群體智能與仿生計(jì)算

前言

　　天空中的鳥群，海洋中的魚群，池塘中的蛙群，陸地上的昆蟲、動(dòng)物，經(jīng)常要成群結(jié)隊(duì)地覓食，在覓食中會(huì)遭受到捕食者的攻擊，對(duì)這些動(dòng)物而言，能否協(xié)調(diào)合作行動(dòng)關(guān)系到生死存亡。群體智能就是從許多個(gè)體的合作與競(jìng)爭(zhēng)中涌現(xiàn)出來的一種共享的或群體的智慧，這種集體智慧在細(xì)菌、動(dòng)物、人類及計(jì)算機(jī)網(wǎng)絡(luò)中形成，并以多種形式的協(xié)商一致的決策模式出現(xiàn)。“群體智慧”在這個(gè)世界上以許多不同的形式發(fā)揮著作用：個(gè)體微不足道，群體卻充滿智慧，沒有領(lǐng)導(dǎo)，沒有組織者，所有的分工卻秩序井然，而它們的群體協(xié)調(diào)能力令人瞠目結(jié)舌?！　∫恢币詠?，人類從大自然中不斷得到啟迪，通過發(fā)現(xiàn)自然界中的一些規(guī)律，或模仿其他生物的行為模式，從而獲得靈感以解決各種問題。群體智能仿生計(jì)算就是通過模擬自然界的生物群體行為來實(shí)現(xiàn)人工智能的一種方法。仿生智能優(yōu)化算法大多以模仿自然界中不同生物種群的群體體現(xiàn)出來的社會(huì)分工和協(xié)同合作機(jī)制為目標(biāo)，而非生物的個(gè)體行為，屬于群體智能的范疇，因而也被廣泛稱為群體智能優(yōu)化算法。群體智能優(yōu)化算法的基本思想是用分布搜索優(yōu)化空間中的點(diǎn)來模擬自然界中的個(gè)體，用個(gè)體的進(jìn)化或覓食過程類比為隨機(jī)搜索最優(yōu)解的過程，用求解問題的目標(biāo)函數(shù)度量個(gè)體對(duì)于環(huán)境的適應(yīng)能力，根據(jù)適應(yīng)能力采取優(yōu)勝劣汰的選擇機(jī)制類比為用好的可行解代替差的可行解，將整個(gè)群體逐步向最優(yōu)解靠近的過程類比為迭代的隨機(jī)搜索過程。本書綜合運(yùn)用人工智能、認(rèn)知科學(xué)、社會(huì)心理學(xué)、演化計(jì)算等學(xué)科知識(shí)，提供了一些非常有價(jià)值的新見解，并將這些見解加以應(yīng)用，以解決較難的工程問題。書中首先探討了群體智能的理論，將這些理論和模型應(yīng)用于實(shí)際，詳盡展示了仿生計(jì)算的實(shí)現(xiàn)方法，提供了強(qiáng)有力的優(yōu)化、學(xué)習(xí)和解決問題的方法?！　∪后w智能與仿生計(jì)算已經(jīng)成為當(dāng)代高科技研究的重要領(lǐng)域，其相關(guān)技術(shù)迅速擴(kuò)展，已經(jīng)應(yīng)用在人工智能、機(jī)器人、系統(tǒng)控制、數(shù)據(jù)分析等領(lǐng)域，幾乎遍及各個(gè)學(xué)科領(lǐng)域，在國民經(jīng)濟(jì)、國防建設(shè)、社會(huì)發(fā)展的各個(gè)方面得到廣泛應(yīng)用，產(chǎn)生了深遠(yuǎn)的影響?！　鴥?nèi)外論述群體智能技術(shù)的書籍不少，這一領(lǐng)域涉及深?yuàn)W的理論，往往使實(shí)際工作者感到困難，大部分書是羅列各種算法，見不到算法的實(shí)際效果和各種算法對(duì)比的結(jié)果，而這正是學(xué)習(xí)者和實(shí)際工作者所需要了解和掌握的內(nèi)容。目前確實(shí)缺少一本關(guān)于群體智能技術(shù)在實(shí)際應(yīng)用方面具有系統(tǒng)性、可比性和實(shí)用性的參考書?！　”緯奶攸c(diǎn)如下：　?。?）選用新技術(shù)。除了介紹許多重要經(jīng)典的內(nèi)容以外，書中還包括最近十幾年才發(fā)展起來的并被實(shí)踐證明有用的新技術(shù)、新理論，比如進(jìn)化計(jì)算、人工免疫算法、粒子群算法、蟻群算法、蛙跳算法、人工魚群算法、貓群算法、蜂群算法、細(xì)菌覓食算法、Memetic算法、量子遺傳計(jì)算等，并將這些新技術(shù)應(yīng)用于模式識(shí)別的聚類分析中，提供這些新技術(shù)的實(shí)現(xiàn)方法和源代碼?！　。?）實(shí)用性強(qiáng)，針對(duì)實(shí)例介紹理論和技術(shù)，使理論和實(shí)踐相結(jié)合，避免了空洞的理論說教。書中實(shí)例取材于模式識(shí)別聚類分析，在實(shí)際應(yīng)用中具有廣泛的代表性，讀者對(duì)程序稍加改進(jìn)，就可以將其應(yīng)用到不同的場(chǎng)合?！　。?）針對(duì)每一種群體智能技術(shù)，書中分為理論介紹、實(shí)例應(yīng)用、編程代碼三部分，在掌握了理論之后，按照實(shí)例的應(yīng)用方法，可以了解算法的實(shí)現(xiàn)思路和方法，進(jìn)一步體會(huì)短小精悍的核心代碼，學(xué)習(xí)者可以很快掌握模式識(shí)別技術(shù)。所有算法都用Matlab編程實(shí)現(xiàn)，便于讀者學(xué)習(xí)和應(yīng)用?！　”緯膬?nèi)容基本涵蓋了目前群體智能的重要理論和方法，但不是簡(jiǎn)單地將各種理論方法堆砌起來，而是將作者自身的研究成果和實(shí)踐經(jīng)驗(yàn)傳授給讀者。在介紹各種理論和方法時(shí)，將不同的算法應(yīng)用于實(shí)際中，書中含有需要應(yīng)用群體智能技術(shù)解決的問題，有理論的講解和推理，有將理論轉(zhuǎn)化為編程的步驟，有計(jì)算機(jī)能夠運(yùn)行的仿生源代碼，有計(jì)算機(jī)運(yùn)行模式識(shí)別算法程序后的效果，有不同算法應(yīng)用于同一個(gè)問題的效果對(duì)比。使讀者不至于面對(duì)如此豐富的理論和方法無所適從，而是有所學(xué)就會(huì)有所用?！　”緯蓷钍绗摗垬逯?。參加本書編寫的還有鄧飛、馮帆、王博凱、王光彪、范凱波、賈紫娟、牛廷偉、王麗賢、陶沖、劉婷婷、劉旭鵬，他們?cè)谧髡咧笇?dǎo)下的研究工作中付出了辛勤的勞動(dòng)，取得了有益的研究成果，正是在他們的努力下本書才得以順利完成，作者表示衷心的感謝。同時(shí)感謝天津理工大學(xué)出版基金的資助。由于作者業(yè)務(wù)水平和實(shí)踐經(jīng)驗(yàn)有限，書中缺點(diǎn)與錯(cuò)誤在所難免，歡迎讀者予以指正?！　∽髡邔⒉还钾?fù)廣大讀者的期望，努力工作，不斷充實(shí)新的內(nèi)容。讀者可通過該郵箱及時(shí)與作者取得聯(lián)系，獲得技術(shù)支持?！　≈?者

