新書推薦：
《
那一抹嫣红
》
售價：HK$
70.8
《
十八岁出门远行
》
售價：HK$
54.0
《
新能源与智能汽车技术丛书——智能车辆感知、轨迹规划与控制
》
售價：HK$
141.6
《
鼻科学与前颅底手术——基于案例分析
》
售價：HK$
357.6
《
弗吉尼亚·伍尔夫传：作家的一生
》
售價：HK$
105.6
《
不胜欢喜
》
售價：HK$
63.4
《
现代欧洲史：1500—1815
》
售價：HK$
105.6
《
高颜值创意饮品：咖啡 茶饮 鸡尾酒 气泡水
》
售價：HK$
71.8
|
| 編輯推薦： |
|
（1）算法的研究富有理论实践双重意义，本书对近年提出的一些活跃算法，如群智能算法、蝙蝠算法和布谷鸟算法等，从算法理论、机制、流程、代码、改进和应用等方面进行了系统阐述和深入分析。（2）群智能优化算法，为现实中存在的大量不可微、非线性、不确定性复杂问题提供了方便实用的化求解途径和方法。
|
| 內容簡介： |
|
近年来，基于生物群体智能的启发式优化方法研究发展迅速，相继出现一些性能优越、影响广泛的算法。这些方法模仿自然界中生物系统的群体合作行为和适宜性进化选择，可快速逼近问题的解。本书通过对认可程度高、优化效果好、应用广的萤火虫算法、蝴蝶优化算法、樽海鞘群算法、鲸鱼优化算法等进行了系统介绍和研究，对经典启发式优化方法的流程进行了梳理，给出了理论和实验分析方法与结果，为进一步研究这些算法提供了参考和借鉴。
|
| 關於作者： |
刘景森，河南大学软件学院教授、硕士生导师、工学博士。主要研究方向：智能算法、优化控制、网络信息安全等。主持完成省部级以上科研项目10余项，作为主要参加人完成多个纵向项目、国防基础研究项目和横向项目。发表专业论文40余篇，其中SCI、EI检索20余篇；主（合）编教材3部。
李煜，河南大学商学院教授，管理学博士，主要研究方向：智能优化、电子商务、供应链物流管理。完成国家、省（部）级项目多项，发表专业论文50余篇，其中SSCI、SCI检索20余篇。
|
| 目錄：
|
第1章绪论/
1.1基于群智能的生物启发式优化方法/
1.2粒子群算法/
1.2.1基本思想/
1.2.2算法流程/
1.2.3PSO伪代码/
1.3蚁群算法/
1.3.1基本思想/
1.3.2算法流程/
1.3.3ACO伪代码/
1.4蝙蝠算法/
1.4.1基本思想/
1.4.2算法流程/
1.4.3BA伪代码/
1.5布谷鸟搜索算法/
1.5.1基本思想/
1.5.2算法流程/
1.5.3CSA伪代码/
参考文献/
第2章萤火虫算法/
2.1基本萤火虫算法/
2.1.1基本思想/
2.1.2FA算法流程/
2.1.3FA伪代码/
2.1.4研究现状/
2.2具有振荡约束的自然选择萤火虫优化算法(OCSFA)/
2.2.1OCSFA改进策略/
2.2.2OCSFA算法流程/
2.2.3OCSFA伪代码/
2.2.4时间复杂度分析/
2.2.5收敛性证明/
2.2.6求解标准测试函数优化问题/
参考文献/
第3章蝴蝶优化算法/
3.1基本蝴蝶优化算法/
3.1.1基本思想/
3.1.2BOA算法流程/
3.1.3BOA伪代码/
3.1.4研究现状/
3.2融合差分变异策略和进化自适应权重的蝴蝶优化算法(DMABOA)/
3.2.1DMABOA改进策略/
3.2.2DMABOA算法流程/
3.2.3DMABOA伪代码/
3.2.4时间复杂度分析/
3.2.5收敛性证明/
3.2.6DMABOA中各改进机制的影响分析/
3.2.7求解多维复杂函数极值优化问题/
参考文献/
第4章樽海鞘群算法/
4.1基本樽海鞘群算法/
4.1.1基本思想/
4.1.2SSA算法流程/
4.1.3SSA伪代码/
4.1.4研究现状/
4.2引入有效缩放和随机交叉策略的自适应动态角色樽海鞘群算法（ERDSSA）/
