jìn)
 2．1 遺傳算法概述
 2．1．1 遺傳算法的發(fā)展歷史
 2．1．2 遺傳算法的基本原理
 2．1．3 遺傳算法的求解步驟
 2．1．4 遺傳算法的基本特點(diǎn)
 2．2 自學(xué)習(xí)遺傳算法
 2．2．1 自學(xué)習(xí)遺傳算法的描述
 2．2．2 自學(xué)習(xí)遺傳算法的理論分析
 2．3 基于Metropolis判別準(zhǔn)則的遺傳算法
 2．3．1 Metropolis判別準(zhǔn)則的內(nèi)涵
 2．3．2 基于Metropolis判別準(zhǔn)則的復(fù)制算子
 2．3．3 基于Metrop01is判別準(zhǔn)則的遺傳算法的理論分析
 2．4 兩級遞階遺傳算法
 2．4．1 兩級遞階遺傳算法的描述
 2．4．2 兩級遞階遺傳算法的理論分析
 2．5 三種算法在函數(shù)優(yōu)化中的應(yīng)用
 2．6 小結(jié)
 參考文獻(xiàn)
第3章 非線性遺傳算法
 3．1 非線性遺傳算法抽象模型
 3．1．1 標(biāo)準(zhǔn)遺傳算子分析
 3．1．2 基于函數(shù)族形式的非線性遺傳算法抽象模型
 3．1．3 基于抽象模型的理論分析
 3．2 基于規(guī)范化操作的十進(jìn)制非線性遺傳算法研究
 3．2．1 基于規(guī)范化操作的十進(jìn)制非線性遺傳算法框架
 3．2．2 基于規(guī)范化操作的十進(jìn)制非線性遺傳算法效率及收斂性分析·
 3．2．3 自適應(yīng)非線性遺傳算法
 3．2．4 自調(diào)整非線性遺傳算法
 3．2．5 基于規(guī)范化操作的十進(jìn)制非線性遺傳算法模式定理分析
 3．3 其他形式的實(shí)數(shù)非線性遺傳算法
 3．3．1 標(biāo)準(zhǔn)遺傳算法分析
 3．3．2 動(dòng)態(tài)雙圓形非線性遺傳算法[9]
 3．4 二進(jìn)制非線性遺傳算法
 3．4．1 距離空間的定義及其性質(zhì)
 3．4．2 基于距離空間的標(biāo)準(zhǔn)遺傳算子討論
 3．4．3 基于代數(shù)雜交算子的二進(jìn)制非線性遺傳算法[4]
 3．4．4 基于模式考慮的二進(jìn)制非線性遺傳算法[15]
 3．5 小結(jié)
 參考文獻(xiàn)
第4章 遺傳算法在生產(chǎn)調(diào)度問題中的應(yīng)用
 4．1 基于主動(dòng)調(diào)度編碼的遺傳調(diào)度算法“
 4．1．1 車間作業(yè)調(diào)度問題
 4．1．2 基于主動(dòng)調(diào)度的遺傳算法的描述
 4．1．3 實(shí)例仿真和分析
 4．2 多個(gè)體交叉遺傳調(diào)度算法
 4．2．1 常見遺傳調(diào)度算法的分析
 4．2．2 多個(gè)體交叉遺傳算法的描述
 4．2．3 實(shí)例仿真和分析
 4．3 分部遺傳調(diào)度算法
 4．3．1 柔性車間作業(yè)調(diào)度問題
 4．3．2 分部遺傳算法的描述
 4．3．3 實(shí)例仿真和分析
 4．4 小結(jié)
 參考文獻(xiàn)
第5章 分布估計(jì)算法研究
 5．1 引言
 5．2 copula分布估計(jì)算法
 5．2．1 copula分布估計(jì)算法的統(tǒng)一框架
 5．2．2 copula分布估計(jì)算法的收斂性
 5．3 阿基米德copula分布估計(jì)算法
 5．3．1 阿基米德copula函數(shù)采樣算法
 5．3．2 Gumbel copula分布估計(jì)算法
 5．3．3 基于PMLE的阿基米德copula分布估計(jì)算法參數(shù)估計(jì)法
 5．4 經(jīng)驗(yàn)copula分布估計(jì)算法
 5．4．1 多維經(jīng)驗(yàn)copula函數(shù)的構(gòu)造方式
