離散粒子群優(yōu)化算法及其應(yīng)用編輯推薦語

郭文忠等編著的《離散粒子群優(yōu)化算法及其應(yīng)用》 內(nèi)容是作者基于自身所主持和參與的科技部“973”計劃項目、國家自然科學(xué)基金項目、國家“863”計劃子課題以及教育部科技重點項目等的研究成果，吸納了國內(nèi)外許多具有代表性的研究成果，并融合了課題組近年來在國內(nèi)外重要學(xué)術(shù)刊物和國際會議上發(fā)表的研究成果，力圖體現(xiàn)國內(nèi)外在這一領(lǐng)域的最新研究進展。本書可作為計算機科學(xué)、自動化科學(xué)、管理科學(xué)、控制科學(xué)等相關(guān)學(xué)科專業(yè)高年級本科生、研究生以及廣大研究計算智能的科技工作者的參考用書。

《離散粒子群優(yōu)化算法及其應(yīng)用》分為11章，各章節(jié)內(nèi)容具體安排如下 ：第1章主要介紹了基本PSO算法的原理機制及其發(fā)展現(xiàn)狀，并著重介紹了 PSO算法的三種常見離散化策略，闡述了DPSO算法的應(yīng)用成果；第2章主要介 紹了PSO算法在TSP優(yōu)化問題中的應(yīng)用；第3章介紹了一種基于表現(xiàn)型共享函 數(shù)的多目標(biāo)粒子群優(yōu)化算法及其在多工作流調(diào)度問題中的應(yīng)用；第4章介紹 了一種求解多目標(biāo)最小生成樹問題的改進計數(shù)算法，并詳細闡述了一種用于 求解多目標(biāo)最小生成樹問題的新型DPs0算法的具體設(shè)計過程；第5章主要介 紹了PSO算法在入侵檢測數(shù)據(jù)特征選擇中的應(yīng)用；第6章重點闡述了PSO算法 在入侵檢測系統(tǒng)異常檢測和誤用檢測中的具體應(yīng)用；第7章分別闡述了PSO算 法在網(wǎng)絡(luò)安全態(tài)勢感知中態(tài)勢要素獲取、理解以及預(yù)測等各步驟中的應(yīng)用； 第8章主要介紹了PSO算法在異構(gòu)集群數(shù)據(jù)流分配問題中的應(yīng)用；第9．章主 要討論了無線傳感器網(wǎng)絡(luò)中基于PSO的拓撲生成及其容錯拓撲控制機制，詳 細介紹了各種算法的具體設(shè)計過程；第10章重點闡述了基于PSO算法的無線 傳感器網(wǎng)絡(luò)任務(wù)調(diào)度策略的設(shè)計；第11章分別闡述了PSO算法在超大規(guī)模集 成電路物理設(shè)計中的電路劃分和布圖/布局規(guī)劃優(yōu)化問題中的具體應(yīng)用。 《離散粒子群優(yōu)化算法及其應(yīng)用》主要面向計算機科學(xué)、自動化科學(xué)、 管理科學(xué)、控制科學(xué)等相關(guān)學(xué)科專業(yè)高年級本科生、研究生以及廣大研究計 算智能的科技工作者。

