先進(jìn)多目標(biāo)粒子群優(yōu)化理論及其應(yīng)用

《智能科學(xué)技術(shù)著作叢書》序
前言
第1章 多目標(biāo)粒子群優(yōu)化入門
1．1 多目標(biāo)優(yōu)化問題
1．1．1 基本概念
1．1．2 經(jīng)典多目標(biāo)求解方法
1 1．3 多目標(biāo)進(jìn)化優(yōu)化方法
1．2 粒子群優(yōu)化算法
1．2．1 算法的起源及發(fā)展
1．2．2 算法的基本原理
1．2．3 算法參數(shù)
1．2．4 粒子群拓?fù)?br />1．3 多目標(biāo)粒子群優(yōu)化算法
1．3．1 外部儲備集
1．3．2 粒子引導(dǎo)者的更新或選擇
1．3．3 粒子群多樣性
1．3．4 其他研究成果
1．4 主要內(nèi)容及組織
1．5 本章小結(jié)
參考文獻(xiàn)
第2章 基于最小角度的粒子引導(dǎo)者選擇策略
2．1 研究動機
2．2 基于最小角度的粒子全局引導(dǎo)者選擇
2．3 基于粒子濃度的個體引導(dǎo)者更新
2．3．1 所提粒子個體引導(dǎo)者更新策略
2．3．2 進(jìn)一步解釋
2．4 基于最小角度的多目標(biāo)粒子群優(yōu)化算法
2．5 在數(shù)值函數(shù)優(yōu)化問題中的應(yīng)用
2．5．1 測試函數(shù)及參數(shù)設(shè)置
2．5．2 性能比較測度
2．5．3實驗結(jié)果及分析
2．6 本章小結(jié)
參考文獻(xiàn)
第3章 外部儲備集的兩階段更新策略
3．1 研究動機
3．2 外部儲備集的更新
3．2．1 基本思想
3．2．2 兩階段轉(zhuǎn)化條件及網(wǎng)格劃分閣值的確定
3．2．3網(wǎng)格劃分方法
3．2．4 兩階段儲備集更新步驟
3．3 外部儲備集候選點的選取
3．3．1 基本思想
3．3．2 儲備集候選點選取機制
3．3．3 進(jìn)一步解釋
3．4 基于兩階段儲備集更新的多目標(biāo)粒子群優(yōu)化算法
3．5 在數(shù)值函數(shù)優(yōu)化問題中的應(yīng)用
3．5．1 測試函數(shù)及參數(shù)設(shè)置
3．5．2 儲備集更新策略分析
3．5．3 儲備集候選點選取機制分析
3．6 本章小結(jié)
參考文獻(xiàn)
第4章 少控制參數(shù)的多目標(biāo)骨干粒子群優(yōu)化
4．1 研究動機
4．2 傳統(tǒng)骨干粒子群優(yōu)化算法
4．3 多目標(biāo)骨干粒子群優(yōu)化
4．3．1 初始化
4．3．2 粒子個體引導(dǎo)者的更新
4．3．3 粒子全局引導(dǎo)者的選擇
4．3．4 粒子位置的更新
4．3．5 時變變異
4．3．6 外部儲備集的更新
4．3．7 復(fù)雜性分析
4．4 在數(shù)值函數(shù)優(yōu)化問題中的應(yīng)用
4．4．1 測試函數(shù)
4．4．2 性能測度
4．4．3 比較算法
4．4．4 仿真結(jié)果廈其分析
4．5 本章小結(jié)
參考文獻(xiàn)
第5章 基于目標(biāo)分割的多種群協(xié)同粒子群進(jìn)化
5．1 研究動機
5．2 所提多目標(biāo)粒子群優(yōu)化算法
5．2．1 面向從種群的改進(jìn)粒子群優(yōu)化方法
5．2．2 局部版多目標(biāo)粒子群優(yōu)化方法
5．3 在數(shù)值函數(shù)優(yōu)化問題中的應(yīng)用
5．3．1 準(zhǔn)備工作
5．3．2 仿真結(jié)果及其分析
5．4 關(guān)鍵算子分析
5．4．1 局部版多目標(biāo)粒子群優(yōu)化方法的作用
5．4．2 類半徑的作用
5．5 本章小結(jié)
參考文獻(xiàn)
