群集智能優(yōu)化算法及應(yīng)用

前言
第一篇 導(dǎo)引篇
第1章 概述 3
1.1 群集智能概述 3
1.2 群集智能的基本原則與特點(diǎn) 5
1.3 群集智能理論研究現(xiàn)狀 8
1.3.1 群集智能計(jì)算方法 8
1.3.2 群集智能模型研究 9
1.3.3 群集智能行為研究 9
1.3.4 群體協(xié)作行為研究 10
1.3.5 群集智能數(shù)學(xué)建模方法 10
1.4 群集智能算法的發(fā)展展望 11
1.4.1 群集智能理論的完善 11
1.4.2 群集智能算法的設(shè)計(jì) 11
1.4.3 群集智能算法性能的提高 12
1.5 本書章節(jié)安排 12
參考文獻(xiàn) 14
第二篇 基礎(chǔ)篇
第2章 蟻群優(yōu)化算法 21
2.1 引言 21
2.2 蟻群優(yōu)化算法理論原理 22
2.2.1 基本蟻群的覓食過程 22
2.2.2 基本蟻群的機(jī)制原理 23
2.2.3 基本蟻群算法的特點(diǎn) 24
2.3 蟻群優(yōu)化算法數(shù)學(xué)模型及實(shí)現(xiàn)流程 25
2.3.1 蟻群優(yōu)化算法的數(shù)學(xué)模型 25
2.3.2 蟻群優(yōu)化算法的算法步驟流程 27
2.3.3 蟻群優(yōu)化算法的程序結(jié)構(gòu)流程 28
2.4 改進(jìn)的蟻群優(yōu)化算法 29
2.4.1 最大最小蟻群算法 29
2.4.2 具有變異和分工特征的蟻群算法 31
2.4.3 自適應(yīng)蟻群算法 32
2.5 蟻群優(yōu)化算法的典型應(yīng)用 33
2.6 本章小結(jié) 35
參考文獻(xiàn) 35
第3章 傳染病動力學(xué)模型及疫情優(yōu)化控制算法 38
3.1 引言 38
3.2 經(jīng)典倉室傳染病模型 39
3.2.1 SIS 模型 39
3.2.2 SIR 模型 40
3.2.3 SIRS 模型 41
3.3 多種群傳染病模型 42
3.4 網(wǎng)絡(luò)傳染病模型 43
3.5 基于Agent個體的傳染病模型 45
3.6 傳染病疫情優(yōu)化控制 46
3.6.1 疫情控制模型問題提出 47
3.6.2 傳染病疫情優(yōu)化控制模型 48
3.7 本章小結(jié) 50
參考文獻(xiàn) 50
第4章 粒子群優(yōu)化算法 54
4.1 引言 54
4.2 粒子群優(yōu)化算法的數(shù)學(xué)模型及算法流程 54
4.2.1 粒子群優(yōu)化算法的數(shù)學(xué)模型 54
4.2.2 粒子群優(yōu)化算法的算法流程 57
4.3 改進(jìn)的粒子群優(yōu)化算法 58
4.3.1 帶慣性權(quán)重的PSO 模型 58
4.3.2 帶收縮系數(shù)的PSO 模型 59
4.3.3 Bare Bones Particle Swarm(BBPS)模型 59
4.3.4 帶被動c-聚集的PSO 模型 60
4.3.5 基于拓?fù)浣Y(jié)構(gòu)的改進(jìn)算法 61
4.4 粒子群優(yōu)化算法的典型應(yīng)用 62
4.5 本章小結(jié) 63
參考文獻(xiàn) 63
第三篇 應(yīng)用篇
第5章 基于人工蟻群的無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)喚醒控制算法 69
5.1 引言 69
5.2 問題提出 72
5.3 算法實(shí)現(xiàn) 74
5.3.1 螞蟻搜索 75
5.3.2 信息素釋放 76
5.3.3 信息素?cái)U(kuò)散 77
5.3.4 信息素的積累 77
5.3.5 基于信息素的控制 78
5.4 參數(shù)設(shè)計(jì) 78
5.5 算法仿真結(jié)果比較 80
5.6 定理闡述 86
5.6.1 定理1和定理2 中各項(xiàng)參數(shù)的定義 86
5.6.2 定理1的證明 87
5.6.3 定理2的證明 89
5.7 本章小結(jié) 91
參考文獻(xiàn) 92
第6章 基于分布式傳染病模型的無線傳感網(wǎng)聯(lián)合預(yù)警與跟蹤 96
6.1 引言 96
6.2 問題提出 97
6.3 分布式傳染病模型 98
6.3.1 直接感染 101
6.3.2 交叉感染免疫/免疫缺失 101
6.3.3 交叉感染 102
6.3.4 病毒量積累 102
6.4 分布式傳染病模型與節(jié)點(diǎn)聯(lián)合喚醒控制問題 103
6.4.1 喚醒控制問題 103
6.4.2 基于分布式傳染病模型的聯(lián)合喚醒控制 104
6.5 參數(shù)設(shè)計(jì) 105
6.6 仿真分析 106
6.6.1 算法比較 107
6.6.2 算法魯棒性驗(yàn)證 108
6.6.3 交叉運(yùn)動雙目標(biāo)跟蹤 110
6.7 定理闡述 111
6.8 本章小結(jié) 112
參考文獻(xiàn) 113
第7章 基于粒子群算法的機(jī)場停機(jī)位分配求解 116
7.1 引言 116
7.2 機(jī)位分配問題描述 119
7.2.1 機(jī)位分配問題約束條件 119
7.2.2 機(jī)位分配問題的優(yōu)化目標(biāo)函數(shù) 124
7.3 機(jī)位分配優(yōu)化模型建立 126
7.3.1 假設(shè)條件 126
7.3.2 模型建立 126
7.4 基于粒子群算法的機(jī)位分配問題優(yōu)化求解 127
7.4.1 適應(yīng)度函數(shù)設(shè)計(jì) 127
7.4.2 航班分配層次排序算法設(shè)計(jì) 128
7.4.3 機(jī)位分配優(yōu)化模型約束處理 129
7.4.4 基于Round規(guī)則的停機(jī)位編碼設(shè)計(jì) 131
7.4.5 航班機(jī)位沖突判定算法的設(shè)計(jì) 132
7.4.6 求解停機(jī)位分配問題的PSO算法設(shè)計(jì) 132
7.5 實(shí)驗(yàn)仿真及數(shù)值分析 134
7.5.1 案例描述 134
7.5.2 參數(shù)設(shè)置 136
7.5.3 仿真結(jié)果 137
7.6 本章小結(jié) 140
參考文獻(xiàn) 140
第8章 基于粒子群算法的空間站組裝姿態(tài)指令優(yōu)化求解 143
8.1 引言 143
8.2 空間站組裝的數(shù)學(xué)模型 144
8.3 姿態(tài)指令優(yōu)化函數(shù)求解 148
8.3.1 梯度下降法 148
8.3.2 標(biāo)準(zhǔn)PSO算法 148
8.3.3 基于生物互利共生的雙種群PSO 算法 149
8.4 基于互利共生的雙種群PSO算法仿真實(shí)驗(yàn) 152
8.4.1 測試函數(shù)和參數(shù)設(shè)定 152
8.4.2 實(shí)驗(yàn)結(jié)果與分析 153
8.5 空間站組裝姿態(tài)指令優(yōu)化數(shù)值實(shí)驗(yàn) 158
8.5.1 參數(shù)設(shè)定 158
8.5.2 實(shí)驗(yàn)結(jié)果 158
8.6 本章小結(jié) 164
參考文獻(xiàn) 164
彩圖