第1章 緒論

1.1 引言

1.2 基本粒子群優(yōu)化算法

1.2.1 粒子群優(yōu)化算法的基本原理

1.2.2 基本粒子群優(yōu)化算法模型

1.2.3 基本粒子群優(yōu)化算法流程

1.2.4 參數(shù)分析與設(shè)置

1.3 粒子群優(yōu)化算法的改進綜述

1.3.1 基于慣性權(quán)值的改進

1.3.2 基于加速因子的改進

1.3.3 基于鄰近群拓撲的改進

1.3.4 基于種群規(guī)模的改進

1.3.5 混合粒子群優(yōu)化算法

1.4 粒子群優(yōu)化算法的機理研究

1.5 粒子群優(yōu)化算法的應(yīng)用研究

1.6 離散粒子群優(yōu)化算法

1.6.1 將速度作為位置變化的概率

1.6.2 直接將連續(xù)PSO用于離散問題的求解

1.6.3 重新定義PSO算法操作算子

1.7 DPSO算法應(yīng)用

1.8 DPSO算法研究展望

參考文獻

第2章 在P問題中的應(yīng)用

2.1 引言

2.2 求解TSF問題的自適應(yīng)粒子群優(yōu)化算法

2.2.1 離散.PSO算法

2.2.2 求解TSP問題的PSO算法設(shè)計

2.2.3 慣性權(quán)值在離散PSO算法中的作用

2.2.4 實驗結(jié)果與分析

2.3 求解TSP問題的動態(tài)領(lǐng)域PSO算法

2.3.1 相關(guān)概念

2.3.2 TSP問題的PSO操作

2.3.3 動態(tài)領(lǐng)域PSO算法的設(shè)計

2.3.4 實驗結(jié)果及分析

2.4 求解TSP問題的PSO一ACO算法

2.4.1 模擬進化的蟻群算法

2.4.2 PSO-ACO算法的設(shè)計思想及總體框架

2.4.3 實驗結(jié)果與分析

參考文獻

第3章 在多工作流調(diào)度中的應(yīng)用

3.1 引言

3.2 問題描述

3.2.1 多目標(biāo)優(yōu)化問題

3.2.2 求解多目標(biāo)優(yōu)化問題的基本方法

3.3 多目標(biāo)工作流調(diào)度問題

3.4 基于表現(xiàn)型共享的多目標(biāo)粒子群優(yōu)化算法

3.4.1 基于表現(xiàn)型共享的適應(yīng)度函數(shù)

3.4.2 算法的基本模型

3.4.3 算法步驟

3.4.4 算例測試與結(jié)果分析

3.5 求解多目標(biāo)工作流調(diào)度問題的離散粒子群優(yōu)化算法

3.5.1 算法基本模型

3.5.2 算法主要步驟

3.5.3 實驗結(jié)果

參考文獻

第4章 在多目標(biāo)最小生成樹問題中的應(yīng)用

4.1 引言

4.2 問題模型

4.2.1 MST問題

4.2.2 mc-MST問題

4.3 改進的計數(shù)算法

4.4 求解mc-MST問題的NDPSO算法

4.4.1 粒子的編碼機制

4.4.2 粒子的適應(yīng)度函數(shù)

4.4.3 粒子的更新公式

4.4.4 算法描述

4.4.5 收斂性分析

4.5 實驗結(jié)果與分析

4.5.1 測試問題

4.5.2 結(jié)果與分析

參考文獻

第5章 在入侵檢測數(shù)據(jù)特征選擇中的應(yīng)用

5.1 引言

5.2 特征選擇

5.3 基于PSO和相關(guān)性分析的特征選擇算法

5.3.1 粒子編碼模式

5.3.2 適應(yīng)度函數(shù)

5.3.3 參數(shù)設(shè)置

5.3.4 算法描述

5.3.5 實驗結(jié)果與分析

5.4 基于PSo和鄰域約簡模型的特征選擇算法

5.4.1 鄰域粗糙集

5.4.2 算法的具體設(shè)計

5.4.3 仿真實驗

5.5 基于PSO和云模型的特征選擇算法

5.5.1 云的概念

5.5.2 云的對象隸屬度計算

5.5.3 算法的具體設(shè)計

5.5.4 實驗結(jié)果與分析

參考文獻

第6章 在入侵檢測系統(tǒng)中的應(yīng)用

6.1 引言

6.2 基于連續(xù)粒子群分類算法的誤用檢測

6.2.1 目前入侵檢測產(chǎn)品存在的缺陷

6.2.2 分類算法

6.2.3 基于連續(xù)粒子群的分類算法

6.3 基于否定選擇算法的異常檢測

6.3.1 基于異常的入侵檢測系統(tǒng)的缺陷

6.3.2 人工免疫與否定選擇算法

6.3.3 修改的否定選擇算法

6.4 混合的網(wǎng)絡(luò)入侵檢測引擎

6.4.1 引入混合方式的目的

6.4.2 混合方式

6.4.3 混合的入侵檢測引擎的整體結(jié)構(gòu)