 5．4．2 經(jīng)驗(yàn)copula EDA算法步驟及復(fù)雜性分析
 5．5 基于離散Quasi—copula的分布估計(jì)算法
 5．5．1 離散Quasi．Copula基本概念
 5．5．2 基于離散QuaSi．copula的概率模型
 5．5．3 群體的產(chǎn)生
 5．5．4 算法流程
 5．5．5 實(shí)例仿真
 5．6 優(yōu)良模式連接的分布估計(jì)算法
 5．6．1 優(yōu)良模式連接的思想
 5．6．2 模式矩陣的建立
 5．6．3 分塊優(yōu)化過程
 5．6．4 算法流程
 5．6．5 實(shí)例仿真
 5．7 基于Bayesian統(tǒng)計(jì)推斷的分布估計(jì)算法
 5．7．1 BayesiaIl統(tǒng)計(jì)推斷理論
 5．7．2 概率模型的建立
 5．7．3 概率模型的更新
 5．7．4 算法流程
 5．7．5 實(shí)例仿真
 5．8 基于序貫重點(diǎn)采樣粒子濾波的分布估計(jì)算法
 5．8．1 序貫重點(diǎn)采樣粒子濾波
 5．8．2 序貫重點(diǎn)采樣粒子濾波與分布估計(jì)算法
 5．8．3 測試函數(shù)
 5．8．4 仿真實(shí)驗(yàn)
 5．9 小結(jié)
 參考文獻(xiàn)
第6章 思維進(jìn)化計(jì)算
 6．1 基本思維進(jìn)化計(jì)算
 6．1．1 研究背景
 6．1．2 算法的基本原理及系統(tǒng)結(jié)構(gòu)
 6．1．3 算法流程
 6．2 基于遺傳算法與思維進(jìn)化計(jì)算的廣義進(jìn)化模型
 6．2．1 廣義進(jìn)化模型的提出
 6．2．2 GA與MEc內(nèi)在機(jī)制的比較分析
 6．2 13 廣義進(jìn)化模型的構(gòu)成
 6．3 基于思維進(jìn)化計(jì)算求解約束優(yōu)化問題
 6．3．1 求解約束優(yōu)化問題的演化算法
 6．3．2 約束優(yōu)化問題的描述
 6．3．3 用于求解約束優(yōu)化問題的MEc算法設(shè)計(jì)
 6．3．4 算法的收斂性分析
 6．4 用于求解TsP的思維進(jìn)化計(jì)算模型
 6．4．1 旅行商問題的描述
 6．4．2 用于求解TsP的思維進(jìn)化算法
 6．4．3 全局收斂性算法
 6．5 求解Job．Shop調(diào)度問題的MEC算法
 6．5．1 Job．Shop調(diào)度問題及其研究現(xiàn)狀
 6．5．2 求解Job．shop調(diào)度問題的MEc
 6．6 用于動(dòng)態(tài)系統(tǒng)建模的思維進(jìn)化計(jì)算模型
 6．6．1 動(dòng)態(tài)系統(tǒng)建模問題及其研究現(xiàn)狀
 6．6．2 用于動(dòng)態(tài)系統(tǒng)建模的MEC方法
 6．7 小結(jié)
 參考文獻(xiàn)
第7章 社會情感算法
 7．1 社會情感理論
 7．1．1 理智前提下的情感
 7．1．2 個(gè)人情緒和社會情感及其相互關(guān)系
 7．1．3 情緒對行為的影響和對環(huán)境的反饋
 7．2 社會情感優(yōu)化算法
 7．2．1 算法介紹
 7．2．2 社會情感優(yōu)化算法的優(yōu)勢
 7．2．3 實(shí)驗(yàn)結(jié)果
 7．3 情感的隨機(jī)選擇策略
 7．3．1 基于Levy分布的社會情感優(yōu)化算法
 7．3．2 基于正態(tài)分布及柯西分布的社會情感優(yōu)化算法
 7．4 基于情感計(jì)算的社會情感優(yōu)化算法
 7．4．1 情緒變化模型
 7．4．2 三維情緒空間
 7．4．3 情緒變化矩陣
 7．4．4 引入情緒變化模型的社會情感優(yōu)化算法
 7．4．5 算法步驟
 7．4．6 電力系統(tǒng)無功優(yōu)化的應(yīng)用
 7．5 小結(jié)
 參考文獻(xiàn)
第8章 微粒群算法
