本書研究了群體智能典型實現的算法之一——粒子群優化算法。其針對傳統粒子群優化算法存在的缺點，給出其改進方法或提出新模型，使之更為有效；另外，介紹了所提出的新模型、新算法在實際工程領域中的應用，拓展了粒子群算法的應用領域。
本書在介紹了粒子群優化算法基本原理、基本粒子群算法的基礎上，闡述了粒子群算法的實現技術，基于參數改進的粒子群算法、混合粒子群算法、生物啟發式粒子群算法，重點研究了粒子群算法在各類現實工程問題中的應用情況。
本書適合運籌與管理、人工智能、計算數學、計算機科學、系統科學、自動化等專業的師生參閱，亦可供從事計算智能研究與應用的工作者參考。
李麗，吉林長春人，博士、教授，碩士生導師，深圳大學管理學院副院長。2001年廣東省"千百十"人才，2004年度深圳市教師。出版著作9部，主持國家、省、市級項目10余項及10多項橫向課題。其中國家社科基金項目"宏觀稅收負擔數量分析模型"榮獲吉林省教委科技進步一等獎；
1 1緒論
1.1 相關背景
1.2 生物啟發式計算
1.2.1 遺傳算法
1.2.2 神經計算
1.2.3 模糊系統
1.2.4 其他生物啟發式計算方法
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狀
1.4.1 螞蟻算法
1.4.2 粒子群優化算法
1.4.3 群體智能算法應用研究現狀
1.5 展望
參考文獻
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 標準粒子群算法
2.3 標準測試函數
2.4 粒子群算法的實現
參考文獻
3 粒子群算法參數分析
3.1 引言
3.2 慣性權重分析
3.2.1 線性慣性權重策略
3.2.2 非線性慣性權重策略
3.2.3 其他策略
3.3 學習因子分析
3.4 其他參數分析
參考文獻
4 改進粒子群算法
4.1 粒子群算法改進研究綜述
4.1.1 參數改進
4.1.2 拓撲結構的改進
4.1.3 混合策略
4.1.4 基于生物行為的改進
4.2 基于差分進化的一種新型混合粒子群算法
4.2.1 差分進化算法
4.2.2 基于差分進化的混合粒子群算法
4.2.3 試驗設置與測試函數
4.2.4 試驗結果-
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 實驗設置與測試函數
4.3.5 實驗結果
4.4 基于細菌趨化的改進粒子群算法
4.4.1 PSOBC算法
……
5 粒子群算法的應用
1 緒論
大自然給人以許多啟迪，人們從生物界的各種自然現象或過程中獲得靈感，提出了許多用以解決復雜優化問題的新方法，這些方法因其高效的優化性能、對問題依賴性較小等優點，受到各領域的廣泛關注和應用。人們將這種啟發應用于生物行為的計算方法稱之為生物啟發式計算。在最近幾十年中應用較為成功的生物啟發式計算方法有遺傳算法、神經計算、模糊系統等。隨著人工智能的進一步發展和人工生命的興起，出現了一類模擬社會型生物行為的啟發式算法——群體智能優化。其中較具代表性的有螞蟻算法和PSO算法。本章首先給出了關于PSO算法研究的背景并對已有的生物啟發式計算方法進行簡單的回顧，然后引出目前生物啟發式計算領域研究熱點——群體智能，對群體智能進行概述，并從理論和應用兩個角度對群體智能算法進行綜述。
……
