粒子群優(yōu)化算法

前言

20世紀90年代生物學(xué)家及計算機專家通過對社會型生物的觀察和研究，創(chuàng)立了以模擬群體生物行為為特征的群體智能研究領(lǐng)域。所謂的群體智能是指眾多行為簡單的個體在相互作用過程中涌現(xiàn)產(chǎn)生的整體智能行為。群體智能作為一個新興領(lǐng)域，盡管只有十幾年的發(fā)展，卻已引起眾多學(xué)科領(lǐng)域研究人員的關(guān)注，目前已經(jīng)成為人工智能、經(jīng)濟、社會、生物等交叉學(xué)科的熱點和前沿領(lǐng)域。基于群體智能思想提出的各類算法已在傳統(tǒng)NP問題求解及諸多實際應(yīng)用領(lǐng)域中展現(xiàn)出其優(yōu)異的性能和巨大的發(fā)展?jié)摿?。粒子群?yōu)化算法（Particle Swarm Optimization，PSO）是群體智能典型實現(xiàn)的算法之一，可簡稱為：PSO算法或粒子群算法。本書是我們對PSO算法研究的總結(jié)。全書共分5章，第1章介紹了PSO算法研究的相關(guān)背景知識及展望，如生物啟發(fā)式計算、群體智能等；第2章討論了PSO算法的基本原理及實現(xiàn)技術(shù)等；第3章給出了PsO算法中參數(shù)的分析；第4章介紹了幾種典型的改進PSO算法；第5章研究了一些PsO算法的實際應(yīng)用問題。

內(nèi)容概要

本書研究了群體智能典型實現(xiàn)的算法之一——粒子群優(yōu)化算法。其針對傳統(tǒng)粒子群優(yōu)化算法存在的缺點，給出其改進方法或提出新模型，使之更為有效可靠；另外，介紹了所提出的新模型、新算法在實際工程領(lǐng)域中的應(yīng)用，拓展了粒子群算法的應(yīng)用領(lǐng)域。    本書在介紹了粒子群優(yōu)化算法基本原理、基本粒子群算法的基礎(chǔ)上，闡述了粒子群算法的實現(xiàn)技術(shù)，基于參數(shù)改進的粒子群算法、混合粒子群算法、生物啟發(fā)式粒子群算法，重點研究了粒子群算法在各類現(xiàn)實工程問題中的應(yīng)用情況。    本書適合運籌與管理、人工智能、計算數(shù)學(xué)、計算機科學(xué)、系統(tǒng)科學(xué)、自動化等專業(yè)的師生參閱，亦可供從事計算智能研究與應(yīng)用的工作者參考。

作者簡介

李麗，吉林長春人，博士、教授，碩士生導(dǎo)師，深圳大學(xué)管理學(xué)院副院長。2001年廣東省“千百十”人才，2004年度深圳市優(yōu)秀教師。出版著作9部，主持國家、省、市級項目10余項及10多項橫向課題。其中國家社科基金項目“宏觀稅收負擔(dān)數(shù)量分析模型”榮獲吉林省教委科技進步一等獎；吉林省科委項目“數(shù)據(jù)包絡(luò)分析在經(jīng)濟管理中的應(yīng)用”榮獲吉林省教委科技進步一等獎。目前研究方向為運籌與優(yōu)化、智能決策與管理、智能計算，發(fā)表相關(guān)論文40余篇。

