目錄
前言
第一部分 集群智能優(yōu)化算法概述
第1章 優(yōu)化算法研究概述 3
1.1 最優(yōu)化問題 3
1.2 最優(yōu)化方法 3
1.2.1 確定性算法 5
1.2.2 隨機性算法 5
1.2.3 集群智能優(yōu)化算法 6
1.3 各類優(yōu)化方法特點 7
1.3.1 傳統(tǒng)優(yōu)化方法特點 7
1.3.2 集群智能優(yōu)化算法特點及優(yōu)點 8
1.4 集群智能優(yōu)化算法的研究、應用現(xiàn)狀及展望 10
1.4.1 算法改進研究 10
1.4.2 算法應用現(xiàn)狀 12
1.4.3 算法研究展望 13
參考文獻 14
第2章 集群智能優(yōu)化算法 16
2.1 進化計算 16
2.1.1 遺傳算法 16
2.1.2 差分進化算法 18
2.1.3 文化算法 20
2.1.4 遺傳編程 22
2.1.5 進化策略 22
2.2 集群智能 23
2.2.1 粒子群優(yōu)化算法 24
2.2.2 蟻群優(yōu)化算法 26
2.2.3 菌群優(yōu)化算法 27
2.2.4 人工蜂群算法 30
2.2.5 螢火蟲算法 33
2.2.6 人工魚群算法 35
2.3 其他算法 36
2.3.1 神經(jīng)網(wǎng)絡 36
2.3.2 人工免疫系統(tǒng) 37
2.3.3 DNA計算 38
2.3.4 膜計算 39
2.3.5 自組織遷移算法 39
2.4 集群智能算法集合 40
參考文獻 43
第二部分 算法改進研究
第3章 基于最優(yōu)方向引導的菌群算法 47
3.1 細菌覓食優(yōu)化算法 47
3.1.1 算法研究現(xiàn)狀 47
3.1.2 算法應用現(xiàn)狀 48
3.2 基于方向引導的菌群算法 49
3.2.1 群體覓食理論 49
3.2.2 細菌的群感應機制 50
3.2.3 基于方向引導的群感應機制 50
3.2.4 基于最優(yōu)方向引導算法實現(xiàn)步驟 52
3.3 實驗研究及討論 53
3.3.1 單目標無約束測試函數(shù) 53
3.3.2 實驗研究及討論 58
參考文獻 61
第4章 生命周期群搜索算法 63
4.1 算法生物學基礎 63
4.1.1 生命周期理論 63
4.1.2 混沌理論 67
4.2 基于生物生命周期群搜索算法 68
4.2.1 算法描述 68
4.2.2 算法實現(xiàn)步驟 71
4.2.3 個體運動軌跡分析 71
4.3 約束優(yōu)化問題 75
4.3.1 定義及說明 75
4.3.2 約束優(yōu)化問題難點 76
4.3.3 單目標約束標準測試函數(shù) 76
4.4 約束優(yōu)化問題實驗研究及討論 80
4.4.1 參數(shù)設置 80
4.4.2 算法離線性能分析 81
4.4.3 算法在線性能分析 84
4.5 多目標優(yōu)化問題 85
4.5.1 多目標優(yōu)化問題描述 85
4.5.2 多目標無約束測試函數(shù) 86
4.5.3 評價方法 87
4.6 求解多目標問題的生命周期群搜索算法 88
4.6.1 多目標優(yōu)化問題的主要求解算法 88
4.6.2 基于非支配排序的生命周期群搜索算法 89
4.6.3 實驗研究及討論 91
參考文獻 93
第三部分 算法應用研究
第5章 機械結構優(yōu)化設計研究 97
5.1 機械約束優(yōu)化 97
5.1.1 Himmelblau’s函數(shù) 97
5.1.2 壓力容器 97
5.1.3 壓縮彈簧 98
5.1.4 焊接懸臂梁 99
5.2 標準群搜索算法 100
5.2.1 信息分享 100
5.2.2 視覺掃描 100
5.2.3 算法描述及實現(xiàn)步驟 101
5.3 子群協(xié)作群搜索算法 102
5.3.1 協(xié)作進化論 102
5.3.2 約束優(yōu)化處理方法 103
5.3.3 子群協(xié)作群搜索算法原理 104
5.4 實驗研究及討論 106
參考文獻 110
第6章 車輛路徑問題應用研究 112
6.1 車輛路徑問題 112
6.1.1 車輛路徑問題介紹 112
6.1.2 問題復雜性 113
6.1.3 帶容量約束的車輛路徑問題數(shù)學模型 114
6.1.4 帶時間窗車輛路徑問題描述 115
6.2 求解CVRP 的兩階段遺傳算法 115
