群體智能算法及其應用

第1章 群體智能算法概述 1

1.1 群體智能算法的特點 1

1.1.1 智能性 1

1.1.2 隱含本質并行性 2

1.1.3 解的近似性 2

1.2 群體智能算法的計算模式 2

1.2.1 社會協(xié)作機制 3

1.2.2 自我適應機制 3

1.2.3 競爭機制 4

1.3 遺傳算法 4

1.3.1 標準遺傳算法原理 5

1.3.2 編碼機制與主要算子 7

1.4 差異演化算法 8

1.5 粒子群算法 10

1.5.1 粒子群算法的原理 10

1.5.2 PSO算法的計算模型 11

1.6 教—學優(yōu)化算法 13

1.7 顧問引導搜索算法 13

1.8 本章小結 15

參考文獻 16

第2章 人工魚群算法 18

2.1 人工魚群算法的數學模型 18

2.2 人工魚群算法的收斂性分析 21

2.2.1 常用距離 21

2.2.2 基于Markfov鏈技術的收斂性分析 22

2.2.3 基于壓縮映射定理的收斂性分析 25

2.3 人工魚群算法的相關研究 26

2.3.1 參數的改進 27

2.3.2 與其他智能算法的融合 28

2.3.3 其他的改進方法 29

2.4 本章小結 32

參考文獻 32

第3章 人工魚群算法的改進研究 34

3.1 小生境人工魚群算法 34

3.1.1 小生境技術 34

3.1.2 算法實現 36

3.1.3 算法的收斂性 36

3.1.4 仿真實驗與分析 38

3.1.5 結論 40

3.2 自適應人工魚群算法 40

3.2.1 參數自適應機制 40

3.2.2 算法實現 42

3.2.3 仿真實驗與分析 42

3.2.4 結論 44

3.3 基于種群分類的人工魚群算法 44

3.3.1 種群分類思想及設置 45

3.3.2 算法實現 46

3.3.3 仿真實驗與分析 47

3.3.4 結論 50

3.4 混和反向學習人工魚群算法 50

3.4.1 反向學習 50

3.4.2 佳點集 51

3.4.3 人工魚群算法的改進機制 51

3.4.4 仿真實驗與分析 54

3.4.5 結論 59

3.5 精英競爭人工魚群算法 59

3.5.1 基于動態(tài)隨機搜索的精英訓練 59

3.5.2 算法實現 60

3.5.3 仿真實驗與分析 61

3.5.4 結論 67

3.6 隨機游走人工魚群算法 67

3.6.1 Lévy Flight機制 67

3.6.2 算法改進思想 68

3.6.3 算法實現 69

3.6.4 仿真實驗與分析 70

3.6.5 結論 72

3.7 混合群搜索人工魚群算法 73

3.7.1 標準群搜索優(yōu)化算法 73

3.7.2 群搜索優(yōu)化算法的改進 75

3.7.3 混合群搜索人工魚群算法 77

3.7.4 仿真實驗與分析 78

3.7.5 結論 81

3.8 本章小結 81

參考文獻 82

第4章 煙花爆炸優(yōu)化算法及改進 83

4.1 煙花爆炸優(yōu)化算法 83

4.2 混沌煙花爆炸優(yōu)化算法 86

4.2.1 混沌搜索算法 86

4.2.2 算法實現 87

4.2.3 仿真實驗與分析 87

4.2.4 結論 91

4.3 混合動態(tài)搜索煙花爆炸優(yōu)化算法 91

4.3.1 算法實現 91

4.3.2 仿真實驗與分析 92

4.3.3 結論 96

4.4 混合反向學習煙花爆炸優(yōu)化算法 96

4.4.1 精英反向學習 96

4.4.2 基于模擬退火機制的種群選擇 97

4.4.3 算法實現 97

4.4.4 仿真實驗與分析 98

4.4.5 結論 102

4.5 隨機游走煙花爆炸優(yōu)化算法 102

4.5.1 基于隨機游走機制的變異算子 103

4.5.2 基于Boltzmann 子個體選擇 103

4.5.3 算法實現 104

4.5.4 仿真實驗與分析 105

4.5.5 結論 109

4.6 本章小結 109

參考文獻 109

第5章 群體智能算法的應用 110

5.1 物流配送中的車輛調度問題 110

5.1.1 問題的提出 110

5.1.2 組合優(yōu)化 111

5.1.3 車輛調度問題的數學模型 111

5.1.4 求解VRP的混合人工魚群遺傳算法 112

5.1.5 仿真實驗結果 113

