前言
第1章緒論
1.1最優化問題
1.1.1函數優化問題與組合優化問題
1.1.2優化算法的發展
1.2幾種常見的啟發式算法
1.2.1遺傳算法
1.2.2模擬退火算法
1.2.3人工神經網絡
1.3群體智能算法
1.3.1蟻群算法
1.3.2粒子群算法
1.4粒子群算法的發展與應用
1.4.1粒子群算法的發展
1.4.2粒子群算法的應用
參考文獻
第2章基本粒子群算法
2.1引言
2.2基本粒子群算法
2.3帶慣性權重的粒子群算法
2.3.1壹般的慣性因子設計
2.3.2基於模糊系統的慣性因子的動態調整
2.4帶收縮因子的粒子群算法
2.5與其他算法的異同
2.5.1基於梯度的優化算法
2.5.2進化計算方法
2.5.3蟻群算法
2.6復雜度
2.6.1復雜度的判定標準和基本概念
2.6.2時空復雜度分析
參考文獻
第3章粒子群算法的分析
3.1壹維空間軌跡
3.1.1粒子群系統的簡化
3.1.2單個粒子的軌跡
3.2多維空間軌跡
3.2.1區域特性
3.2.2步長分析
3.3代數分析
3.3.1系統簡化
3.3.2代數觀點
3.4解析分析
3.5差分方程分析
3.5.1粒子運動軌跡的穩定性分析
3.5.2粒子運動軌跡的影響因素
3.5.3粒子運動軌跡與算法收斂的關系
參考文獻
第4章改進的粒子群算法及分析
4.1離散粒子群優化算法
4.1.1二進制離散粒子群優化算法
4.1.2改進的二值離散粒子群優化算法
4.1.3離散量子粒子群優化算法
4.1.4模糊離散粒子群優化算法
4.2小生境粒子群優化算法
4.2.1小生境粒子群算法
4.2.2基於聚類的小生境粒子群算法
4.2.3種群小生境粒子群算法
4.3混合粒子群優化算法
4.3.1基於遺傳思想改進粒子群算法
4.3.2混沌粒子群優化算法
4.3.3基於模擬退火的粒子群優化算法
4.4其他粒子群改進算法
4.4.1子矢量
4.4.2子矢量的更新過程
4.4.3參數分析
參考文獻
第5章在函數優化中的應用
5.1基準測試函數
5.2優化測試函數的分類
5.2.1無約束優化測試函數
5.2.2有約束優化測試函數
5.2.3極大極小優化測試函數
5.2.4多目標優化測試函數
5.3智能單粒子算法優化性能
參考文獻
第6章在圖像壓縮中的應用
6.1矢量量化
6.2常用的幾種矢量量化方法
6.2.1K-means算法
6.2.2模糊K-means算法
6.2.3模糊矢量量化算法
6.2.4FRLVQ算法
6.2.5FRLVQ-FVQ算法
6.3粒子對算法
6.3.1粒子結構
6.3.2與傳統粒子群算法的差異
6.3.3碼書更新過程
6.4算法比較
參考文獻
第7章在基因聚類中的應用
7.1基因芯片技術簡介
7.2基因表達數據聚類分析
7.2.1基因表達數據分析
7.2.2聚類分析
7.3基因表達數據聚類分析
7.3.1聚類算法的分類
7.3.2K-means聚類
7.3.3層次聚類
7.3.4自組織映射
7.3.5改進型聚類算法
7.4粒子對算法在基因聚類中的應用
7.4.1粒子結構
7.4.2聚類分析
7.4.3聚類結果
7.5基因聚類分析結果的評價標準
參考文獻
第8章粒子群算法應用綜述
8.1優化問題求解
8.1.1約束優化問題求解
8.1.2規劃問題求解
8.1.3離散空間組合優化問題求解
8.2工程設計與優化領域
8.2.1電路及濾波器設計
8.2.2神經網絡訓練
8.2.3控制器設計與優化
8.2.4RBF網絡優化訓練舉例
8.3電力系統領域
8.3.1電容器優化配置
8.3.2最優潮流計算與無功優化控制
8.3.3機組優化組合問題
8.3.4電網擴展計劃
8.3.5電力系統恢復
8.3.6負荷經濟分配及調度
8.3.7狀態估計
8.3.8參數辨識
8.3.9優化設計
8.3.10OPF問題舉例
8.4機器人控制領域
8.4.1機器人控制與協調
8.4.2移動機器人路徑規劃
8.5交通運輸領域
8.5.1車輛路徑問題
8.5.2VRP問題舉例
8.5.3交通控制
8.6通信領域
8.6.1路由選擇及移動通信基站布置優化
8.6.2天線陣列控制
8.6.3偏振模色散補償
8.7計算機領域
8.7.1任務分配問題
8.7.2數據分類
8.7.3圖像處理
8.8工業生產優化領域
8.8.1機械領域
8.8.2化工領域
8.9生物醫學領域
8.10電磁學領域
參考文獻
附錄A粒子對算法應用於圖像矢量量化的源代碼
附錄B智能單粒子優化算法求解函數的源代碼
附錄C23個基準測試函數
附錄D基因聚類常用軟件
……