粒子群算法及其应用
点此进入淘宝搜索页搜索分类: 图书,计算机/网络,计算机理论,
作者： 段晓东 王存睿 刘向东 编著
出 版 社： 辽宁大学出版社
出版时间： 2007-12-1字数： 330000版次： 1页数： 261印刷时间： 2007/12/01开本： 16开印次： 1纸张： 胶版纸I S B N ： 9787561047439包装： 平装内容简介
粒子群算法（PSO）不仅仅是一种高效的优化计算技术，其中也蕴含群体进化所形
成的复杂生存策略和学习机制。首先，从鸟群行为规律和人类社会学习理论等方面
系统地论述了粒子群算法的学习机制和信息利用策略；其次，系统地介绍了多种群
协作和保持群体多样性等算法改进机制与粒子群算法的融合模型。
在粒子群算法的工程应用领域，本书较详细地讲述了算法在约束优化、多目标优化和组合优化中的学习策略和编码方案，同时给出了粒子群算法在数据挖掘诸多领域的应用实例，如神经网络训练、分类器设计、聚类分析和网络社区发现等，并给出了详细的代码设计。
本书适合高等院校高年级本科生、研究生阅读，也可供研究群智能理论的有关人员参考。
目录
目 录
第1章 绪论 1
1.1 群智能概述2
1.2 群智能仿真3
1.2.1 群体生物行为的复杂性3
1.2.2 生物群体行为的仿真 6
1.2.3 基于Agent的系统模型仿真7
1.3 群智能计算8
1.3.1蚁群算法9
1.3.2粒子群算法简介11
1.4 本书的组织12
参考文献14
第2章 基本粒子群算法及其起源17
2.1 粒子系统17
2.2 从鸟群行为规律到粒子群算法20
2.3 由社会认知心理学到粒子群算法23
2.4 由演化计算衍生粒子群算法26
2.5 基本粒子群算法29
2.5.1 粒子群算法的行为参数设置30
2.5.2 基本粒子群算法的算法流程33
2.5.3 粒子群简单实例及算法实现33
参考文献40
第3章 粒子群算法的改进42
3.1 参数改进型粒子群算法42
3.1.1 惯性因子改进模型42
3.1.2 收敛性分析及收敛因子43
3.1.3 具有时变加速因子的自组织粒子群算法49
3.1.4 信息结构与中值粒子群算法52
3.2 基于模式结构的改进算法56
3.2.1不同拓扑结构改进型粒子群算法57
3.2.2 社会分工粒子群算法58
3.2.3 协同粒子群算法60
3.2.4 自然选择粒子群算法61
3.2.5 动态系统自适应粒子群算法61
3.2.6全连通粒子群算法62
3.3 基于种群多样性的改进算法67
3.3.1 基于种群熵的自适应粒子群算法67
3.3.2 不同种群结构的描述72
3.3.3 种群多样性与种群结构的关系74
3.4 全局算法77
3.4.1 序列生境技术77
3.4.2 函数延伸80
3.5 离散粒子群算法81
3.6 并行粒子群算法81
3.6.1 主从式并行粒子群模型81
3.6.2 孤岛型并行粒子群模型84
3.6.3元胞结构并行粒子群模型85
3.6.4 并行模型的复杂度分析86
3.6.5 并行算法模型的可扩展性87
3.6.6 元胞并行粒子群模型收敛分析88
参考文献89
第4章 粒子群算法与优化计算92
4.1 最优化问题92
4.1.1 函数优化问题93
4.1.2 组合优化问题94
4.1.3 邻域函数与局部搜索95
4.1.4 优化中的No Free Lunch 理论96
4.2 约束优化问题97
4.2.1 惩罚函数98
4.2.2 粒子群算法求解约束优化103
4.3 粒子群算法与多目标规划105
4.3.1 多目标优化问题描述105
4.3.2 非支配解106
4.3.3 偏好结构107
4.3.4 基本求解方法108
4.3.5 问题的结构和特性111
4.3.6 多目标规划的粒子群求解111
