掃一掃
關(guān)注中圖網(wǎng)
官方微博
>
>
智能粒子群優(yōu)化計(jì)算——控制方法、協(xié)同策略及優(yōu)化應(yīng)用
本類五星書更多>
-
>
全國(guó)計(jì)算機(jī)等級(jí)考試最新真考題庫(kù)模擬考場(chǎng)及詳解·二級(jí)MSOffice高級(jí)應(yīng)用
-
>
決戰(zhàn)行測(cè)5000題(言語(yǔ)理解與表達(dá))
-
>
軟件性能測(cè)試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強(qiáng)教科書(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
中圖價(jià):¥93.2
加入購(gòu)物車
智能粒子群優(yōu)化計(jì)算——控制方法、協(xié)同策略及優(yōu)化應(yīng)用 版權(quán)信息
- ISBN：9787030472588
- 條形碼：9787030472588 ; 978-7-03-047258-8
- 裝幀：一般膠版紙
- 冊(cè)數(shù)：暫無(wú)
- 重量：暫無(wú)
- 所屬分類：>
智能粒子群優(yōu)化計(jì)算——控制方法、協(xié)同策略及優(yōu)化應(yīng)用 內(nèi)容簡(jiǎn)介
本書系統(tǒng)介紹了粒子群優(yōu)化計(jì)算的仿生原理、控制方法、協(xié)同模型及工程應(yīng)用。基礎(chǔ)篇簡(jiǎn)要闡述了自然計(jì)算、群智能計(jì)算、粒子群優(yōu)化的研究現(xiàn)狀及主要模型和原理；控制模型篇和協(xié)同模型篇詳細(xì)介紹了系列基于自組織控制和協(xié)同進(jìn)化的粒子群計(jì)算模型，包括其仿生原理、自組織行為，進(jìn)化控制及優(yōu)化設(shè)計(jì)；優(yōu)化應(yīng)用篇?jiǎng)t展現(xiàn)了粒子群優(yōu)化計(jì)算在多種工程實(shí)際中的應(yīng)用，包括柔性調(diào)度優(yōu)化、無(wú)線傳感網(wǎng)絡(luò)優(yōu)化、過(guò)渡金屬配合物磁參數(shù)擬合、蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)、多運(yùn)動(dòng)目標(biāo)跟蹤、水質(zhì)有機(jī)污染三維熒光分析等，闡述了多種行之有效的問(wèn)題解決方案和策略。
智能粒子群優(yōu)化計(jì)算——控制方法、協(xié)同策略及優(yōu)化應(yīng)用 目錄
目錄
《智能科學(xué)技術(shù)著作叢書》序
前言
基礎(chǔ)篇
第1章 緒論 3
1.1 引言 3
1.2 優(yōu)化問(wèn)題及算法 4
1.2.1 *優(yōu)化問(wèn)題 4
1.2.2 優(yōu)化算法 4
1.3 智能計(jì)算 6
1.3.1 自然進(jìn)化計(jì)算 6
1.3.2 社會(huì)進(jìn)化計(jì)算 8
1.3.3 生物智能計(jì)算 12
1.3.4 群集智能計(jì)算 14
1.3.5 擬物智能計(jì)算 18
1.4 算法研究準(zhǔn)則 21
1.5 本書主要內(nèi)容及體系結(jié)構(gòu) 22
1.6 本章小結(jié) 23
參考文獻(xiàn) 23
第2章 粒子群優(yōu)化計(jì)算研究基礎(chǔ) 28
2.1 引言 28
2.2 粒子群優(yōu)化計(jì)算簡(jiǎn)介 28
2.2.1 算法起源 28
2.2.2 算法原理及計(jì)算模型 30
2.3 粒子群優(yōu)化計(jì)算行為分析 31
2.3.1 社會(huì)行為分析 31
2.3.2 收斂行為分析 32
2.4 粒子群優(yōu)化計(jì)算的系統(tǒng)特征 34
2.4.1 自組織性和涌現(xiàn)特性 35
2.4.2 反饋控制機(jī)制 36
2.4.3 分布式特點(diǎn) 37
2.5 粒子群優(yōu)化計(jì)算的研究進(jìn)展 38
2.6 本章小結(jié) 41
參考文獻(xiàn) 42
控制方法篇
第3章 基于預(yù)測(cè)控制器的粒子群優(yōu)化模型 47
3.1 引言 47
3.2 標(biāo)準(zhǔn)粒子群優(yōu)化模型的動(dòng)態(tài)行為分析 48
3.3 基于PD控制器的粒子群優(yōu)化模型 50
3.3.1 模型結(jié)構(gòu) 50
3.3.2 動(dòng)態(tài)行為分析 51
