群智能算法及化工優(yōu)化問(wèn)題

概論
第一章 化工優(yōu)化模型
1．1 數(shù)學(xué)模型
1．2 化工問(wèn)題的數(shù)學(xué)模型
1．3 化工優(yōu)化問(wèn)題的數(shù)學(xué)模型
1．4 本章小結(jié)
第二章 優(yōu)化問(wèn)題的回顧與分析
2．1 優(yōu)化問(wèn)題的概論
2．1．1 概述
2．1．2 優(yōu)化問(wèn)題的數(shù)學(xué)模型
2．1．3 優(yōu)化問(wèn)題的分類(lèi)
2．2 優(yōu)化問(wèn)題的求解
2．2．1 優(yōu)化問(wèn)題的全局最優(yōu)解與局部最優(yōu)解
2．2．2 全局最優(yōu)解與局部最優(yōu)解的關(guān)系
2．2．3 求解全局最優(yōu)解的困難所在
2．2．4 優(yōu)化問(wèn)題的求解方法
2．3 優(yōu)化問(wèn)題及求解方法的演變分析
2．4 全局優(yōu)化算法的分類(lèi)
2．5 傳統(tǒng)優(yōu)化算法的不足
2．6 本章小結(jié)
第三章 信息原理與群搜索
3．1 引言
3．2 信息
3．3 信息方法
3．3．1 信息方法的含義
3．3．2 信息方法的步驟
3．4 信息融合
3．5 基于信息方法的優(yōu)化算法
3．5．1 遺傳算法
3．5．2 蟻群算法
3．5．3 粒子群算法
3．6 搜索
3．6．1 搜索的相關(guān)概念
3．6．2 單點(diǎn)搜索
3．6．3 群搜索
3．6．4 群搜索算法研究解決的問(wèn)題及其發(fā)展前景
3．6．4．1 算法設(shè)計(jì)及改進(jìn)研究
3．6．4．2 算法的應(yīng)用研究
3．7 本章小結(jié)
第四章 群智能優(yōu)化算法及其收斂研究
4．1 引言
4．2 粒子群算法的產(chǎn)生背景及基本模式
4．3 粒子群算法的拓?fù)浣Y(jié)構(gòu)和鄰域結(jié)構(gòu)
4．3．1 影響拓?fù)浣Y(jié)構(gòu)的主要因素
4．3．2 鄰域結(jié)構(gòu)和迭代式之間的對(duì)應(yīng)關(guān)系
4．3．3 幾種典型的拓?fù)浣Y(jié)構(gòu)
4．3．4 不同拓?fù)浣Y(jié)構(gòu)的效果比較
4．4 粒子的運(yùn)動(dòng)分析
4．4．1 PSO的Gbest粒子運(yùn)動(dòng)分析
4．4．2 PSO的Pbest粒子運(yùn)動(dòng)分析
4．4．3 PSO的Common粒子運(yùn)動(dòng)分析
4．4．4 PSD分析
4．5 人工魚(yú)群算法
4．6 人工螢火蟲(chóng)算法
4．6．1 GS0算法
4．6．1．1 算法的數(shù)學(xué)描述與分析
4．6．1．2 算法流程
4．6．2 FA算法
4．6．2．1 算法的數(shù)學(xué)描述與分析
4．6．2．2 算法步驟
4．7 蝙蝠算法
4．7．1 蝙蝠算法的原理與數(shù)學(xué)描述
4．7．2 蝙蝠算法基本流程
4．8 本章小結(jié)
第五章 粒子群優(yōu)化算法求解多目標(biāo)優(yōu)化問(wèn)題
5．1 引言
5．2 多目標(biāo)優(yōu)化問(wèn)題的數(shù)學(xué)描述與一般的求解法
5．2．1 多目標(biāo)優(yōu)化問(wèn)題的數(shù)學(xué)描述
5．2．2 多目標(biāo)優(yōu)化問(wèn)題的解法
5．2．2．1 基于單目標(biāo)的多目標(biāo)求解方法
5．2．2．2 基于進(jìn)化計(jì)算的多目標(biāo)求解方法
5．3 粒子群優(yōu)化算法求解多目標(biāo)優(yōu)化問(wèn)題的理想有效解
5．3．1 多目標(biāo)優(yōu)化問(wèn)題的理想有效解
5．3．2 粒子群優(yōu)化算法求多目標(biāo)優(yōu)化問(wèn)題的理想有效解