 8．1 標(biāo)準(zhǔn)微粒群算法概述
 8．1．1 基本概念及進(jìn)化方程
 8．1．2 算法流程
 8．1．3 社會行為分析
 8．1．4 與其他進(jìn)化算法的比較
 8．2 微粒群算法的研究現(xiàn)狀
 8．3 廣義微粒群算法
 8．4 微粒群算法的統(tǒng)一模型及分析
 8．4．1 微粒群算法的統(tǒng)一模型[58]
 8．4．2 基于統(tǒng)一描述模型的Ps0算法進(jìn)化行為分析
 8．4．3 收斂性分析
 8．5 帶控制器的微粒群算法
 8．5．1 標(biāo)準(zhǔn)微粒群算法的控制理論分析
 8．5．2 積分控制微粒群算法
 8．5．3 PID控制微粒群算法
 8．6 基于多樣性控制的自組織微粒群算法
 8．6．1 自組織微粒群算法的提出
 8．6．2 群體多樣性測度
 8．6．3 多樣性參考輸入的確定
 8．6．4 多樣性控制器的設(shè)計(jì)
 8．6．5 自組織微粒群算法在約束布局優(yōu)化中的應(yīng)用
 8．7 小結(jié)
 參考文獻(xiàn)
第9章 微粒群算法在約束優(yōu)化問題中的應(yīng)用
 9．1 約束處理方法
 9．2 基于約束保持法的微粒群算法
 9．2．1 基于一維搜索約束保持法的向量微粒群算法(ODcPvPs0)
 9．2．2 基于多維搜索約束保持法的向量微粒群算法(MDcPVPsO)
 9．2．3 仿真實(shí)驗(yàn)結(jié)果對比
 9．3 基于可行規(guī)則法的改進(jìn)微粒群算法
 9．3．1 基于可行規(guī)則的改進(jìn)微粒群算法I(FRMPSO I)
 9．3．2 基于可行規(guī)則的改進(jìn)微粒群算法II(FRMPSO II)
 9．3．3 仿真實(shí)驗(yàn)結(jié)果對比
 9．4 改進(jìn)微粒群算法在機(jī)械約束優(yōu)化問題上的應(yīng)用
 參考文獻(xiàn)
第10章 擬態(tài)物理學(xué)優(yōu)化算法
 10．1 標(biāo)準(zhǔn)擬態(tài)物理學(xué)優(yōu)化算法
 10．1．1 擬態(tài)物理學(xué)背景
 10．1．2 擬態(tài)物理學(xué)方法到基于種群的優(yōu)化算法的映射
 10．1．3 擬態(tài)物理學(xué)優(yōu)化算法框架
 10．1．4 算法流程
 10．1．5 AP0算法與EM、PSO算法的比較分析
 10．1．6 作用力規(guī)則的選擇策略
 10．1．7 質(zhì)量函數(shù)的選擇策略
 10．2 擬態(tài)物理學(xué)優(yōu)化算法的擴(kuò)展模型
 10．2．1 一種擴(kuò)展的擬態(tài)物理學(xué)優(yōu)化算法
 10．2．2 向量擬態(tài)物理學(xué)優(yōu)化算法
 10．2．3 混合一維搜索的向量擬態(tài)物理學(xué)優(yōu)化算法
 10．2．4 混合多維搜索的向量擬態(tài)物理學(xué)優(yōu)化算法
 10．3 無約束多目標(biāo)擬態(tài)物理學(xué)優(yōu)化算法
 10．3．1 基于聚集函數(shù)法的多目標(biāo)擬態(tài)物理學(xué)優(yōu)化算法
 10．3．2 基于虛擬力排序的多目標(biāo)擬態(tài)物理學(xué)優(yōu)化算法
 10．3．3 基于序值的多目標(biāo)擬態(tài)物理學(xué)優(yōu)化算法
 10．4 約束多目標(biāo)擬態(tài)物理學(xué)優(yōu)化算法研究
 10．4．1 基于可行規(guī)則法的約束多目標(biāo)擬態(tài)物理學(xué)優(yōu)化算法研究
 10．4．2 基于約束保持法的cMOAPO算法研究
 10．5 小結(jié)
 參考文獻(xiàn)
附錄A 典型測試函數(shù)
附錄B 常用的約束優(yōu)化測試函數(shù)