4.2.1ERDSSA改进策略/
4.2.2ERDSSA算法流程/
4.2.3ERDSSA伪代码/
4.2.4时间复杂度分析/
4.2.5求解工程设计约束优化问题/
参考文献/
第5章鲸鱼优化算法/
5.1基本鲸鱼优化算法/
5.1.1基本思想/
5.1.2WOA算法流程/
5.1.3WOA伪代码/
5.1.4研究现状/
5.2基于分段式随机惯性权重和反馈机制的鲸鱼优化算法（FWOA）/
5.2.1FWOA改进策略/
5.2.2FWOA算法流程/
5.2.3FWOA伪代码/
5.2.4时间复杂度分析/
5.2.5求解CEC基准测试函数优化问题/
5.2.6求解工程设计约束优化问题/
参考文献/
第6章总结与展望/
附录/
索引
|
| 內容試閱：
|
1.1基于群智能的生物启发式优化方法
优化是一种具有普适性的工程数学问题和求解方法，它探索约束条件下问题的解。优化问题广泛而多样，许多问题都可归纳为优化问题。传统的优化方法主要有动态规划法、共轭梯度法、分支界定法、牛顿迭代法、拉格朗日乘子法等。但随着社会的不断发展，面对规模越来越大、复杂程度越来越高的各种实际问题，这些基于微积分和穷举搜索的确定性数值优化方法的缺陷日益明显，难以在合理时间内给出问题的有效解。探索解决大规模复杂性优化问题的全新优化方法，对于促进科学技术及社会经济的发展具有重要意义。
基于生物群体智能的启发式优化算法是求解复杂优化问题的主要方法之一，这类方法使用概率而不是确定性规则，能够快速解决大规模复杂性问题并能得到满意解。近年来，基于群智能的生物启发式优化方法因性能高效、结果优越、原理简单、易于实现等优点，吸引了众多学者的兴趣，成为智能计算领域的重要发展方向和研究热点。比较有影响的算法包括模拟飞鸟集群觅食行为提出的粒子群算法(Particle Swarm Optimization， PSO)，受蚂蚁寻找食物过程中释放信息素发现路径行为启发提出的蚁群算法(Ant Colony Optimization， ACO)，模拟蝙蝠利用声呐探测猎物、避开障碍物的蝙蝠算法(Bat Algorithm， BA)，受布谷鸟寄生育雏行为启发提出的布谷鸟搜索算法(Cuckoo Search Algorithm， CSA)，模拟萤火虫通过自身发光特性交换信息的萤火虫算法(Firefly Algorithm， FA)，模拟蚁狮捕食蚂蚁过程的蚁狮优化算法(Ant Lion Optimizer， ALO)，受座头鲸特殊捕食行为启发提出的鲸鱼优化算法(Whale Optimization Algorithm， WOA)，受樽海鞘在海洋中游弋和觅食行为启发提出的樽海鞘群算法(Salp Swarm Algorithm， SSA)，受蝴蝶觅食行为启发提出的蝴蝶优化算法(Butterfly Optimization Algorithm， BOA)，等等。这些算法的不断提出和持续改进为智能优化算法的研究与应用增添了新的活力，相关算法广泛应用于路径规划、数据聚类、工程设计、图像分割、财务预测、任务分配、资源管理、能源系统等领域。
但由NFL(No-Free-Lunch)定理可知，没有一个算法可以解决所有优化问题。这意味着一个算法在解决一组问题上表现很好，却并不一定能解决另外一组优化问题。同样，生物启发式算法也存在求解不够稳定，有时收敛速度较慢、寻优精度不高，易陷入局部极值，问题和维度适应性较弱等问题。为此，需要在大量的机制探讨、实验测试、统计分析基础上不断研究、改进、完善和应用，进而为解决大规模复杂优化问题提供良好的思路与方案。
目前，对于生物启发式群智能优化方法的创新性研究主要聚焦于寻优机制、演化架构、理论基础和应用求解等方面。
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
