集群智能及其應(yīng)用

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(wèn)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(jī)性算法 5
1.2.3 集群智能優(yōu)化算法 6
1.3 各類(lèi)優(yōu)化方法特點(diǎn) 7
1.3.1 傳統(tǒng)優(yōu)化方法特點(diǎn) 7
1.3.2 集群智能優(yōu)化算法特點(diǎn)及優(yōu)點(diǎn) 8
1.4 集群智能優(yōu)化算法的研究、應(yīng)用現(xiàn)狀及展望 10
1.4.1 算法改進(jìn)研究 10
1.4.2 算法應(yīng)用現(xiàn)狀 12
1.4.3 算法研究展望 13
參考文獻(xiàn) 14
第2章 集群智能優(yōu)化算法 16
2.1 進(jìn)化計(jì)算 16
2.1.1 遺傳算法 16
2.1.2 差分進(jìn)化算法 18
2.1.3 文化算法 20
2.1.4 遺傳編程 22
2.1.5 進(jìn)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(chóng)算法 33
2.2.6 人工魚(yú)群算法 35
2.3 其他算法 36
2.3.1 神經(jīng)網(wǎng)絡(luò) 36
2.3.2 人工免疫系統(tǒng) 37
2.3.3 DNA計(jì)算 38
2.3.4 膜計(jì)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(xiàn) 43
第二部分 算法改進(jìn)研究
第3章 基于最優(yōu)方向引導(dǎo)的菌群算法 47
3.1 細(xì)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(yīng)用現(xiàn)狀 48
3.2 基于方向引導(dǎo)的菌群算法 49
3.2.1 群體覓食理論 49
3.2.2 細(xì)菌的群感應(yīng)機(jī)制 50
3.2.3 基于方向引導(dǎo)的群感應(yīng)機(jī)制 50
3.2.4 基于最優(yōu)方向引導(dǎo)算法實(shí)現(xiàn)步驟 52
3.3 實(shí)驗(yàn)研究及討論 53
3.3.1 單目標(biāo)無(wú)約束測(cè)試函數(shù) 53
3.3.2 實(shí)驗(yàn)研究及討論 58
參考文獻(xiàn) 61
第4章 生命周期群搜索算法 63
4.1 算法生物學(xué)基礎(chǔ) 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(shí)現(xiàn)步驟 71
4.2.3 個(gè)體運(yùn)動(dòng)軌跡分析 71
4.3 約束優(yōu)化問(wèn)題 75
4.3.1 定義及說(shuō)明 75
4.3.2 約束優(yōu)化問(wèn)題難點(diǎn) 76
4.3.3 單目標(biāo)約束標(biāo)準(zhǔn)測(cè)試函數(shù) 76
4.4 約束優(yōu)化問(wèn)題實(shí)驗(yàn)研究及討論 80
4.4.1 參數(shù)設(shè)置 80
4.4.2 算法離線(xiàn)性能分析 81
4.4.3 算法在線(xiàn)性能分析 84
4.5 多目標(biāo)優(yōu)化問(wèn)題 85
4.5.1 多目標(biāo)優(yōu)化問(wèn)題描述 85
4.5.2 多目標(biāo)無(wú)約束測(cè)試函數(shù) 86
4.5.3 評(píng)價(jià)方法 87
4.6 求解多目標(biāo)問(wèn)題的生命周期群搜索算法 88
4.6.1 多目標(biāo)優(yōu)化問(wèn)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(shí)驗(yàn)研究及討論 91
參考文獻(xiàn) 93
第三部分 算法應(yīng)用研究
第5章 機(jī)械結(jié)構(gòu)優(yōu)化設(shè)計(jì)研究 97
5.1 機(jī)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(biāo)準(zhǔn)群搜索算法 100
5.2.1 信息分享 100
5.2.2 視覺(jué)掃描 100
5.2.3 算法描述及實(shí)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(jìn)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(shí)驗(yàn)研究及討論 106
參考文獻(xiàn) 110
第6章 車(chē)輛路徑問(wèn)題應(yīng)用研究 112
6.1 車(chē)輛路徑問(wèn)題 112
6.1.1 車(chē)輛路徑問(wèn)題介紹 112
6.1.2 問(wèn)題復(fù)雜性 113
6.1.3 帶容量約束的車(chē)輛路徑問(wèn)題數(shù)學(xué)模型 114