3.3.3 穩(wěn)定性分析 53
3.3.4 收斂性分析 54
3.3.5 算法流程 55
3.4 數(shù)值仿真實(shí)驗(yàn)與分析 56
3.4.1 測(cè)試優(yōu)化函數(shù) 56
3.4.2 預(yù)測(cè)因子選擇 56
3.4.3 算法性能分析 58
3.5 動(dòng)態(tài)環(huán)境中的算法應(yīng)用 64
3.6 本章小結(jié) 66
參考文獻(xiàn) 67
第4章 基于反饋控制器的自組織粒子群優(yōu)化模型 68
4.1 引言 68
4.2 自組織粒子群優(yōu)化模型 69
4.2.1 模型結(jié)構(gòu) 69
4.2.2 群體動(dòng)態(tài)測(cè)度 71
4.3 多樣性控制器的設(shè)計(jì) 72
4.3.1 多樣性參考輸入的確定 72
4.3.2 多樣性控制策略 73
4.4 仿真實(shí)驗(yàn)與結(jié)果分析 74
4.4.1 實(shí)驗(yàn)參數(shù)及優(yōu)化測(cè)試函數(shù) 74
4.4.2 實(shí)驗(yàn)結(jié)果及分析 75
4.5 模型的優(yōu)化應(yīng)用 80
4.5.1 約束布局優(yōu)化問(wèn)題 80
4.5.2 算法設(shè)計(jì) 81
4.5.3 仿真結(jié)果分析 82
4.6 本章小結(jié) 84
參考文獻(xiàn) 84
第5章 求解非線性方程組的控制粒子群優(yōu)化模型 86
5.1 引言 86
5.2 非線性方程組及其等價(jià)優(yōu)化問(wèn)題描述 87
5.3 控制粒子群優(yōu)化模型 88
5.3.1 控制粒子群優(yōu)化模型的原理 88
5.3.2 基于PID的控制策略 90
5.3.3 致和非一致控制方式 93
5.3.4 優(yōu)化流程 94
5.4 仿真實(shí)驗(yàn)與分析 94
5.4.1 測(cè)試問(wèn)題 94
5.4.2 實(shí)驗(yàn)結(jié)果與分析 95
5.5 算法的工程應(yīng)用 99
5.5.1 問(wèn)題描述及優(yōu)化模型 99
5.5.2 仿真結(jié)果及分析IOI
5.6 本章小結(jié) 103
參考文獻(xiàn) 103
協(xié)同模型篇
第6章 基于知識(shí)的協(xié)同粒子群優(yōu)化模型 107
6.1 引言 107
6.2 協(xié)同粒子群優(yōu)化模型 109
6.2.1 基本概念 109
6.2.2 模型結(jié)構(gòu) 109
6.2.3 知識(shí)集 110
6.2.4 行為控制 114
6.2.5 算法流程 116
6.3 收斂性分析 116
6.3.1 隨機(jī)優(yōu)化算法全局和局部收斂的判據(jù) 116
6.3.2 協(xié)同粒子群優(yōu)化模型的收斂性 117
6.4 仿真實(shí)驗(yàn)與分析 122
6.4.1 實(shí)驗(yàn)參數(shù)及優(yōu)化測(cè)試函數(shù) 122
6.4.2 實(shí)驗(yàn)結(jié)果及分析 123
6.5 本章小結(jié) 127
參考文獻(xiàn) 128
第7章 基于混合群體的協(xié)同粒子群優(yōu)化模型 129
7.1 引言 129
7.2 基于混合群體的協(xié)同粒子群優(yōu)化機(jī)理分析 131
7.2.1 混合生態(tài)群體的自然啟示 131
7.2.2 混合優(yōu)化群體結(jié)構(gòu)要素 131
7.3 基于混合生態(tài)群體的協(xié)同粒子群優(yōu)化模型設(shè)計(jì) 133
7.3.1 混合群體初始化 133
7.3.2 開采與探測(cè)行為 134
7.3.3 協(xié)同搜索和學(xué)習(xí) 135
7.3.4 逃逸策略 136
7.3.5 優(yōu)化步驟 136
7.3.6 計(jì)算復(fù)雜度分析 137
7.4 數(shù)值仿真實(shí)驗(yàn)與性能分析 138
7.4.1 仿真實(shí)驗(yàn)設(shè)計(jì)與數(shù)據(jù) 138
7.4.2 實(shí)驗(yàn)分析 142
7.5 應(yīng)用實(shí)例 143
7.5.1 線性系統(tǒng)逼近問(wèn)題 143
7.5.2 優(yōu)化結(jié)果及分析 144
7.6 本章小結(jié) 145
參考文獻(xiàn) 146
優(yōu)化應(yīng)用篇
第8章 面向流程工業(yè)生產(chǎn)調(diào)度的粒子群優(yōu)化模型 151