內(nèi)容概要

　　本書廣泛吸取群智能計(jì)算、模式識(shí)別、統(tǒng)計(jì)學(xué)、數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、人工智能等學(xué)科的先進(jìn)思想和理論，以一種新的體系，系統(tǒng)、全面地介紹各種群智能算法的理論、仿生計(jì)算方法及其聚類應(yīng)用。全書共分為12章，內(nèi)容包括進(jìn)化計(jì)算、人工免疫算法、Memetic算法、粒子群算法、混合蛙跳算法、貓群算法、細(xì)菌覓食算法、人工魚群算法、蟻群算法、蜂群算法、量子遺傳算法等。其中，進(jìn)化計(jì)算內(nèi)容包括進(jìn)化計(jì)算、遺傳算法、進(jìn)化規(guī)劃算法、進(jìn)化策略算法、差分進(jìn)化算法；人工免疫算法內(nèi)容包括人工免疫算法概述、免疫遺傳算法、免疫規(guī)劃算法、免疫策略算法、基于動(dòng)態(tài)疫苗提取的免疫遺傳算法、免疫克隆選擇算法；量子計(jì)算內(nèi)容包括量子計(jì)算、量子進(jìn)化算法和量子遺傳算法。
《群體智能與仿生計(jì)算——Matlab技術(shù)實(shí)現(xiàn)》內(nèi)容新穎，實(shí)用性強(qiáng)，理論與實(shí)際應(yīng)用密切結(jié)合，以圖像中物體的聚類分析為應(yīng)用實(shí)例，介紹理論運(yùn)用于實(shí)踐的實(shí)現(xiàn)步驟及相應(yīng)的Matlab代碼，為廣大研究人員和工程技術(shù)人員對(duì)相關(guān)理論的應(yīng)用提供借鑒。
本書可作為高等院校計(jì)算機(jī)工程、信息工程、生物醫(yī)學(xué)工程、智能機(jī)器人學(xué)、工業(yè)自動(dòng)化、模式識(shí)別等學(xué)科本科生、研究生的教材或教學(xué)參考書，也可供相關(guān)工程技術(shù)人員參考。