4.4 粒子群算法在组合优化中的应用117
4.4.1 旅行商问题117
4.4.2 最小生成树问题120
参考文献126
第5章 粒子群算法同其它仿生算法的融合130
5.1 粒子群算法与神经网络方法的融合130
5.1.1 人工神经网络模型131
5.1.2 基于粒子群算法的神经网络训练算法137
5.1.3 粒子群算法与神经网络融合的其它应用140
5.2 粒子群算法与遗传算法的融合145
5.2.1 遗传算法简介145
5.2.2 带交叉和子群的混合粒子群算法145
5.2.3 基于粒子群的混合遗传算法146
5.3 粒子群算法与其它仿生算法的比较152
5.3.1 算法的相同点152
5.3.2 算法的差异153
参考文献155
第6章 粒子群算法在数据挖掘中的应用157
6.1 数据挖掘功能及方法157
6.1.1 数据挖掘功能158
6.1.2 数据挖掘方法163
6.2 粒子群算法在数据分类中的应用165
6.2.1 数据分类的主要分类算法165
6.2.2 基于粒子群算法的分类规则挖掘174
6.3 粒子群算法在数据聚类中的应用182
6.3.1 聚类算法的分类182
6.3.2 典型的划分方法183
6.3.3 基于粒子群的聚类算法187
6.3.4 应用实例187
6.3.5 基于粒子群聚类算法的图像分割189
6.4 粒子群算法在Web社区识别中的应用193
6.4.1 传统的Web网络社区结构发现算法193
6.4.2 基于粒子群算法的网络社区划分模型194
6.4.3 孤立点修复策略196
6.4.4 测试及结果分析197
参考文献202
附录205
A 粒子群算法相关国际学术组织及其会议205
B 源程序清单206
B.1 基于PSO的多层前馈神经网络分类器程序206
B.2 基于粒子群算法的分类器程序220
B.3 基于粒子群算法的混合遗传算法解MST程序244
书摘插图
第1章 绪论
在研究自然界的生物群体行为时，人们会惊奇地发现，群体系统所拥有的鲁棒性和应对复杂问题的解决能力，往往是依靠一套在个体间和个体与环境间的交互规则来完成的。例如，单只蚂蚁的能力极其有限，但当这些简单的蚂蚁组成蚁群时，却能够完成筑巢、觅食、清扫蚁穴等复杂行为。一群看似盲目的蜂群，却能造出精美的蜂窝，鸟群在没有集中控制的情况下能够同步飞行等。
在这些生物群体中，个体可以很快地适应群体的变化来应对外界的变化和挑战，同时群体又表现出非凡的自组织行为。自20世纪50年代开始，这种现象既吸引了仿生学家们的注意，同时也给计算机科学家、数学家等相关领域的学者带来启示。人们从生物进化的机理出发，提出了许多用于解决复杂问题的新方法。这些方法一类是用于优化计算，如群智能中的粒子群算法和蚁群优化算法及进化计算中的遗传算法、进化规划、进化策略等；另一些方法被用于复杂系统的仿真，如数字社会、虚拟市场等。类似这些利用生命系统的行为、功能和特征来研究计算和仿真问题的方法，被称为仿生计算方法（Bionics Computation‘method）。
群智能（Swarm Intelligence，简称为sI）计算方法作为新兴的仿生计算方法已成为越来越多研究者的关注焦点，主要包括两种被广泛应用的算法：蚁群算法（AntColony Optimization，简称为ACO）…和粒子群算法（Particle Swarm Optimization，简称为PSO）。前者是对蚂蚁群体食物采集过程的模拟，已成功解决了许多离散的优化计算问题，由意大利学者Dorigo.M于1991年首次提出。粒子群算法是受鸟群、鱼群等生物群落的防御、猎食行为中的搜索策略启发而形成的，是由美国学者Kennedy和Eberhart在1995年提出的，已在函数优化、神经网络训练、模式分类、模糊系统控制以及其他工程领域得到了广泛的应用。
……