8.1 引言 151
8.1.1 流程工業(yè)生產(chǎn)調(diào)度問(wèn)題描述 151
8.1.2 流程工業(yè)生產(chǎn)調(diào)度研究現(xiàn)狀 152
8.2 面向化.工生產(chǎn)靜態(tài)調(diào)度的混沌變異粒子群模型 153
8.2.1 化工生產(chǎn)靜態(tài)調(diào)度問(wèn)題描述 153
8.2.2 混沌變異粒子群模型設(shè)計(jì) 156
8.2.3 算法復(fù)雜度分析 159
8.2.4 仿真與性能分析 160
8.3 面向化工生產(chǎn)動(dòng)態(tài)調(diào)度的混沌變異粒子群模型 167
8.3.1 不確定性流程工業(yè)生產(chǎn)調(diào)度分析 168
8.3.2 混沌變異粒子群動(dòng)態(tài)調(diào)度模型設(shè)計(jì) 169
8.3.3 調(diào)度實(shí)例仿真與分析 172
8.4 本章小結(jié) 177
參考文獻(xiàn) 177
第9章 面向柔性作業(yè)車間調(diào)度的粒子群優(yōu)化模型 180
9.1 引言 180
9.1.1 柔性作業(yè)車間調(diào)度問(wèn)題描述 180
9.1.2 柔性作業(yè)車間調(diào)度優(yōu)化研究現(xiàn)狀 181
9.2 面向柔性作業(yè)車間調(diào)度的混合離散PSO模型 183
9.2.1 數(shù)學(xué)模型及描述 183
9.2.2 混合PSO模型設(shè)計(jì) 184
9.2.3 算法復(fù)雜度分析 190
9.2.4 仿真與性能分析 191
9.3 面向多目標(biāo)柔性作業(yè)車間調(diào)度的混合離散PSO模型 193
9.3.1 數(shù)學(xué)模型及問(wèn)題描述 194
9.3.2 多目標(biāo)混合PSO模型設(shè)計(jì) 195
9.3.3 算法復(fù)雜度分析 198
9.3.4 仿真與性能分析 198
9.4 本章小結(jié) 203
參考文獻(xiàn) 204
第10章 面向無(wú)線傳感器網(wǎng)絡(luò)路由優(yōu)化的粒子群模型 207
I 0.1 引言 207
10.1.1 無(wú)線傳感器網(wǎng)絡(luò)簡(jiǎn)介 207
10.1.2 無(wú)線傳感器網(wǎng)絡(luò)路由協(xié)議研究現(xiàn)狀 207
10.2 面向無(wú)線傳感器網(wǎng)絡(luò)分簇優(yōu)化的離散PSO模型 210
10.2.1 分簇優(yōu)化問(wèn)題描述 211
10.2.2 離散粒子群分簇優(yōu)化設(shè)計(jì) 211
10.2.3 仿真實(shí)驗(yàn)與分析 215
10.3 面向無(wú)線傳感器網(wǎng)絡(luò)路由優(yōu)化的離散PSO模型 216
10.3.1 路由優(yōu)化問(wèn)題描述 217
10.3.2 離散粒子群路由優(yōu)化設(shè)計(jì) 218
10.3.3 仿真實(shí)驗(yàn)與分析 221
10.4 本章小結(jié) 995
參考文獻(xiàn) 225
結(jié)論與展望篇
第11章 結(jié)論與展望 231
11.1 本書內(nèi)容總結(jié) 231
11.2 研究前沿與展望 233
參考文獻(xiàn) 235
附錄 粒子群優(yōu)化計(jì)算源程序 236
《智能科學(xué)技術(shù)著作叢書》序
前言
基礎(chǔ)篇
第1章 緒論 3
1.1 引言 3
1.2 優(yōu)化問(wèn)題及算法 4
1.2.1 *優(yōu)化問(wèn)題 4
1.2.2 優(yōu)化算法 4
1.3 智能計(jì)算 6
1.3.1 自然進(jìn)化計(jì)算 6
1.3.2 社會(huì)進(jìn)化計(jì)算 8
1.3.3 生物智能計(jì)算 12
1.3.4 群集智能計(jì)算 14
1.3.5 擬物智能計(jì)算 18
1.4 算法研究準(zhǔn)則 21
1.5 本書主要內(nèi)容及體系結(jié)構(gòu) 22
1.6 本章小結(jié) 23
參考文獻(xiàn) 23
第2章 粒子群優(yōu)化計(jì)算研究基礎(chǔ) 28
2.1 引言 28
2.2 粒子群優(yōu)化計(jì)算簡(jiǎn)介 28
2.2.1 算法起源 28
2.2.2 算法原理及計(jì)算模型 30
2.3 粒子群優(yōu)化計(jì)算行為分析 31
2.3.1 社會(huì)行為分析 31
2.3.2 收斂行為分析 32