5.2 求解SVM反問題的差異演化算法 113

5.2.1 問題的提出 113

5.2.2 差異演化算法的設計 114

5.2.3 差異演化算法的改進 114

5.2.4 仿真實驗結果 116

5.3 求解聚類問題的人工魚群算法 118

5.3.1 聚類模型 118

5.3.2 算法的設計 119

5.3.3 算法實現 120

5.3.4 仿真實驗結果 121

5.4 求解測試用例自動化問題的人工魚群算法 123

5.4.1 路徑測試模型 123

5.4.2 混沌搜索 125

5.4.3 算法的設計 125

5.4.4 仿真實驗結果 127

5.5 求解關聯(lián)規(guī)則挖掘的差異演化算法 129

5.5.1 規(guī)則挖掘 129

5.5.2 算法的設計 131

5.5.3 仿真實驗結果 133

5.6 求解特征選擇的人工魚群算法 136

5.6.1 特征選擇 136

5.6.2 算法的設計 136

5.6.3 仿真實驗結果 137

5.7 求解網絡安全態(tài)勢預測的人工魚群算法 139

5.7.1 網絡安全態(tài)勢預測模型 140

5.7.2 算法的設計 141

5.7.3 仿真實驗結果 143

5.8 求解圖像邊緣檢測的遺傳算法 146

5.8.1 數字圖像邊緣 146

5.8.2 Sobel邊緣檢測算子 148

5.8.3 面向圖像邊緣檢測的遺傳算法 149

5.8.4 仿真實驗結果 151

5.8.5 結論 155

5.9 本章小結 155

參考文獻 157

第6章 總結與展望 159 2100433B

本書以人工魚群算法、煙花爆炸優(yōu)化算法兩個典型的群體智能算法為主，系統(tǒng)介紹了算法的原理，建立了基于協(xié)作、競爭機制的群體智能算法的數學模型。全書著重分析了人工魚群算法和煙花爆炸優(yōu)化算法的弱點，并提出了多種新穎的改進機制，給出了算法的詳細實現步驟。本書還詳細探討了部分群體智能算法在VRP問題、圖像邊緣檢測、SVM反問題、網絡態(tài)勢預測、數據聚類、特征選擇等領域內的應用，并介紹了近年來出現的兩個比較新穎的群體智能算法，顧問引導搜索算法和教—學優(yōu)化算法。

群體系統(tǒng)是由大量相互作用的自主或半自主子系統(tǒng)通過網絡互聯(lián)所構成的復雜系統(tǒng)。移動機器人群、傳感器網絡甚至社會網絡都是群體系統(tǒng)的典型實例。近年來，在世界范圍內開展了群體系統(tǒng)理論與應用方面的探索研究，并且取得了一系列重要成果，群體系統(tǒng)的協(xié)調控制是當前群體系統(tǒng)研究的核心內容。《群體系統(tǒng)的協(xié)調控制理論及其應用》在介紹該學術領域國內外最新研究進展的基礎上，系統(tǒng)地闡述了群體系統(tǒng)協(xié)調控制及其應用的理論和方法。

本書面向智能信息處理研究的前沿領域，針對群體智能優(yōu)化算法及其應用中的關鍵問題，系統(tǒng)地討論了新型群體智能優(yōu)化算法以及群體智能優(yōu)化算法在三維模型處理和可信軟件測試中的應用，比較全面地反映了國內外在三維模型智能處理和基于搜索的可信軟件測試領域的最新研究進展。本書主要內容包括經典群體智能優(yōu)化算法、社會認知優(yōu)化算法、自然社會認知優(yōu)化算法、細菌群體趨藥性算法、混沌細菌群體趨藥算法、三維模型多特征提取、基于證據和區(qū)間數的智能三維模型融合匹配識別方法、基于群體智能的文物三維模型全局最優(yōu)匹配算法、基于群體智能的三維模型配準算法、基于粒子群算法的測試數據生成及優(yōu)化、基于改進粒子群優(yōu)化的測試用例擴增方法和基于蟻群算法的組合測試數據生成與優(yōu)化。

前言

第1章緒論

第2章經典群體智能算法

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章基于證據和區(qū)間數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算法

第10章基于粒子群算法的測試數據的生成及優(yōu)化

第11章基于進化算法的測試數據生成

第12章基于自適應粒子群算法的測試數據擴增方法

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章總結與展望 2100433B