書籍目錄

第1章  緒論
第2章  進(jìn)化計(jì)算
  2.1  進(jìn)化計(jì)算概述
  2.2  遺傳算法仿生計(jì)算
    2.2.1  遺傳算法
    2.2.2  遺傳算法仿生計(jì)算在聚類分析中的應(yīng)用
  2.3  進(jìn)化規(guī)劃算法仿生計(jì)算
    2.3.1  進(jìn)化規(guī)劃算法
    2.3.2  進(jìn)化規(guī)劃算法仿生計(jì)算在聚類分析中的應(yīng)用
  2.4  進(jìn)化策略算法仿生計(jì)算
    2.4.1  進(jìn)化策略算法
    2.4.2  進(jìn)化策略算法仿生計(jì)算在聚類分析中的應(yīng)用
  2.5  差分進(jìn)化計(jì)算仿生計(jì)算
    2.5.1  差分進(jìn)化計(jì)算
    2.5.2  差分進(jìn)化計(jì)算仿生計(jì)算在聚類分析中的應(yīng)用
  本章小結(jié)
  習(xí)題
第3章  人工免疫算法
  3.1  人工免疫算法概述
  3.2  免疫遺傳算法仿生計(jì)算
    3.2.1  免疫遺傳算法
    3.2.2  免疫遺傳算法仿生計(jì)算在聚類分析中的應(yīng)用
  3.3  免疫規(guī)劃算法仿生計(jì)算
    3.3.1  免疫規(guī)劃算法
    3.3.2  免疫規(guī)劃算法仿生計(jì)算在聚類分析中的應(yīng)用
  3.4  免疫策略算法仿生計(jì)算
    3.4.1  免疫策略算法
    3.4.2  免疫策略算法仿生計(jì)算在聚類分析中的應(yīng)用
  3.5  基于動(dòng)態(tài)疫苗提取的免疫遺傳算法仿生計(jì)算
    3.5.1  基于動(dòng)態(tài)疫苗提取的免疫遺傳算法
    3.5.2  動(dòng)態(tài)疫苗提取的免疫遺傳算法仿生計(jì)算在聚類分析中的應(yīng)用
  3.6  免疫克隆選擇算法仿生計(jì)算
    3.6.1  免疫克隆選擇算法
    3.6.2  免疫克隆選擇算法仿生計(jì)算在聚類分析中的應(yīng)用
  本章小結(jié)
  習(xí)題
第4章  Memetic算法仿生計(jì)算
  4.1  Memetic算法
  4.2  Memetic算法仿生計(jì)算在聚類分析中的應(yīng)用
  本章小結(jié)
  習(xí)題
第5章  粒子群算法仿生計(jì)算
  5.1  粒子群算法
  5.2  粒子群算法仿生計(jì)算在聚類分析中的應(yīng)用
  本章小結(jié)
  習(xí)題
第6章  混合蛙跳算法仿生計(jì)算
  6.1  混合蛙跳算法
  6.2  混合蛙跳算法仿生計(jì)算在聚類分析中的應(yīng)用
  本章小結(jié)
  習(xí)題
第7章  貓群算法仿生計(jì)算
  7.1  貓群算法
  7.2  貓群算法仿生計(jì)算在聚類分析中的應(yīng)用
  本章小結(jié)
  習(xí)題
第8章  細(xì)菌覓食算法仿生計(jì)算
  8.1  細(xì)菌覓食算法
  8.2  細(xì)菌覓食算法仿生計(jì)算在聚類分析中的應(yīng)用
  本章小結(jié)
  習(xí)題
第9章  人工魚群算法仿生計(jì)算
  9.1  人工魚群算法
  9.2  人工魚群算法仿生計(jì)算在聚類分析中的應(yīng)用
  本章小結(jié)
  習(xí)題
第10章  蟻群算法仿生計(jì)算
  10.1  蟻群算法
  10.2  蟻群算法仿生計(jì)算在聚類分析中的應(yīng)用
  本章小結(jié)
  習(xí)題
第11章  蜂群算法仿生計(jì)算
  11.1  蜂群算法
  11.2  蜂群算法仿生計(jì)算在聚類分析中的應(yīng)用
  本章小結(jié)
  習(xí)題
第12章  量子遺傳算法仿生計(jì)算
  12.1  量子計(jì)算
  12.2  量子進(jìn)化算法
  12.3  量子遺傳算法仿生計(jì)算
  12.4  量子遺傳算法仿生計(jì)算在聚類分析中的應(yīng)用
  本章小結(jié)
  習(xí)題
參考文獻(xiàn)