2.4 粒子群優(yōu)化計(jì)算的系統(tǒng)特征 34
2.4.1 自組織性和涌現(xiàn)特性 35
2.4.2 反饋控制機(jī)制 36
2.4.3 分布式特點(diǎn) 37
2.5 粒子群優(yōu)化計(jì)算的研究進(jìn)展 38
2.6 本章小結(jié) 41
參考文獻(xiàn) 42
控制方法篇
第3章 基于預(yù)測(cè)控制器的粒子群優(yōu)化模型 47
3.1 引言 47
3.2 標(biāo)準(zhǔn)粒子群優(yōu)化模型的動(dòng)態(tài)行為分析 48
3.3 基于PD控制器的粒子群優(yōu)化模型 50
3.3.1 模型結(jié)構(gòu) 50
3.3.2 動(dòng)態(tài)行為分析 51
3.3.3 穩(wěn)定性分析 53
3.3.4 收斂性分析 54
3.3.5 算法流程 55
3.4 數(shù)值仿真實(shí)驗(yàn)與分析 56
3.4.1 測(cè)試優(yōu)化函數(shù) 56
3.4.2 預(yù)測(cè)因子選擇 56
3.4.3 算法性能分析 58
3.5 動(dòng)態(tài)環(huán)境中的算法應(yīng)用 64
3.6 本章小結(jié) 66
參考文獻(xiàn) 67
第4章 基于反饋控制器的自組織粒子群優(yōu)化模型 68
4.1 引言 68
4.2 自組織粒子群優(yōu)化模型 69
4.2.1 模型結(jié)構(gòu) 69
4.2.2 群體動(dòng)態(tài)測(cè)度 71
4.3 多樣性控制器的設(shè)計(jì) 72
4.3.1 多樣性參考輸入的確定 72
4.3.2 多樣性控制策略 73
4.4 仿真實(shí)驗(yàn)與結(jié)果分析 74
4.4.1 實(shí)驗(yàn)參數(shù)及優(yōu)化測(cè)試函數(shù) 74
4.4.2 實(shí)驗(yàn)結(jié)果及分析 75
4.5 模型的優(yōu)化應(yīng)用 80
4.5.1 約束布局優(yōu)化問(wèn)題 80
4.5.2 算法設(shè)計(jì) 81
4.5.3 仿真結(jié)果分析 82
4.6 本章小結(jié) 84
參考文獻(xiàn) 84
第5章 求解非線性方程組的控制粒子群優(yōu)化模型 86
5.1 引言 86
5.2 非線性方程組及其等價(jià)優(yōu)化問(wèn)題描述 87
5.3 控制粒子群優(yōu)化模型 88
5.3.1 控制粒子群優(yōu)化模型的原理 88
5.3.2 基于PID的控制策略 90
5.3.3 致和非一致控制方式 93
5.3.4 優(yōu)化流程 94
5.4 仿真實(shí)驗(yàn)與分析 94
5.4.1 測(cè)試問(wèn)題 94
5.4.2 實(shí)驗(yàn)結(jié)果與分析 95
5.5 算法的工程應(yīng)用 99
5.5.1 問(wèn)題描述及優(yōu)化模型 99
5.5.2 仿真結(jié)果及分析IOI
5.6 本章小結(jié) 103
參考文獻(xiàn) 103
協(xié)同模型篇
第6章 基于知識(shí)的協(xié)同粒子群優(yōu)化模型 107
6.1 引言 107
6.2 協(xié)同粒子群優(yōu)化模型 109
6.2.1 基本概念 109
6.2.2 模型結(jié)構(gòu) 109
6.2.3 知識(shí)集 110
6.2.4 行為控制 114
6.2.5 算法流程 116
6.3 收斂性分析 116
6.3.1 隨機(jī)優(yōu)化算法全局和局部收斂的判據(jù) 116
6.3.2 協(xié)同粒子群優(yōu)化模型的收斂性 117
6.4 仿真實(shí)驗(yàn)與分析 122
6.4.1 實(shí)驗(yàn)參數(shù)及優(yōu)化測(cè)試函數(shù) 122
6.4.2 實(shí)驗(yàn)結(jié)果及分析 123
6.5 本章小結(jié) 127
參考文獻(xiàn) 128
第7章 基于混合群體的協(xié)同粒子群優(yōu)化模型 129
7.1 引言 129
7.2 基于混合群體的協(xié)同粒子群優(yōu)化機(jī)理分析 131
7.2.1 混合生態(tài)群體的自然啟示 131
7.2.2 混合優(yōu)化群體結(jié)構(gòu)要素 131
7.3 基于混合生態(tài)群體的協(xié)同粒子群優(yōu)化模型設(shè)計(jì) 133
7.3.1 混合群體初始化 133
7.3.2 開采與探測(cè)行為 134
7.3.3 協(xié)同搜索和學(xué)習(xí) 135