6.4.4 仿真實驗

參考文獻

第7章 在網(wǎng)絡(luò)安全態(tài)勢感知中的應(yīng)用

7.1 引言

7.2 基于PSO-FNN的安全態(tài)勢感知要素提取算法

7.2.1 相關(guān)算法

7.2.2 基于PSO-FNN的安全態(tài)勢要素提取模型

7.2.3 基于PSO-FNN的安全態(tài)勢要素提取方法

7.2.4 仿真實驗與結(jié)果分析

7.3 基于PSO-BPNN的安全態(tài)勢預(yù)測算法

7.3.1 基于PSO-BPNN的網(wǎng)絡(luò)安全態(tài)勢預(yù)測模型

7.3.2 基于PSO-BPNN網(wǎng)絡(luò)安全態(tài)勢預(yù)測方法

7.3.3 仿真實驗

7.4 網(wǎng)絡(luò)安全系統(tǒng)中的組態(tài)勢感知研究

7.4.1 個體態(tài)勢感知與組態(tài)勢感知

7.4.2 基于PSO的聚類分析實驗設(shè)計

7.4.3 算法流程

7.4.4 仿真實驗

參考文獻

第8章 在異構(gòu)集群數(shù)據(jù)流分配中的應(yīng)用

8.1 引言

8.2 數(shù)據(jù)流分配算法

8.3 基于PSO的異構(gòu)集群數(shù)據(jù)流自適應(yīng)分配策略

8.3.1 問題建模

8.3.2 帶動態(tài)反饋機制的數(shù)據(jù)流自適應(yīng)分配模型

8.3.3 改進的粒子群優(yōu)化算法

8.3.4 仿真實驗結(jié)果與分析

8.4 動態(tài)聯(lián)盟思想的引入

8.4.1 動態(tài)聯(lián)盟思想

8.4.2 問題建模

8.4.3 算法描述

8.4.4 算法仿真與結(jié)果分析

參考文獻

第9.章 在WSN拓撲控制中的應(yīng)用

9.1 引言

9.2 基于度約束最小生成樹的wSN分布式拓撲控制

9.2.1 網(wǎng)絡(luò)模型與問題描述

9.2.2 求解dc—MsT問題的DPSO

9.2.3 分布式拓撲控制方案

9.2.4 仿真實驗

9.3 基于二連通的WSN拓撲控制方案

9.3.1 網(wǎng)絡(luò)模型及問題描述

9.3.2 求解wSN二連通拓撲結(jié)構(gòu)的DPSO算法

9.3.3 仿真實驗

9.4 基于K一連通問題的wSN拓撲控制方案

9.4.1 相關(guān)工作

9.4.2 相關(guān)定義

9.4.3 集中式的KTCPSO算法描述

9.4.4 分布式KLPSO算法描述

9.4.5 算法的時間復(fù)雜度分析

9.4.6 仿真實驗

參考文獻

第10章 在WSN任務(wù)調(diào)度中的應(yīng)用

10.1 引言

10.2 任務(wù)調(diào)度相關(guān)概念

10.3 WSN任務(wù)分配動態(tài)聯(lián)盟模型及其算法

10.3.1 問題描述

10.3.2 任務(wù)分配動態(tài)聯(lián)盟模型的構(gòu)建

10.3.3 求解動態(tài)聯(lián)盟模型的PSO算法

10.3.4 實驗結(jié)果與分析

10.4 帶多Agent的wSN自適應(yīng)任務(wù)調(diào)度策略

10.4.1 多Agent系統(tǒng)

