粒子群算法及其工業(yè)應用

《信息化與工業(yè)化兩化融合研究與應用》序
前言
第1章 緒論
1.1 引言
1.2 計算智能概述
1.3 群智能概述
1.3.1 蟻群算法簡介
1.3.2 人工魚群算法簡介
1.3.3 混合蛙跳算法簡介
1.3.4 粒子群算法簡介
參考文獻
第2章 基本粒子群算法
2.1 引言
2.2 基本粒子群算法的原理
2.3 基本粒子群算法的模型分析
2.4 基本粒子群算法的參數(shù)分析
2.5 基本粒子群算法的種群拓撲結構
2.6 基本粒子群算法的改進研究
參考文獻
第3章 測試函數(shù)特征與算法搜索模式
3.1 引言
3.2 測試函數(shù)特征與優(yōu)化性能
3.2.1 測試函數(shù)的控制域
3.2.2 單極值問題優(yōu)化性能分析
3.2.3 多極值問題優(yōu)化性能分析
3.2.4 欺騙性問題優(yōu)化性能分析
3.2.5 高維問題優(yōu)化性能分析
3.2.6 實驗仿真
3.3 粒子群算法的搜索模式
3.3.1 收斂模式
3.3.2 深度搜索模式
參考文獻
第4章 改進粒子群算法
4.1 社會粒子群算法
4.1.1 社會粒子群算法基本思想
4.1.2 社會粒子群算法實現(xiàn)步驟
4.1.3 社會粒子群算法從眾閾值的選取
4.1.4 靜態(tài)函數(shù)仿真測試
4.1.5 動態(tài)函數(shù)仿真測試
4.2 自適應粒子群算法
4.2.1 自適應粒子群算法思想
4.2.2 自適應粒子群算法實現(xiàn)步驟
4.2.3 自適應粒子群算法實驗測試
4.3 基于擾動變異的粒子群算法
4.3.1 基于高斯白噪聲擾動變異的粒子群算法
4.3.2 動態(tài)雙變異粒子群算法
4.4 混合粒子群算法
4.4.1 混沌粒子群算法
4.4.2 協(xié)同量子粒子群算法
4.4.3 基于量子理論的粒子群算法
4.5 相位角粒子群算法
4.5.1 相位角粒子群算法的結構
4.5.2 相位角粒子群算法實現(xiàn)步驟
4.5.3 函數(shù)仿真測試
4.6 基于載波的粒子群算法
4.6.1 基于載波的全局搜索
4.6.2 基于載波擴展的局部精確搜索
4.6.3 基于載波的粒子群算法實現(xiàn)步驟
4.6.4 函數(shù)仿真測試
參考文獻
第5章 粒子群算法在汽油調(diào)合優(yōu)化中的應用
5.1 汽油調(diào)合建模方法
5.1.1 辛烷值調(diào)合效應模型
5.1.2 雷德蒸汽壓模型
5.2 汽油調(diào)合優(yōu)化方法
5.2.1 離線調(diào)合優(yōu)化技術
5.2.2 在線調(diào)合優(yōu)化技術
5.3 汽油調(diào)合優(yōu)化方法仿真研究與現(xiàn)場應用
5.3.1 離線優(yōu)化技術的仿真學習
5.3.2 離線優(yōu)化技術的現(xiàn)場應用
5.3.3 在線優(yōu)化技術的仿真學習
參考文獻
第6章 粒子群算法在乙烯裝置優(yōu)化運行中的應用
6.1 乙烯裂解爐裂解深度優(yōu)化
6.1.1 乙烯裂解爐裂解深度優(yōu)化目標
6.1.2 乙烯裂解爐裂解深度優(yōu)化控制方案
6.2 乙烯裝置蒸汽管網(wǎng)用能優(yōu)化
6.2.1 乙烯裝置蒸汽管網(wǎng)用能優(yōu)化模型
6.2.2 基于協(xié)同量子粒子算法的蒸汽管網(wǎng)用能優(yōu)化
參考文獻
第7章 粒子群算法在精對苯二甲酸裝置優(yōu)化運行中的應用