7.3.4 逃逸策略 136
7.3.5 優(yōu)化步驟 136
7.3.6 計(jì)算復(fù)雜度分析 137
7.4 數(shù)值仿真實(shí)驗(yàn)與性能分析 138
7.4.1 仿真實(shí)驗(yàn)設(shè)計(jì)與數(shù)據(jù) 138
7.4.2 實(shí)驗(yàn)分析 142
7.5 應(yīng)用實(shí)例 143
7.5.1 線性系統(tǒng)逼近問(wèn)題 143
7.5.2 優(yōu)化結(jié)果及分析 144
7.6 本章小結(jié) 145
參考文獻(xiàn) 146
優(yōu)化應(yīng)用篇
第8章 面向流程工業(yè)生產(chǎn)調(diào)度的粒子群優(yōu)化模型 151
8.1 引言 151
8.1.1 流程工業(yè)生產(chǎn)調(diào)度問(wèn)題描述 151
8.1.2 流程工業(yè)生產(chǎn)調(diào)度研究現(xiàn)狀 152
8.2 面向化.工生產(chǎn)靜態(tài)調(diào)度的混沌變異粒子群模型 153
8.2.1 化工生產(chǎn)靜態(tài)調(diào)度問(wèn)題描述 153
8.2.2 混沌變異粒子群模型設(shè)計(jì) 156
8.2.3 算法復(fù)雜度分析 159
8.2.4 仿真與性能分析 160
8.3 面向化工生產(chǎn)動(dòng)態(tài)調(diào)度的混沌變異粒子群模型 167
8.3.1 不確定性流程工業(yè)生產(chǎn)調(diào)度分析 168
8.3.2 混沌變異粒子群動(dòng)態(tài)調(diào)度模型設(shè)計(jì) 169
8.3.3 調(diào)度實(shí)例仿真與分析 172
8.4 本章小結(jié) 177
參考文獻(xiàn) 177
第9章 面向柔性作業(yè)車間調(diào)度的粒子群優(yōu)化模型 180
9.1 引言 180
9.1.1 柔性作業(yè)車間調(diào)度問(wèn)題描述 180
9.1.2 柔性作業(yè)車間調(diào)度優(yōu)化研究現(xiàn)狀 181
9.2 面向柔性作業(yè)車間調(diào)度的混合離散PSO模型 183
9.2.1 數(shù)學(xué)模型及描述 183
9.2.2 混合PSO模型設(shè)計(jì) 184
9.2.3 算法復(fù)雜度分析 190
9.2.4 仿真與性能分析 191
9.3 面向多目標(biāo)柔性作業(yè)車間調(diào)度的混合離散PSO模型 193
9.3.1 數(shù)學(xué)模型及問(wèn)題描述 194
9.3.2 多目標(biāo)混合PSO模型設(shè)計(jì) 195
9.3.3 算法復(fù)雜度分析 198
9.3.4 仿真與性能分析 198
9.4 本章小結(jié) 203
參考文獻(xiàn) 204
第10章 面向無(wú)線傳感器網(wǎng)絡(luò)路由優(yōu)化的粒子群模型 207
I 0.1 引言 207
10.1.1 無(wú)線傳感器網(wǎng)絡(luò)簡(jiǎn)介 207
10.1.2 無(wú)線傳感器網(wǎng)絡(luò)路由協(xié)議研究現(xiàn)狀 207
10.2 面向無(wú)線傳感器網(wǎng)絡(luò)分簇優(yōu)化的離散PSO模型 210
10.2.1 分簇優(yōu)化問(wèn)題描述 211
10.2.2 離散粒子群分簇優(yōu)化設(shè)計(jì) 211
10.2.3 仿真實(shí)驗(yàn)與分析 215
10.3 面向無(wú)線傳感器網(wǎng)絡(luò)路由優(yōu)化的離散PSO模型 216
10.3.1 路由優(yōu)化問(wèn)題描述 217
10.3.2 離散粒子群路由優(yōu)化設(shè)計(jì) 218
10.3.3 仿真實(shí)驗(yàn)與分析 221
10.4 本章小結(jié) 995
參考文獻(xiàn) 225
結(jié)論與展望篇
第11章 結(jié)論與展望 231
11.1 本書內(nèi)容總結(jié) 231
11.2 研究前沿與展望 233
參考文獻(xiàn) 235
附錄 粒子群優(yōu)化計(jì)算源程序 236
展開全部
智能粒子群優(yōu)化計(jì)算——控制方法、協(xié)同策略及優(yōu)化應(yīng)用 節(jié)選