章節(jié)摘錄

版權(quán)頁：   插圖：   2.APO與EM的比較 APO和EM算法同為受物理規(guī)律的啟發(fā)的隨機(jī)優(yōu)化算法，兩者中參與尋優(yōu)的個(gè)體都具有質(zhì)量和位置屬性，個(gè)體的質(zhì)量都是用戶定義的有關(guān)其適應(yīng)值的函數(shù)，而且EM算法中個(gè)體的質(zhì)量還與優(yōu)化問題的維數(shù)相關(guān)。個(gè)體間的引斥力規(guī)則相同，即較好個(gè)體吸引較差個(gè)體，較差個(gè)體排斥較好個(gè)體。不同之處在于： （1）個(gè)體速度屬性不同。APO算法中個(gè)體具有速度屬性，而EM算法中個(gè)體則沒有該屬性。 （2）受啟發(fā)的物理規(guī)律不同。APO算法基于擬態(tài)物理學(xué)框架，其中，個(gè)體間作用力受萬有引力的啟發(fā)，其運(yùn)動(dòng)受牛頓第二定律的啟發(fā)，但不完全拘泥于這些作用力和運(yùn)動(dòng)規(guī)則；而EM算法受電磁場中帶電粒子間吸引和排斥機(jī)制的啟發(fā)，個(gè)體間作用力遵循庫侖力定律。 （3）個(gè)體間作用力計(jì)算表達(dá)式不同。在APO算法中，作用力大小的計(jì)算（式（10.6））是由萬有引力計(jì)算表達(dá)式類推的。按照擬態(tài)物理學(xué)方法的基本思想，在擬態(tài)物理空間，距離的指數(shù)p取值范圍為[—5，5]。這意味著作用力大小即可以與個(gè)體間的距離成正比，也可以與其成反比，參數(shù)p的具體取值依所求解的問題而定。這也是本算法設(shè)計(jì)的一個(gè)重要內(nèi)容，詳細(xì)見10.1.6節(jié)。EM算法中，作用力大小的計(jì)算局限于使用庫侖定律中兩個(gè)電荷之間的作用力計(jì)算表達(dá)式，即作用力大小與個(gè)體間距離的平方成反比。這使得當(dāng)兩個(gè)個(gè)體逐漸靠近時(shí)，個(gè)體間距離將逐漸變小，作用力將逐漸變大，導(dǎo)致個(gè)體間無法相互靠近，則個(gè)體將無法在較優(yōu)個(gè)體鄰域進(jìn)行精細(xì)搜索。盡管在該算法中加入了獨(dú)立的局部搜索算法，然而就該算法本身而言，其局部搜索能力較弱。 另外，在APO算法的作用力計(jì)算表達(dá)式中，萬有引力常數(shù)對調(diào)節(jié)個(gè)體所受作用力大小，引導(dǎo)個(gè)體有效搜索起著一定的作用。這進(jìn)一步反映了APO算法的設(shè)計(jì)具有一般性和通用，而在EM算法作用力計(jì)算表達(dá)式中，則沒有該類可調(diào)參數(shù)。 （4）個(gè)體運(yùn)動(dòng)形式不同。在APO算法中，個(gè)體除了具有位置屬性外，還具有速度屬性。由于慣性系數(shù)的引入，使得個(gè)體運(yùn)動(dòng)不僅參考了合力的方向和大小，而且還參考了前一時(shí)刻的速度向量；而EM算法中，個(gè)體沒有速度屬性，個(gè)體運(yùn)動(dòng)僅參考了合力的方向，而沒有參考合力的大小，其步長沿合力方向在可行域內(nèi)任意取值。這樣勢必會丟失由合力大小傳遞的有關(guān)搜索的有用信息。 通過以上比較分析表明，APO算法雖然在設(shè)計(jì)形式上與PSO和EM算法相似，但具有本質(zhì)不同。APO算法框架設(shè)計(jì)比PSO和EM算法更具一般性和通用性，搜索策略更加合理，參數(shù)相對較少，體現(xiàn)了APO算法的魯棒性。

編輯推薦

《自然計(jì)算》適合從事自然計(jì)算研究與應(yīng)用的科技工作者和工程技術(shù)人員閱讀使用，也可作為高等院校計(jì)算機(jī)科學(xué)與技術(shù)、控制科學(xué)與工程、管理科學(xué)與工程等學(xué)科的高年級本科生及研究生的教學(xué)參考書。

圖書封面

評論、評分、閱讀與下載

---

    自然計(jì)算 PDF格式下載

---