5．3．2．1 算法的基本思想
5．3．2．2 算法流程
5．3．2．3 算法的測(cè)試
5．3．2．4 算法性能分析
5．4 粒子群優(yōu)化算法求解多目標(biāo)優(yōu)化問(wèn)題的應(yīng)用
5．5 本章小結(jié)
第六章 改進(jìn)粒子群算法求解動(dòng)態(tài)優(yōu)化問(wèn)題
6．1 引言
6．2 動(dòng)態(tài)優(yōu)化的數(shù)學(xué)描述與分類(lèi)
6．2．1 動(dòng)態(tài)優(yōu)化的數(shù)學(xué)描述
6．2．2 動(dòng)態(tài)優(yōu)化的分類(lèi)
6．3 動(dòng)態(tài)優(yōu)化的一般解析方法
6．3．1 變分法或基于極大值原理的解法
6．3．2 基于最優(yōu)原理的動(dòng)態(tài)規(guī)劃方法
6．4 求解動(dòng)態(tài)優(yōu)化問(wèn)題的現(xiàn)行數(shù)值方法
6．4．1 梯度法
6．4．2 動(dòng)態(tài)規(guī)劃方法
6．5 改進(jìn)的粒子群算法求解動(dòng)態(tài)優(yōu)化問(wèn)題
6．5．1 混沌粒子群算法求解邊值不確定的動(dòng)態(tài)優(yōu)化問(wèn)題
6．5．2 混沌在求解優(yōu)化問(wèn)題中的應(yīng)用
6．5．3 混沌粒子群優(yōu)化算法
6．5．4 混沌粒子群算法求解動(dòng)態(tài)優(yōu)化問(wèn)題的一般步驟
6．5．5 混沌粒子群算法求解動(dòng)態(tài)優(yōu)化問(wèn)題的應(yīng)用
6．5．6 粒子群優(yōu)化法求解邊值給定的動(dòng)態(tài)優(yōu)化問(wèn)題
6．6 本章小結(jié)
第七章 共軛粒子群優(yōu)化算法與二進(jìn)制粒子群優(yōu)化算法
7．1 引言
7．2 粒子群算法的數(shù)學(xué)分析
7．3 共軛粒子群優(yōu)化算法
7．3．1 共軛方向法
7．3．2 共軛方向粒子群算法
7．3．3 算法的性能測(cè)試
7．3．4 算法的性能分析
7．4 共軛粒子群算法的應(yīng)用
7．4．1 PSO與CDPSO對(duì)模型參數(shù)的估計(jì)
7．4．2 結(jié)果分析
7．5 二進(jìn)制表示的粒子群優(yōu)化算法
7．5．1 二進(jìn)制粒子群優(yōu)化算法提出的原理
7．5．2 二進(jìn)制粒子群優(yōu)化算法的基本步驟
7．5．3 二進(jìn)制粒子群優(yōu)化算法的性能測(cè)試與分析
7．6 BPSO在求解換熱網(wǎng)絡(luò)優(yōu)化問(wèn)題（HEN problem）中的應(yīng)用
7．7 本章小結(jié)
第八章 自適應(yīng)布谷鳥(niǎo)算法及其在化工優(yōu)化中的應(yīng)用
8．1 引言
8．2 動(dòng)態(tài)優(yōu)化問(wèn)題的描述
8．3 變步長(zhǎng)自適應(yīng)cs算法
8．3．1 基本CS算法
8．3．2 變步長(zhǎng)策略
8．3．3 變步長(zhǎng)自適應(yīng)CS（VSACS）算法流程
8．4 函數(shù)測(cè)試
8．4．1 標(biāo)準(zhǔn)測(cè)試函數(shù)
8．4．2 測(cè)試結(jié)果
8．5 變步長(zhǎng)自適應(yīng)布谷鳥(niǎo)搜索算法（VSACS）在化工動(dòng)態(tài)優(yōu)化中的應(yīng)用
8．5．1 批式反應(yīng)器
8．5．2 管式反應(yīng)器
8．5．3 ParlkRamirez生物反應(yīng)器（PRb）
8．5．4 實(shí)驗(yàn)結(jié)果及討論
8．6 本章小結(jié)
符號(hào)說(shuō)明
參考文獻(xiàn)