7.1 PX氧化反應過程操作優(yōu)化
7.1.1 PX氧化反應動力學模型
7.1.2 神經(jīng)網(wǎng)絡宏觀速率常數(shù)模型
7.1.3 PX氧化反應宏觀動力學模型
7.1.4 乙酸和PX的燃燒損失模型
7.1.5 PX氧化反應過程的建模
7.1.6 基于口-PSO算法的PX氧化反應過程操作優(yōu)化
7.2 PX氧化反應尾氣冷凝系統(tǒng)用能優(yōu)化
7.2.1 PX氧化反應尾氣三級冷凝系統(tǒng)流程模擬
7.2.2 PX氧化反應尾氣四級冷凝系統(tǒng)流程模擬
7.2.3 基于混沌粒子群算法的PX氧化反應尾氣冷凝系統(tǒng)用能優(yōu)化
7.3 粗對苯二甲酸加氫精制反應過程操作優(yōu)化
7.3.1 加氫精制反應宏觀動力學模型
7.3.2 加氫精制反應器模型
7.3.3 加氫精制反應過程的建模
7.3.4 基于口-PSO算法的加氫精制反應過程的操作優(yōu)化
7.4 加氫精制過程結晶器一換熱器綜合網(wǎng)絡用能優(yōu)化
7.4.1 結晶器一換熱器綜合網(wǎng)絡模型
7.4.2 基于改進粒子群算法的結晶器一換熱器綜合網(wǎng)絡用能優(yōu)化
參考文獻
第8章 粒子群算法在建模和控制中的應用
8.1 軟測量建模
8.1.1 軟測量技術原理
8.1.2 粒子群算法在軟測量建模中的應用
8.1.3 基于動態(tài)雙變異粒子群的丙烯精餾塔軟測量建模
8.1.4 基于自適應粒子群的對羧基苯甲醛軟測量建模
8.2 超聲馬達的辨識與控制
8.2.1 基于異化粒子群算法的Elman網(wǎng)絡學習算法
8.2.2 基于DPS0學習算法的Elman網(wǎng)絡對超聲馬達的辨識
8.2.3 基于DPS0學習算法的Elman網(wǎng)絡對超聲馬達的速度控制
參考文獻
第9章 粒子群算法在車間調(diào)度作業(yè)中的應用
9.1 車間作業(yè)調(diào)度
9.1.1 JobShop調(diào)度問題描述
9.1.2 JSSP性能指標的正規(guī)性、等價性和活動調(diào)度
9.2 基于粒子群優(yōu)化的車間作業(yè)調(diào)度問題求解
9.2.1 粒子群系統(tǒng)中JSSP問題的表述
9.2.2 初始粒子群生成
9.2.3 目標函數(shù)和適應度函數(shù)
9.2.4 冗余性與二級編碼
9.2.5 粒子群系統(tǒng)的更新方式
9.2.6 基于粒子群優(yōu)化求解JSSP問題的流程
9.2.7 數(shù)值模擬實驗及結果
9.3 基于粒子群優(yōu)化與人工免疫系統(tǒng)的混合智能算法求解車間作業(yè)調(diào)度問題
9.3.1 基于人工免疫系統(tǒng)的車間作業(yè)調(diào)度問題求解
9.3.2 基于PS()和AIS的混合智能算法
9.3.3 數(shù)值模擬實驗及結果
參考文獻
第10章 粒子群算法在數(shù)據(jù)挖掘中的應用
10.1 數(shù)據(jù)挖掘概述
10.1.1 數(shù)據(jù)挖掘的產(chǎn)生及發(fā)展
10.1.2 數(shù)據(jù)挖掘的定義與功能
10.1.3 粒子群優(yōu)化算法在數(shù)據(jù)挖掘中的應用
10.2 免疫混合粒子群增量分類算法
10.2.1 免疫記憶
10.2.2 人工免疫分類方法
10.2.3 基于免疫記憶的粒子群增量算法
10.2.4 仿真分析
參考文獻
附錄A 常用的測試函數(shù)