第6章 用于約束優(yōu)化的多目標(biāo)骨干粒子群優(yōu)化算法
6．1 研究動機
6．2 約束多目標(biāo)骨干粒子群優(yōu)化算法
6．2．1 含約束支配關(guān)系
6．2．2 粒子個體引導(dǎo)者的更新
6．2．3 可行和非可行儲備集的更新
6．2．4 粒子全局引導(dǎo)者的選擇
6．2．5 算法步驟
6．3 在數(shù)值函數(shù)優(yōu)化問題中的應(yīng)用
6．3．1 測試函數(shù)
6．3．2 實驗框架
6．3．3 比較結(jié)果及分析
6．4 本章小結(jié)
參考文獻(xiàn)
第7章 基于概率支配的區(qū)間多目標(biāo)粒子群優(yōu)化算法
7．1 研究動機
7．2 相關(guān)工作
7．2．1 基本概念
7．2．2 用于區(qū)間多目標(biāo)優(yōu)化問題的進(jìn)化優(yōu)化
7．3 所提區(qū)間多目標(biāo)粒子群優(yōu)化算法
7．3．1 Pareto概率支配
7．3．2 外部儲備集的更新
7．3．3 粒子個體引導(dǎo)者的更新
7．3．4 粒子全局引導(dǎo)者的選擇
7．3．5 算法步驟
7．4 在數(shù)值函數(shù)優(yōu)化問題中的應(yīng)用
7．4．1 測試問題
7．4．2 參數(shù)設(shè)置
7．4．3 算法性能測度
7．4．4 儲備集更新策略的可行性分析
7．4．5 性能比較
7．5 本章小結(jié)
參考文獻(xiàn)
第8章 面向異質(zhì)數(shù)據(jù)的多目標(biāo)粒子群特征選擇方法
8．1 研究背景
8．2 相關(guān)工作
8．2．1 傳統(tǒng)的特征選擇方法
8．2．2 基于進(jìn)化優(yōu)化的特征選擇方法
8．3 問題建模
8．4 所提多目標(biāo)粒子群特征選擇方法
8．4．1 粒子編碼
8．4．2 儲備集的更新
8．4．3 粒子全局引導(dǎo)者的選擇
8．4．4粒子擾動
8．4．5 算法步驟
8．5 實例分析
8．5．1 粒子全局引導(dǎo)者選擇方法分析
8．5．2 粒子擾動策略分析
8．5．3 對比實驗及分析
8．6 本章小結(jié)
參考文獻(xiàn)
第9章 面向不確定機器人全局路徑規(guī)劃的多目標(biāo)粒子群優(yōu)化方法
9．1 研究背景
9．2 問題建模
9．2．1 環(huán)境建模
9．2．2 路徑性能指標(biāo)
9．2．3 優(yōu)化目標(biāo)
9．3 所提約束多目標(biāo)粒子群優(yōu)化方法
9．3．1 粒子編碼
9．3．2 含約束支配關(guān)系
9．3．3粒子個體引導(dǎo)者的更新
9．3．4 儲備解的更新
9．3．5 粒子全局引導(dǎo)者的選擇
9．3．6 粒子位置的更新
9．3．7 算法步驟
9．4 實例分析
9．4．1 實例1
9．4．2 實例2
9．4．3 實例3
9．5 本章小結(jié)
參考文獻(xiàn)
第10章 面向區(qū)間收益多項目選址的粒子群優(yōu)化方法
10．1 研究背景
10．2 問題建模
10．3 模型的精確化
10．3．1 P-可信度指標(biāo)
10．3．2 MLP-2模型的精確化
10．4 基于對換變異的粒子群優(yōu)化求解方法
10．4．1 粒子編碼
10．4．2 粒子解碼
10．4．3 對換變異
10．4．4 算法步驟
10．5 實例分析
10．5．1 問題描述及算法參數(shù)設(shè)置
10．5．2 精確化方法的可行性分析
10．5．3 所提算法的性能分析
10．6 本章小結(jié)
參考文獻(xiàn)
附錄 部分多目標(biāo)粒子群優(yōu)化算法源程序
附錄A 基本粒子群優(yōu)化算法源程序
附錄B 第4章 多目標(biāo)骨干粒子群優(yōu)化算法源程序
附錄C 第9章 多目標(biāo)粒子群機器人路徑規(guī)劃方法源程序