基礎(chǔ)篇 第1章 緒論 1.1 引言 20世紀(jì)以來(lái)，人們?cè)噲D從人腦思維的不同層次出發(fā)，利用人工的方法和技術(shù)，模仿、延伸和擴(kuò)展人的自然智能，從而形成了一門新的學(xué)科——人工智能。人工智能可以分為兩大類：一類是基于符號(hào)主義的符號(hào)智能；另一類是以連接主義和行為主義為基礎(chǔ)的計(jì)算智能。符號(hào)智能是傳統(tǒng)人工智能的主要研究?jī)?nèi)容，以Newell和Simon提出的物理符號(hào)系統(tǒng)假設(shè)為基礎(chǔ)，通過(guò)知識(shí)推理進(jìn)行問(wèn)題求解；而計(jì)算智能則不同，它以數(shù)據(jù)為基礎(chǔ)，通過(guò)訓(xùn)練建立聯(lián)系從而實(shí)現(xiàn)問(wèn)題的求解。符號(hào)智能的研究曾在20世紀(jì)50年代取得巨大的成功，但80年代中期后，這種經(jīng)典人工智能的發(fā)展相對(duì)停滯，而計(jì)算智能卻在神經(jīng)網(wǎng)絡(luò)的帶動(dòng)下異軍突起。因此，計(jì)算智能被稱為第二代人工智能方法。可以說(shuō)，計(jì)算智能是連接主義、分布式人工智能和自組織系統(tǒng)理論共同發(fā)展的產(chǎn)物。它不僅克服了符號(hào)智能在知識(shí)表達(dá)、存儲(chǔ)等方面的局限性，還能夠以并行方式處理大量信息，具有自組織、自適應(yīng)和自學(xué)習(xí)等特性，因此吸引了國(guó)內(nèi)外不同領(lǐng)域內(nèi)眾多學(xué)者的關(guān)注，并成為20世紀(jì)90年代以來(lái)學(xué)術(shù)界備受矚目的研究熱點(diǎn)。 作為新生代的人工智能，計(jì)算智能主要的研究方法是依據(jù)廣義生態(tài)學(xué)、社會(huì)心理學(xué)和動(dòng)物行為學(xué)等知識(shí)，借助于計(jì)算機(jī)科學(xué)、控制科學(xué)和系統(tǒng)科學(xué)等理論分析與計(jì)算工具，力求從自然界、生物系統(tǒng)和生命現(xiàn)象中尋求靈感，通過(guò)對(duì)自然生物系統(tǒng)、生命個(gè)體的進(jìn)化過(guò)程、智能行為、智能載體結(jié)構(gòu)以及智能信息處理機(jī)制的借鑒和模擬，構(gòu)建各種智能計(jì)算模型，用于求解現(xiàn)實(shí)世界中的大規(guī)模、非線性復(fù)雜問(wèn)題。目前，圍繞計(jì)算智能研究而產(chǎn)生的智能計(jì)算技術(shù)已經(jīng)在復(fù)雜優(yōu)化問(wèn)題以及實(shí)際工程領(lǐng)域中廣泛使用，并顯示出蓬勃的生命力和強(qiáng)大的求解潛力。 本章首先給出了*優(yōu)化問(wèn)題的相關(guān)定義，然后分類介紹了目前所存在的一些代表性智能計(jì)算方法，包括自然進(jìn)化計(jì)算（進(jìn)化計(jì)算和差分進(jìn)化計(jì)算）、社會(huì)進(jìn)化計(jì)算（文化算法、Meme工ic算法、思維進(jìn)化計(jì)算和社會(huì)情感計(jì)算）、生物智能計(jì)算（人工神經(jīng)網(wǎng)絡(luò)、DNA計(jì)算和免疫系統(tǒng)）、群集智能計(jì)算（蟻群算法、粒子群優(yōu)化算法和人工蜂群算法）、擬物智能計(jì)算（量子計(jì)算、擬態(tài)物理計(jì)算和植物算法）以及超啟發(fā)式智能計(jì)算，*后給出了本書的體系結(jié)構(gòu)。 1.2 優(yōu)化問(wèn)題及算法 1.2.1 *優(yōu)化問(wèn)題 所謂*優(yōu)化問(wèn)題，就是在滿足一定的約束條件下，尋找一組參數(shù)值，以使某些*優(yōu)性度量得到滿足，即使得系統(tǒng)的某些性能指標(biāo)達(dá)到*大或*小。 *優(yōu)化問(wèn)題根據(jù)目標(biāo)函數(shù)、約束函數(shù)的性質(zhì)以及優(yōu)化變量的取值可以分成多種類型，每一類型的*優(yōu)化問(wèn)題根據(jù)性質(zhì)的不同都有其特定的求解方法。 不失一般性，設(shè)所考慮的*優(yōu)化問(wèn)題為(I-I) 其中，為目標(biāo)函數(shù)；為約束函數(shù)；S為約束域；X維優(yōu)化變量。通常，*大化問(wèn)題很容易轉(zhuǎn)換為*小化問(wèn)題約束和等式約束也可轉(zhuǎn)換為的約束，所以式（I-I）所描述的*優(yōu)化問(wèn)題不失一般性。 當(dāng)f(X)g，(X)為線性函數(shù)且X≥0時(shí)，上述*優(yōu)化問(wèn)題即為線性規(guī)劃問(wèn)題，其求解方法有成熟的單純形法和Karmarc方法。 