6.2.1 算法描述 115
6.2.2 算法實現(xiàn)步驟 119
6.2.3 算法時間復雜度分析 119
6.2.4 實驗研究及討論：小規(guī)模測試實例 120
6.2.5 實驗研究及討論：中等規(guī)模及較大規(guī)模測試實例 123
6.3 求解VRPTW 的生命周期群搜索算法 125
6.3.1 算法實現(xiàn)步驟 125
6.3.2 實驗研究及討論 126
參考文獻 129
第7章 認知無線電應用研究 130
7.1 認知無線電 130
7.2 認知引擎 132
7.2.1 認知引擎介紹 132
7.2.2 認知引擎AICE 134
7.3 集群智能在認知無線電中的應用 136
7.3.1 頻譜感知 136
7.3.2 頻譜分配 137
7.3.3 頻譜決策 138
7.4 優(yōu)化問題1：頻譜分配 139
7.4.1 頻譜分配模型 139
7.4.2 圖論著色模型 139
7.4.3 頻譜分配最優(yōu)效益函數(shù) 141
7.5 優(yōu)化問題2：頻譜決策 141
7.5.1 最小化誤碼率函數(shù) 142
7.5.2 最小化能耗函數(shù) 143
7.5.3 最大化數(shù)據(jù)速率函數(shù) 143
7.5.4 最大化頻譜利用率函數(shù) 144
7.5.5 最小化頻譜干擾函數(shù) 144
7.5.6 多目標處理方法 145
7.6 自主進化計算 146
7.7 實驗研究及討論 146
7.7.1 頻譜決策問題 146
7.7.2 頻譜分配問題 150
參考文獻 152
第四部分 集群動力學優(yōu)化算法
第8章 集群動力學模型 157
8.1 系統(tǒng)動力學 157
8.1.1 系統(tǒng)動力學原理 157
8.1.2 系統(tǒng)動力學模型 157
8.1.3 系統(tǒng)動力學建模步驟 158
8.2 種群動力學模型 159
8.2.1 單種群動力學模型 159
8.2.2 多種群動力學模型 160
8.3 動物集群行為動力學模型 162
8.3.1 Boid模型 162
8.3.2 Vicsek模型 164
8.4 復雜網(wǎng)絡動力學 165
8.4.1 隨機網(wǎng)絡 165
8.4.2 小世界網(wǎng)絡 166
8.4.3 無標度網(wǎng)絡 166
8.4.4 布爾網(wǎng)絡 167
8.5 “引力/斥力”模型 168
8.5.1 A/R方法 169
8.5.2 擬態(tài)物理學方法 170
8.5.3 外部作用力 176
8.6 集群行為仿真模型及平臺 177
8.6.1 仿真平臺簡介 178
8.6.2 Swarm平臺 179
8.6.3 元胞自動機 182
8.7 數(shù)學方程建模方法 185
8.7.1 拉格朗日法 185
8.7.2 歐拉法 185
參考文獻 188
第9章 復雜生物系統(tǒng)建模 190
9.1 復雜-生物-控制 190
9.1.1 復雜適應系統(tǒng) 190
9.1.2 復雜生物系統(tǒng) 191
9.1.3 復雜系統(tǒng)與控制論 192
9.1.4 維納控制論 193
9.1.5 智能感知單元 194
9.2 感知模型建模方法 195
9.3 感知范圍 197
9.3.1 全局感知范圍 197
9.3.2 有限感知范圍 197
9.3.3 正太分布有限感知模型 199
9.4 集群動力學優(yōu)化算法設計方法 200
參考文獻 202
第10章 集群動力學優(yōu)化算法舉例 203
10.1 種群規(guī)模自適應優(yōu)化算法 203
10.1.1 種群自適應增加/刪除個體數(shù)目方法 203
10.1.2 外部環(huán)境影響 205
10.1.3 種群規(guī)模自適應粒子群優(yōu)化算法描述 206
10.1.4 實驗研究及討論 206
10.2 基于生物覓食動力學的群智能優(yōu)化算法 209
10.2.1 生物覓食動力學模型 209
10.2.2 生物覓食動力學優(yōu)化算法原理 210
10.2.3 實驗研究及討論 211
參考文獻 216
附錄 217
附錄1 遺傳算法源碼 217
附錄2 差分進化算法源碼 219
附錄3 文化算法源碼 221
附錄4 粒子群優(yōu)化算法源碼 224
附錄5 蟻群優(yōu)化算法源碼 225
附錄6 菌群算法源碼 228