章節(jié)摘錄

版權(quán)頁：   插圖：   2）克隆變異算子 克隆變異算子是克隆算法中產(chǎn)生有潛力的新抗體、實(shí)現(xiàn)區(qū)域搜索的重要算子。親和成熟的過程主要由抗體的突變完成，稱為親和突變，而突變的方式主要有單點(diǎn)突變、超突變及基因塊重組、基因塊反序、基因塊替換等。 對(duì)于克隆選擇算法的這種“克隆一變異”機(jī)制，實(shí)質(zhì)上是一種局部搜索，即通過克隆復(fù)制限定每個(gè)解的鄰域，并通過變異在鄰域內(nèi)搜尋多個(gè)鄰域解，從而實(shí)現(xiàn)局部尋優(yōu)的目的。這種搜索方式具有兩個(gè)特點(diǎn)： 建立在先驗(yàn)知識(shí)的基礎(chǔ)上，即抗體的突變受其母體的親和力制約，并且抗體的親和度與其變異概率成反比。 隨著親和度的不斷上升，變異的可能性及變異的程度逐漸變小，類似于梯度的搜索方法。 雖然在免疫學(xué)中認(rèn)為，親和度成熟和抗體多樣性的產(chǎn)生主要是依靠抗體的高頻變異，而非交叉或重組。但也有人依據(jù)信息交換多樣性的特點(diǎn)，分為單克隆算子和多克隆算子。其中，單克隆算子僅采用了高頻變異，而多克隆算子既采用了變異也采用了交叉。通過實(shí)驗(yàn)分析可知，交叉算子雖然使抗體更新時(shí)采納了群體內(nèi)其他抗體的信息，在一定程度上實(shí)現(xiàn)了優(yōu)勢(shì)互補(bǔ)，但在多樣性擴(kuò)充方面并沒有太多幫助。 3）克隆選擇算子 沿用生物進(jìn)化理論中的概念，生物種群中能適應(yīng)環(huán)境、在生存競(jìng)爭(zhēng)中獲得優(yōu)勝的個(gè)體，獲得繁衍進(jìn)化的機(jī)會(huì)，而不適應(yīng)社會(huì)或是在生存競(jìng)爭(zhēng)中失敗的個(gè)體遭到淘汰，即為自然選擇過程。 從縱向上，每個(gè)抗體經(jīng)過克隆、變異，并不是都能產(chǎn)生親和度更高的抗體，不可避免地會(huì)有部分個(gè)體出現(xiàn)退化。這時(shí)，需要比較原抗體與克隆后個(gè)體的親和度，選擇親和度較高的抗體，而親和度不高的將遭到淘汰，從而更新抗體群，實(shí)現(xiàn)信息交換。 從橫向上，種群中的不同抗體與抗原的親和度不同，因此得到克隆復(fù)制和親和成熟的機(jī)會(huì)也不同。親和度較高的抗體，需要大量復(fù)制出個(gè)體，并減少其發(fā)生變異的概率，以達(dá)到消滅抗原的目的；而親和度較低的抗體，相對(duì)復(fù)制個(gè)數(shù)較少，但是發(fā)生變異的概率較高，使得其有可能經(jīng)過變異提高親和度。 在克隆選擇算法中，顯然克隆選擇算子實(shí)現(xiàn)了在候選解附近的局部搜索，進(jìn)而實(shí)現(xiàn)全局搜索?？寺∵x擇分為以下兩步。 （1）克隆檢測(cè)算子 對(duì)于對(duì)每個(gè)抗體經(jīng)過克隆和變異后形成的克隆子群，提取其中親和度最高的克隆抗體。如果其親和度高于原抗體的親和度，則用該克隆個(gè)體代替原抗體，否則仍保持原抗體，以此更新抗體種群。 （2）輪盤賭選擇算子 根據(jù)個(gè)體親和度及抗體濃度，共同衡量個(gè)體生存的能力，即親和度越高且抗體濃度相對(duì)越低，其被選擇的概率越高。通過輪盤賭選擇算子，從克隆種群中選擇出親和度相對(duì)較高的個(gè)體，組成下一代種群。

圖書封面

圖書標(biāo)簽Tags

無

評(píng)論、評(píng)分、閱讀與下載

---

    群體智能與仿生計(jì)算 PDF格式下載

---