午夜福利亚洲精品无遮挡,亚l亚洲无码在线第一页,国产线路一

內(nèi)容簡(jiǎn)介

　　粒子群優(yōu)化（Particle Swarm Optimization，PSO）算法是在鳥(niǎo)群、魚(yú)群及人類(lèi)的行為規(guī)律的啟發(fā)下提出的，具有概念簡(jiǎn)單、控制參數(shù)少、易于實(shí)現(xiàn)等優(yōu)點(diǎn)。PSO自提出以來(lái)受到了研究者的廣泛關(guān)注，并在諸多領(lǐng)域獲得了成功應(yīng)用。但是，PSO研究也存在亟需解決的問(wèn)題，如優(yōu)化過(guò)程中容易出現(xiàn)早期收斂或停滯的現(xiàn)象，無(wú)法促使種群進(jìn)化發(fā)展；粒子的信息加工方式與優(yōu)化性能的關(guān)系；運(yùn)動(dòng)方程中學(xué)習(xí)參數(shù)的設(shè)置對(duì)群體進(jìn)化的影響：如何平衡進(jìn)化過(guò)程中收斂速度和收斂精度等問(wèn)題。針對(duì)這些問(wèn)題，《新型粒子群優(yōu)化模型及應(yīng)用》提出了相應(yīng)的理論分析和改進(jìn)算法，并將改進(jìn)算法應(yīng)用于實(shí)際問(wèn)題。《新型粒子群優(yōu)化模型及應(yīng)用》可以作為高等院校計(jì)算機(jī)科學(xué)與技術(shù)、控制科學(xué)與工程、應(yīng)用數(shù)學(xué)、運(yùn)籌與管理等相關(guān)專(zhuān)業(yè)高年級(jí)本科生和研究生的教材，也可供從事群體智能研究的科研人員參考。