當(dāng)f(X)g，(X)中至少有一個(gè)函數(shù)為非線性函數(shù)時(shí)，上述問(wèn)題即為非線性規(guī)劃問(wèn)題。非線性規(guī)劃問(wèn)題非常復(fù)雜，求解方法多種多樣，但目前依然沒(méi)有一種有效的普適方法。 當(dāng)優(yōu)化變量X僅取整數(shù)值時(shí)，上述問(wèn)題即為整數(shù)規(guī)則問(wèn)題，特別是當(dāng)X僅能取0或1時(shí)，上述問(wèn)題即為O-1整數(shù)規(guī)劃問(wèn)題。由于整數(shù)規(guī)劃問(wèn)題屬于組合優(yōu)化范疇，其計(jì)算量隨變量維數(shù)的增長(zhǎng)而呈指數(shù)增長(zhǎng)，所以存在著“維數(shù)災(zāi)難”問(wèn)題。 當(dāng)g，所限制的約束空間為整船維歐氏空間即時(shí)，上述*優(yōu)化問(wèn)題為無(wú)約束優(yōu)化問(wèn)題，由于函數(shù)的非線性，非線性規(guī)劃問(wèn)題（包括無(wú)約束優(yōu)化問(wèn)題和約束優(yōu)化問(wèn)題）的求解變得十分困難，特別是當(dāng)目標(biāo)函數(shù)在約束域內(nèi)存在多峰值時(shí)。常見的求解非線性問(wèn)題的優(yōu)化方法，其求解結(jié)果與初值的選擇關(guān)系很大，也就是說(shuō)，一般的約束或無(wú)約束非線性優(yōu)化方法均是求目標(biāo)函數(shù)在約束域內(nèi)的近似極小點(diǎn)，而非真正的*小點(diǎn)。 1.2.2 優(yōu)化算法 現(xiàn)實(shí)世界中*優(yōu)化問(wèn)題普遍存在，由此產(chǎn)生了各種優(yōu)化算法，通常可分為局部?jī)?yōu)化算法和全局優(yōu)化算法兩大類。 1．局部?jī)?yōu)化算法 定義1.1 如果存在，使得對(duì)，有(1-3)成立，其中S為由約束函數(shù)限定的搜索空間，則稱XB為l(X)在B內(nèi)的局部極小點(diǎn)，f(XB)為局部極小值。 常見的優(yōu)化方法大多為局部?jī)?yōu)化方法，都是從一個(gè)給定的初始點(diǎn)開始，依據(jù)一定的方法尋找下一個(gè)使得目標(biāo)函數(shù)得到改善的更好解，直至滿足某種停止準(zhǔn)則。 成熟的局部?jī)?yōu)化方法很多，如Newton-Raphson法、共軛梯度法、Fletcher-Reeves法、Polar-Ribiere法、Davidon-Fletcher-Power( DFP)法、Brovden-Fletcher-Goldfarb-Shann(BFGS)方法等，還有專門用于求解*小二乘問(wèn)題的Levenberg-Marquardt(IM)算法。所有這些局部?jī)?yōu)化算法都是針對(duì)無(wú)約束優(yōu)化問(wèn)題而提出的，對(duì)目標(biāo)函數(shù)均有一定的解析性質(zhì)要求，例如，Newton-Raphson法要求目標(biāo)函數(shù)連續(xù)可微，同時(shí)要求其一階導(dǎo)數(shù)連續(xù)。 對(duì)于約束非線性優(yōu)化問(wèn)題，除了根據(jù)一階*優(yōu)化必要條件直接將*優(yōu)化問(wèn)題轉(zhuǎn)換為非線牲代數(shù)方組并采用非線性代數(shù)方程組的數(shù)值解法進(jìn)行求解外，還有序列線性規(guī)劃法、可行方向法以及拉格朗日乘子法等。*常用的方法是先將約束問(wèn)題通過(guò)罰函數(shù)法轉(zhuǎn)換為無(wú)約束優(yōu)化問(wèn)題，再采用無(wú)約束優(yōu)化方法進(jìn)行求解。 2．全局優(yōu)化算法 定義1.2 如果存在，使得對(duì)，有成立，其中為由約束條件限定的搜索空間，則稱X”為f(X)在S內(nèi)的全局極小點(diǎn)，為其全局極小值。 目前，發(fā)展成熟的*優(yōu)化方法大多為局部?jī)?yōu)化方法，其求解結(jié)果與初始值相關(guān)。對(duì)于目標(biāo)函數(shù)為凸函數(shù)、約束域?yàn)橥褂虻乃^凸規(guī)劃問(wèn)題，局部*優(yōu)與全局*優(yōu)等效。而對(duì)于非凸問(wèn)題，由于在約束域內(nèi)目標(biāo)函數(shù)存在多峰值，因此其全局*優(yōu)與局部*優(yōu)相差甚遠(yuǎn)。 