數(shù)學建模方法是研究化工過程的一種有效方法，由于化工過程影響因素多、波動大、反應機理復雜，因此，所建立的模型大多比較復雜，用傳統(tǒng)的數(shù)學方法很難求解，而人工智能在該領域大有用武之地。諸如高爐煉鐵和石油裂解等融進各種優(yōu)化模型的專家系統(tǒng)很早就出現(xiàn)在了化工冶金企業(yè)中，人工智能優(yōu)化正在為這些領域帶來新的發(fā)展動力。
通過數(shù)學建模方法分析化工過程所得到的優(yōu)化方案可以直接由生產過程檢驗，因而上馬容易，見效迅速，且通過對參數(shù)的調整可以不必改進設備。因此，該領域是研究的熱點。該領域內容豐富，發(fā)展迅猛，《群智能算法及化工優(yōu)化問題》僅是拋磚引玉。
《群智能算法及化工優(yōu)化問題》可供化學工程、計算智能工作者，科研人員及大學生有關專業(yè)高年級學生、研究生、教師使用。
概論
第一章 化工優(yōu)化模型
1．1 數(shù)學模型
1．2 化工問題的數(shù)學模型
1．3 化工優(yōu)化問題的數(shù)學模型
1．4 本章小結
第二章 優(yōu)化問題的回顧與分析
2．1 優(yōu)化問題的概論
2．1．1 概述
2．1．2 優(yōu)化問題的數(shù)學模型
2．1．3 優(yōu)化問題的分類
2．2 優(yōu)化問題的求解
2．2．1 優(yōu)化問題的全局最優(yōu)解與局部最優(yōu)解
2．2．2 全局最優(yōu)解與局部最優(yōu)解的關系
2．2．3 求解全局最優(yōu)解的困難所在
2．2．4 優(yōu)化問題的求解方法
2．3 優(yōu)化問題及求解方法的演變分析
2．4 全局優(yōu)化算法的分類
2．5 傳統(tǒng)優(yōu)化算法的不足
2．6 本章小結
第三章 信息原理與群搜索
3．1 引言
3．2 信息
3．3 信息方法
3．3．1 信息方法的含義
3．3．2 信息方法的步驟
3．4 信息融合
3．5 基于信息方法的優(yōu)化算法
3．5．1 遺傳算法
3．5．2 蟻群算法
3．5．3 粒子群算法
3．6 搜索
3．6．1 搜索的相關概念
3．6．2 單點搜索
3．6．3 群搜索
3．6．4 群搜索算法研究解決的問題及其發(fā)展前景
3．6．4．1 算法設計及改進研究
3．6．4．2 算法的應用研究
3．7 本章小結
第四章 群智能優(yōu)化算法及其收斂研究
4．1 引言
4．2 粒子群算法的產生背景及基本模式
4．3 粒子群算法的拓撲結構和鄰域結構
4．3．1 影響拓撲結構的主要因素
4．3．2 鄰域結構和迭代式之間的對應關系
4．3．3 幾種典型的拓撲結構
4．3．4 不同拓撲結構的效果比較
4．4 粒子的運動分析
4．4．1 PSO的Gbest粒子運動分析
4．4．2 PSO的Pbest粒子運動分析
4．4．3 PSO的Common粒子運動分析
4．4．4 PSD分析
4．5 人工魚群算法
4．6 人工螢火蟲算法
4．6．1 GS0算法
4．6．1．1 算法的數(shù)學描述與分析
4．6．1．2 算法流程
4．6．2 FA算法
4．6．2．1 算法的數(shù)學描述與分析
4．6．2．2 算法步驟
4．7 蝙蝠算法
4．7．1 蝙蝠算法的原理與數(shù)學描述
4．7．2 蝙蝠算法基本流程
4．8 本章小結
第五章 粒子群優(yōu)化算法求解多目標優(yōu)化問題
5．1 引言
5．2 多目標優(yōu)化問題的數(shù)學描述與一般的求解法
5．2．1 多目標優(yōu)化問題的數(shù)學描述
5．2．2 多目標優(yōu)化問題的解法
5．2．2．1 基于單目標的多目標求解方法
5．2．2．2 基于進化計算的多目標求解方法
5．3 粒子群優(yōu)化算法求解多目標優(yōu)化問題的理想有效解
5．3．1 多目標優(yōu)化問題的理想有效解
5．3．2 粒子群優(yōu)化算法求多目標優(yōu)化問題的理想有效解
5．3．2．1 算法的基本思想
5．3．2．2 算法流程
5．3．2．3 算法的測試
5．3．2．4 算法性能分析
5．4 粒子群優(yōu)化算法求解多目標優(yōu)化問題的應用
5．5 本章小結
第六章 改進粒子群算法求解動態(tài)優(yōu)化問題
6．1 引言
6．2 動態(tài)優(yōu)化的數(shù)學描述與分類
6．2．1 動態(tài)優(yōu)化的數(shù)學描述
6．2．2 動態(tài)優(yōu)化的分類
6．3 動態(tài)優(yōu)化的一般解析方法
6．3．1 變分法或基于極大值原理的解法
6．3．2 基于最優(yōu)原理的動態(tài)規(guī)劃方法
6．4 求解動態(tài)優(yōu)化問題的現(xiàn)行數(shù)值方法
6．4．1 梯度法
6．4．2 動態(tài)規(guī)劃方法
6．5 改進的粒子群算法求解動態(tài)優(yōu)化問題
6．5．1 混沌粒子群算法求解邊值不確定的動態(tài)優(yōu)化問題
6．5．2 混沌在求解優(yōu)化問題中的應用
6．5．3 混沌粒子群優(yōu)化算法
6．5．4 混沌粒子群算法求解動態(tài)優(yōu)化問題的一般步驟
6．5．5 混沌粒子群算法求解動態(tài)優(yōu)化問題的應用
6．5．6 粒子群優(yōu)化法求解邊值給定的動態(tài)優(yōu)化問題
6．6 本章小結
第七章 共軛粒子群優(yōu)化算法與二進制粒子群優(yōu)化算法
7．1 引言
7．2 粒子群算法的數(shù)學分析
7．3 共軛粒子群優(yōu)化算法
7．3．1 共軛方向法
7．3．2 共軛方向粒子群算法
7．3．3 算法的性能測試
7．3．4 算法的性能分析
7．4 共軛粒子群算法的應用
7．4．1 PSO與CDPSO對模型參數(shù)的估計
7．4．2 結果分析
7．5 二進制表示的粒子群優(yōu)化算法
7．5．1 二進制粒子群優(yōu)化算法提出的原理
7．5．2 二進制粒子群優(yōu)化算法的基本步驟
7．5．3 二進制粒子群優(yōu)化算法的性能測試與分析
7．6 BPSO在求解換熱網(wǎng)絡優(yōu)化問題（HEN problem）中的應用
7．7 本章小結
第八章 自適應布谷鳥算法及其在化工優(yōu)化中的應用
8．1 引言
8．2 動態(tài)優(yōu)化問題的描述
8．3 變步長自適應cs算法
8．3．1 基本CS算法
8．3．2 變步長策略
8．3．3 變步長自適應CS（VSACS）算法流程
8．4 函數(shù)測試
8．4．1 標準測試函數(shù)
8．4．2 測試結果
8．5 變步長自適應布谷鳥搜索算法（VSACS）在化工動態(tài)優(yōu)化中的應用
8．5．1 批式反應器
8．5．2 管式反應器
8．5．3 ParlkRamirez生物反應器（PRb）
8．5．4 實驗結果及討論
8．6 本章小結
符號說明
參考文獻
新書資訊