作者簡(jiǎn)介

暫缺《新型粒子群優(yōu)化模型及應(yīng)用》作者簡(jiǎn)介

圖書(shū)目錄

前言
第1章緒論
1．1 優(yōu)化理論的基本概念
1．2 群體智能概述
1．3 PSO模型
1．3．1 PSO模型的思想來(lái)源
1．3．2 PSO模型的基本原理
1．4 PSO的研究現(xiàn)狀
1．4．1 PSO的優(yōu)化性能
1．4．2 PSO的理論分析
1．4．3 PSO的應(yīng)用研究
1．5 本書(shū)的組織結(jié)構(gòu)
參考文獻(xiàn)
第2章粒子群優(yōu)化算法
2．1 帶線(xiàn)性慣性權(quán)重的PSO算法
2．2 時(shí)變加速系數(shù)PSO算法
2．3 骨干PSO算法
2．4 全信息PSO算法
2．5 廣泛學(xué)習(xí)PSO算法
2．6 本章小結(jié)
參考文獻(xiàn)
第3章 PSO算法的學(xué)習(xí)參數(shù)與種群多樣性關(guān)系
3．1 引言
3．2 種群多樣性的定義
3．3 種群多樣性的期望
3．4 學(xué)習(xí)參數(shù)與種群多樣性的關(guān)系
3．4．1 慣性權(quán)重對(duì)多樣性期望的影響
3．4．2 加速系數(shù)對(duì)多樣性期望的影響
3．4．3 慣性權(quán)重和加速系數(shù)對(duì)多樣性期望的共同影響。
3．5 本章小結(jié)
參考文獻(xiàn)
第4章相關(guān)性PSO模型
4．1 引言
4．2 隨機(jī)因子的認(rèn)知分析
4．3 基于Copula的相關(guān)性PSO模型
4．3．1 關(guān)聯(lián)因子及其度量
4．3．2 C‘，opula函數(shù)
4．3．3 模型描述
4．3．4 模型實(shí)現(xiàn)
4．4 相關(guān)性PSO模型的種群多樣性分析
4．4．1 種群多樣性的數(shù)學(xué)期望
4．4．2 實(shí)驗(yàn)分析
4．5 相關(guān)性PS0模型的收斂性分析
4．5．1 粒子位置收斂性分析
4．5．2 粒子位置方差收斂性分析
4．6 仿真實(shí)驗(yàn)
4．7 本章小結(jié)
參考文獻(xiàn)
第5章 PSO學(xué)習(xí)參數(shù)的概率特性分析
5．1 引言
5．2 相關(guān)性PSO學(xué)習(xí)參數(shù)的概率特性
5．2．1 SPSO學(xué)習(xí)參數(shù)的概率特性及分析
5．2．2 PL．CPSO學(xué)習(xí)參數(shù)的概率特性及分析’
5．2．3 NL．CPS（）學(xué)習(xí)參數(shù)的概率特性及分析
5．3 自適應(yīng)相關(guān)性PsO算法
5．3．1 算法原理
5．3．2 仿真實(shí)驗(yàn)
5．4 本章小結(jié)
參考文獻(xiàn)
第6章多學(xué)習(xí)模式相關(guān)性PSO算法
6．1 引言
6．2 雙學(xué)習(xí)模式相關(guān)性PsO算法
6．2．1 全局學(xué)習(xí)模式
6．2．2 學(xué)習(xí)模式間的交互
6．2．3 雙學(xué)習(xí)模式相關(guān)性PSO算法的描述
6．2．4 仿真實(shí)驗(yàn)
6．3 三學(xué)習(xí)模式相關(guān)性PsO算法
6．3．1 算法描述
6．3．2 仿真實(shí)驗(yàn)
6．4 本章小結(jié)
參考文獻(xiàn)
第7章求解多目標(biāo)優(yōu)化的問(wèn)題
7．1 引言
7．2 多目標(biāo)優(yōu)化
7．2．1 多目標(biāo)優(yōu)化問(wèn)題的數(shù)學(xué)描述
7．2．2 主要的多目標(biāo)PS~）算法
7．3 多目標(biāo)相關(guān)性PSO算法
7．3．1 策略設(shè)計(jì)
7．3．2 算法描述
7．4 仿真實(shí)驗(yàn)
7．4．1 實(shí)驗(yàn)設(shè)計(jì)
7．4．2 實(shí)驗(yàn)結(jié)果分析
7．5 本章小結(jié)
參考文獻(xiàn)
第8章改進(jìn)的骨干粒子群算法
8．1 引言
8．2 BBPSO算法及其運(yùn)動(dòng)行為分析
8．2．1 BBPSO算法
8．2．2 BBPSO行為分析
8．3 并行協(xié)作BBPS0
8．3．1 主群的學(xué)習(xí)機(jī)制
8．3．2 從群的學(xué)習(xí)機(jī)制
8．3．3 交互機(jī)制
8．4 數(shù)值實(shí)驗(yàn)及分析
8．4．1 測(cè)試函數(shù)和參數(shù)設(shè)置
8．4．2 評(píng)價(jià)指標(biāo)
8．4．3 算法的收斂精度和速度比較
8．5 本章小結(jié)
參考文獻(xiàn)
第9章證券投資組合問(wèn)題中的應(yīng)用
9．1 引言
9．2 證券投資組合模型分析
9．2．1 證券投資組合的概率準(zhǔn)則模型
9．2．2 多因素證券投資組合模型
9．3 相關(guān)性PSO求解證券投資組合問(wèn)題
9．3．1 基于單目標(biāo)的證券投資組合問(wèn)題求解
9．3．2 基于多目標(biāo)的證券投資組合問(wèn)題求解
9．4 仿真實(shí)驗(yàn)
9．4．1 求解證券投資組合的概率準(zhǔn)則模型實(shí)驗(yàn)
9．4．2 求解多因素證券投資組合問(wèn)題實(shí)驗(yàn)
9．5 本章小結(jié)
參考文獻(xiàn)
第10章基于骨干粒子群算法的圖像分割方法
10．1 引言
10．2 最佳閾值選取
10．3 基于BBPS0的多閾值分割算法
10．4 仿真實(shí)驗(yàn)與性能測(cè)試
10．4．1 參數(shù)設(shè)置
10．4．2 實(shí)驗(yàn)結(jié)果
10．5 本章小結(jié)
參考文獻(xiàn)
附錄1
附錄2