6.1.4 帶時(shí)間窗車(chē)輛路徑問(wèn)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(shí)現(xiàn)步驟 119
6.2.3 算法時(shí)間復(fù)雜度分析 119
6.2.4 實(shí)驗(yàn)研究及討論：小規(guī)模測(cè)試實(shí)例 120
6.2.5 實(shí)驗(yàn)研究及討論：中等規(guī)模及較大規(guī)模測(cè)試實(shí)例 123
6.3 求解VRPTW 的生命周期群搜索算法 125
6.3.1 算法實(shí)現(xiàn)步驟 125
6.3.2 實(shí)驗(yàn)研究及討論 126
參考文獻(xiàn) 129
第7章 認(rèn)知無(wú)線(xiàn)電應(yīng)用研究 130
7.1 認(rèn)知無(wú)線(xiàn)電 130
7.2 認(rèn)知引擎 132
7.2.1 認(rèn)知引擎介紹 132
7.2.2 認(rèn)知引擎AICE 134
7.3 集群智能在認(rèn)知無(wú)線(xiàn)電中的應(yīng)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(wèn)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(wèn)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(biāo)處理方法 145
7.6 自主進(jìn)化計(jì)算 146
7.7 實(shí)驗(yàn)研究及討論 146
7.7.1 頻譜決策問(wèn)題 146
7.7.2 頻譜分配問(wèn)題 150
參考文獻(xiàn) 152
第四部分 集群動(dòng)力學(xué)優(yōu)化算法
第8章 集群動(dòng)力學(xué)模型 157
8.1 系統(tǒng)動(dòng)力學(xué) 157
8.1.1 系統(tǒng)動(dòng)力學(xué)原理 157
8.1.2 系統(tǒng)動(dòng)力學(xué)模型 157
8.1.3 系統(tǒng)動(dòng)力學(xué)建模步驟 158
8.2 種群動(dòng)力學(xué)模型 159
8.2.1 單種群動(dòng)力學(xué)模型 159
8.2.2 多種群動(dòng)力學(xué)模型 160
8.3 動(dòng)物集群行為動(dòng)力學(xué)模型 162
8.3.1 Boid模型 162
8.3.2 Vicsek模型 164
8.4 復(fù)雜網(wǎng)絡(luò)動(dòng)力學(xué) 165
8.4.1 隨機(jī)網(wǎng)絡(luò) 165
8.4.2 小世界網(wǎng)絡(luò) 166
8.4.3 無(wú)標(biāo)度網(wǎng)絡(luò) 166
8.4.4 布爾網(wǎng)絡(luò) 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(xué)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(tái) 177
8.6.1 仿真平臺(tái)簡(jiǎn)介 178
8.6.2 Swarm平臺(tái) 179
8.6.3 元胞自動(dòng)機(jī) 182
8.7 數(shù)學(xué)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(xiàn) 188
第9章 復(fù)雜生物系統(tǒng)建模 190
9.1 復(fù)雜-生物-控制 190
9.1.1 復(fù)雜適應(yīng)系統(tǒng) 190
9.1.2 復(fù)雜生物系統(tǒng) 191
9.1.3 復(fù)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(dòng)力學(xué)優(yōu)化算法設(shè)計(jì)方法 200
參考文獻(xiàn) 202
第10章 集群動(dòng)力學(xué)優(yōu)化算法舉例 203
10.1 種群規(guī)模自適應(yīng)優(yōu)化算法 203
10.1.1 種群自適應(yīng)增加/刪除個(gè)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(yīng)粒子群優(yōu)化算法描述 206
10.1.4 實(shí)驗(yàn)研究及討論 206
10.2 基于生物覓食動(dòng)力學(xué)的群智能優(yōu)化算法 209
10.2.1 生物覓食動(dòng)力學(xué)模型 209
10.2.2 生物覓食動(dòng)力學(xué)優(yōu)化算法原理 210
10.2.3 實(shí)驗(yàn)研究及討論 211
參考文獻(xiàn) 216
附錄 217
附錄1 遺傳算法源碼 217
附錄2 差分進(jìn)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