粒子群優(yōu)化算法

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(xiàn)
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(zhǔn)粒子群算法
2.3　標(biāo)準(zhǔn)測試函數(shù)
2.4　粒子群算法的實現(xiàn)
參考文獻(xiàn)
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(xiàn)
4　改進(jìn)粒子群算法
　4.1　粒子群算法改進(jìn)研究綜述
4.1.1 參數(shù)改進(jìn)
4.1.2　拓?fù)浣Y(jié)構(gòu)的改進(jìn)
4.1.3　混合策略
4.1.4　基于生物行為的改進(jìn)
4.2　基于差分進(jìn)化的一種新型混合粒子群算法
4.2.1　差分進(jìn)化算法
4.2.2　基于差分進(jìn)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(xì)菌趨化的改進(jìn)粒子群算法
4.4.1　PSOBC算法
　……
5　粒子群算法的應(yīng)用