書籍目錄

1　1緒論  1.1　相關(guān)背景  1.2　生物啟發(fā)式計算    1.2.1　遺傳算法    1.2.2  神經(jīng)計算    1.2.3　模糊系統(tǒng)    1.2.4　其他生物啟發(fā)式計算方法  1.3　群體智能    1.3.1　群體智能簡介    1.3.2　群體智能的基本特性  1.4　群體智能算法及其研究現(xiàn)狀    1.4.1  螞蟻算法    1.4.2　粒子群優(yōu)化算法    1.4.3  群體智能算法應(yīng)用研究現(xiàn)狀  1.5　展望  參考文獻2　粒子群算法  2.1  引言  2.2　粒子群算法概述    2.2.1  粒子群算法的起源    2.2.2　原始粒子群算法    2.2.3　標(biāo)準粒子群算法  2.3　標(biāo)準測試函數(shù)  2.4　粒子群算法的實現(xiàn)  參考文獻3　粒子群算法參數(shù)分析  3.1  引言  3.2　慣性權(quán)重分析    3.2.1  線性慣性權(quán)重策略    3.2.2　非線性慣性權(quán)重策略    3.2.3　其他策略  3.3　學(xué)習(xí)因子分析  3.4　其他參數(shù)分析  參考文獻4　改進粒子群算法　4.1　粒子群算法改進研究綜述    4.1.1  參數(shù)改進    4.1.2　拓撲結(jié)構(gòu)的改進    4.1.3　混合策略    4.1.4　基于生物行為的改進  4.2　基于差分進化的一種新型混合粒子群算法    4.2.1　差分進化算法    4.2.2　基于差分進化的混合粒子群算法    4.2.3　試驗設(shè)置與測試函數(shù)    4.2.4　試驗結(jié)果-  4.3　基于模擬退火思想的粒子群算法    4.3.1  概述    4.3.2　模擬退火算法    4.3.3　基于模擬退化思想的粒子群混合算法    4.3.4　實驗設(shè)置與測試函數(shù)    4.3.5  實驗結(jié)果  4.4　基于細菌趨化的改進粒子群算法    4.4.1　PSOBC算法　……5　粒子群算法的應(yīng)用

章節(jié)摘錄

插圖：3粒子群算法參數(shù)分析3．1引言PSO算法的參數(shù)改進主要體現(xiàn)在其速度迭代公式中，涉及的三個方面包括：慣性權(quán)重的調(diào)節(jié)，學(xué)習(xí)因子的調(diào)節(jié)和速度迭代公式中的其他參數(shù)。其中，慣性權(quán)重作為控制PSO算法全局探測能力（在整個搜索空問中搜索）與局部開發(fā)能力（在局部近優(yōu)解附近搜索）的關(guān)鍵因素，受到了較為廣泛的研究。本章主要從慣性權(quán)重、學(xué)習(xí)因子、種群規(guī)模和最大速度等幾個方面來分析PSO算法性能。3．2慣性權(quán)重分析在PSO算法的可調(diào)整參數(shù)中，慣性權(quán)重是最重要的改進參數(shù)，它決定了粒子先前飛行速度對當(dāng)前飛行速度的影響程度，因此通過調(diào)整慣性權(quán)重的值可以實現(xiàn)全局搜索和局部搜索之間的平衡：當(dāng)慣性權(quán)重值較大時，全局搜索能力強，局部搜索能力弱；當(dāng)慣性權(quán)重值較小時，全局搜索能力弱，局部搜索能力強。因此恰當(dāng)?shù)膽T性權(quán)重值可以提高算法性能，提高尋優(yōu)能力，同時減少迭代次數(shù)。但是要達到算法性能最優(yōu)，還存在一定的難度，因為當(dāng)慣性權(quán)重值較大時，有利于全局搜索，雖收斂速度快，但不易得到精確解；慣性權(quán)重值較小時有利于局部搜索和得到更為精確的解，但收斂速度慢且有時會陷入局部極值。因此，如何尋找合適的慣性權(quán)重值使之在搜索精度和搜索速度方面起恰當(dāng)?shù)膮f(xié)調(diào)作用，成為很多學(xué)者研究的一個焦點，通過幾年的發(fā)展，已有了不少研究成果。主要可以分為線性策略、非線性策略兩種。

編輯推薦

《粒子群優(yōu)化算法》由冶金工業(yè)出版社出版。

圖書封面

圖書標(biāo)簽Tags

無

評論、評分、閱讀與下載

---

    粒子群優(yōu)化算法 PDF格式下載

---