全局優(yōu)化問(wèn)題已存在了許多算法，如填充函數(shù)法等，但比起局部?jī)?yōu)化問(wèn)題的眾多成熟方法，還存在很大差距。 另外，解析性優(yōu)化方法對(duì)目標(biāo)函數(shù)及約束域均有較強(qiáng)的解析性要求，對(duì)于諸如目標(biāo)函數(shù)不連續(xù)、約束域不連通、目標(biāo)函數(shù)難以用解析函數(shù)表達(dá)或者難以精確估計(jì)（如仿真優(yōu)化問(wèn)題）等問(wèn)題，解析確定性優(yōu)化方法就難以適應(yīng)。 為了可靠解決全局優(yōu)化問(wèn)題，人們?cè)噲D離開解析確定型的優(yōu)化算法研究，轉(zhuǎn)而探討對(duì)函數(shù)解析性質(zhì)要求較低甚至不作要求的隨機(jī)型優(yōu)化方法。*早的隨機(jī)型優(yōu)化方法是基于Monte-Carlo方法的思想，針對(duì)具體問(wèn)題的特征，構(gòu)造以概率1收斂于全局*小點(diǎn)的隨機(jī)搜索算法。真正有效且具有普遍適應(yīng)性的隨機(jī)全局優(yōu)化方法，是近十多年來(lái)人們模擬自然界生物系統(tǒng)、生命現(xiàn)象的行為和機(jī)理等而發(fā)展起來(lái)的仿生型智能計(jì)算方法，如進(jìn)化計(jì)算、群集智能計(jì)算等。這些算法不需要建立問(wèn)題的精確數(shù)學(xué)模型，不依賴于問(wèn)題的解析特征，具有自適應(yīng)、自學(xué)習(xí)和自組織的智能特性，因此非常適用于處理復(fù)雜的、大規(guī)模的、傳統(tǒng)算法難以有效解決的優(yōu)化問(wèn)題。 1.3 智能計(jì)算 根據(jù)各種智能計(jì)算方法模擬機(jī)理本質(zhì)的不同，本節(jié)中將典型智能計(jì)算方法分成五大類逐一簡(jiǎn)要介紹，包括自然進(jìn)化計(jì)算、社會(huì)進(jìn)化計(jì)算、生物智能計(jì)算、群集智能計(jì)算以及擬物智能計(jì)算。 1.3.1 自然進(jìn)化計(jì)算 自然進(jìn)化計(jì)算是模擬自然界“物競(jìng)天擇，適者生存”的進(jìn)化規(guī)律而發(fā)展起來(lái)的，主要包括進(jìn)化計(jì)算(或稱演化計(jì)算，evolutionary computation，EC)[7]、差分進(jìn)化計(jì)算(differential evolution.DE)[8，9]籌。 1．進(jìn)化計(jì)算 進(jìn)化計(jì)算始于20世紀(jì)60年代所出現(xiàn)的遺傳算法(genetic algorithm，GA)，主要包括遺傳算法以及在其基礎(chǔ)上所派生出的進(jìn)化策略(evolutionary strategy，ES)、進(jìn)化規(guī)劃(evolutionary programming，EP)、遺傳程序設(shè)計(jì)(genetic program-ming，GP)共4個(gè)分支。 1)遺傳算法 這一術(shù)語(yǔ)*早由美國(guó)學(xué)者Bagay在他的博士論文中提出，但在當(dāng)時(shí)并沒(méi)有得到學(xué)術(shù)界的認(rèn)可。直到1975年美國(guó)芝加哥大學(xué)Holland教授的專著Adaptation揚(yáng)Natural and Arti.fic’ial Svste7rLs問(wèn)世]，遺傳算法才得以正式確認(rèn)。早期的遺傳算法發(fā)展很緩慢，主要是因?yàn)楸旧聿怀墒欤⑶倚枰^大的計(jì)算量，而當(dāng)時(shí)的技術(shù)背景（計(jì)算T具）并不能滿足這一要求。到了20世紀(jì)80年代，隨著多學(xué)科的交叉發(fā)展，當(dāng)時(shí)流行的傳統(tǒng)人T智能方法日益顯露出其局限性，因而人們渴望尋求一種適于大規(guī)模并行且具有某些智能特征（如自組織、自適應(yīng)和自學(xué)習(xí)）的新方法。而遺傳算法是受達(dá)爾文進(jìn)化論的啟發(fā)而發(fā)展起來(lái)的一種通用的問(wèn)題求解方法，具右上述人們所期望的智能特點(diǎn)。伴隨著計(jì)算機(jī)的普及與計(jì)算速度的提高，人們開
書友推薦
- >
伯納黛特,你要去哪(2021新版)
- >
中國(guó)歷史的瞬間
- >
龍榆生：詞曲概論/大家小書
- >
我與地壇
- >
羅曼·羅蘭讀書隨筆-精裝
- >
回憶愛瑪儂
- >
名家?guī)阕x魯迅:故事新編
- >
月亮與六便士
本類暢銷