10.4.2 基于多Agent的無線傳感器網(wǎng)絡(luò)體系結(jié)構(gòu)及系統(tǒng)模型

10.4.3 基于多Agent的無線傳感器網(wǎng)絡(luò)自適應(yīng)任務(wù)調(diào)度策略

10.4.4 仿真實驗與結(jié)果分析

10.5 基于串行聯(lián)盟的動態(tài)任務(wù)分配算法

10.5.1 串行聯(lián)盟思想的引入

10.5.2 基于DPSO的聯(lián)盟形成算法

10.5.3 基于串行聯(lián)盟的任務(wù)分配體系結(jié)構(gòu)

10.5.4 仿真實驗

10.6 基于并行聯(lián)盟的動態(tài)任務(wù)分配算法

10.6.1 引言

10.6.2 并行聯(lián)盟概述

10.6.3 基于并行聯(lián)盟的任務(wù)分配算法

10.6.4 基于并行聯(lián)盟的任務(wù)分配體系結(jié)構(gòu)

10.6.5 仿真實驗

參考文獻

第1l章 在VLSI物理設(shè)計中的應(yīng)用

11.1 引言

11.2 VLSI設(shè)計概述

11.2.1 VLSI設(shè)計流程

11.2.2 物理設(shè)計過程

11.3 單目標(biāo)電路劃分的離散PSO算法

11.3.1 相關(guān)工作

11.3.2 問題模型

11.3.3 算法描述

11.3.4 實驗結(jié)果分析

11.4 單目標(biāo)電路劃分的混合PSO算法

11.4.1 算法的具體設(shè)計過程

11.4.2 實驗結(jié)果與分析

11.5 多目標(biāo)電路劃分的離散：PSO算法

11.5.1 相關(guān)工作

11.5.2 多目標(biāo)劃分問題模型

11.5.3 基于DPSO框架下的多目標(biāo)劃分算法

11.5.4 實驗結(jié)果與分析

11.6 解決布圖規(guī)劃的DPSO算法

11.6.1 VLSI布圖模式與相關(guān)工作

11.6.2 問題描述

11.6.3 算法描述

11.6.4 實驗結(jié)果與分析

11.7 解決布圖規(guī)劃的多目標(biāo)PSO算法

11.7.1 采用整數(shù)序列編碼的布圖規(guī)劃算法

11.7.2 采用序列對編碼的布圖規(guī)劃算法

11.8 解決布圖規(guī)劃的協(xié)同多目標(biāo)PSO算法

11.8.1 協(xié)同多目標(biāo)算法概述

11.8.2 解決布圖規(guī)劃問題的協(xié)同多目標(biāo)PSO算法

11.8.3 實驗結(jié)果分析

參考文獻

前言

第1章緒論

第2章經(jīng)典群體智能算法

第3章社會認知優(yōu)化算法

第4章新型社會認知優(yōu)化算法

第5章細菌群體趨藥性算法及改進

第6章三維碎片模型特征提取

第7章基于證據(jù)和區(qū)間數(shù)的多特征智能融合識別方法

第8章基于離散自然社會認知優(yōu)化算法的全局最優(yōu)匹配

第9章基于顯著特征的智能配準(zhǔn)算法

第10章基于粒子群算法的測試數(shù)據(jù)的生成及優(yōu)化

第11章基于進化算法的測試數(shù)據(jù)生成

第12章基于自適應(yīng)粒子群算法的測試數(shù)據(jù)擴增方法

第13章基于蟻群算法的組合測試用例的生成與優(yōu)化

第14章總結(jié)與展望 2100433B

《智能優(yōu)化算法及其在機械工程中的應(yīng)用》結(jié)合作者多年來在相關(guān)方面的科研和教學(xué)工作的積累，以較為通俗簡練的語言詳細地介紹了智能優(yōu)化算法中的遺傳算法、粒子群優(yōu)化算法、差異演化算法、模擬植物生長算法和果蠅優(yōu)化算法及其在機械工程中的應(yīng)用，以期使讀者能夠盡快了解和掌握這些算法的基本理論和應(yīng)用技術(shù)。