本書圍繞粒子群優(yōu)化算法在優(yōu)化領(lǐng)域存在的不足，并結(jié)合具體工業(yè)生產(chǎn)過程的實(shí)際應(yīng)用，對(duì)粒子群優(yōu)化算法進(jìn)行了改進(jìn)和應(yīng)用研究。本書基于合作協(xié)同算法框架，將各種局部?jī)?yōu)化、全局優(yōu)化、自適應(yīng)等策略融入到微粒群優(yōu)化算法，以克服傳統(tǒng)微粒群算法某些方面的缺陷，較大幅度地改進(jìn)了算法性能，構(gòu)建了面向大規(guī)模復(fù)雜優(yōu)化問題的微粒群智能計(jì)算框架體系，并利用通用的組合優(yōu)化和實(shí)數(shù)優(yōu)化問題對(duì)算法進(jìn)行了驗(yàn)證，將其應(yīng)用于函數(shù)優(yōu)化、柔性車間調(diào)度、環(huán)境經(jīng)濟(jì)調(diào)度、帶時(shí)間窗的車輛路徑優(yōu)化及低碳供應(yīng)鏈選址-路徑-庫(kù)存集成優(yōu)化等實(shí)際管理工程復(fù)雜問題，在應(yīng)用過程中體現(xiàn)了合作協(xié)同微粒群計(jì)算的有效性和實(shí)用性，為求解大規(guī)模復(fù)雜問題提供理論基礎(chǔ)與方法支持。 本書可作為計(jì)算機(jī)、電氣自動(dòng)化技術(shù)、管理科學(xué)與工程等相關(guān)專業(yè)高年級(jí)本科生或研究生智能計(jì)算方法課程的教材，也可作為計(jì)算機(jī)、電氣自動(dòng)化技術(shù)、管理科學(xué)與工程等相關(guān)行業(yè)研究和開發(fā)的參考書。
伍大清，女，博士畢業(yè)于東華大學(xué)管理科學(xué)與工程專業(yè)；2004/07 至今在南華大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院講授數(shù)據(jù)挖掘、智能決策相關(guān)內(nèi)容課程。
目 錄
第1章 緒論 1
1.1 研究背景與意義 1
1.2 國(guó)內(nèi)外研究進(jìn)展 2
1.2.1 合作協(xié)同演化算法研究進(jìn)展 2
1.2.2 微粒群優(yōu)化算法研究進(jìn)展 4
1.2.3 微粒群優(yōu)化計(jì)算典型應(yīng)用 8
1.3 研究目的 10
1.4 研究?jī)?nèi)容 10
1.5 創(chuàng)新點(diǎn) 11
第2章 相關(guān)理論 13
2.1 引言 13
2.2 最優(yōu)化理論 13
2.2.1 單目標(biāo)優(yōu)化問題 14
2.2.2 多目標(biāo)優(yōu)化問題 16
2.3 合作協(xié)同演化理論 18
2.4 智能計(jì)算方法 19
2.4.1 微粒群優(yōu)化算法 19
2.4.2 蜂群優(yōu)化算法 22
2.5 小結(jié) 25
第3章 基于自適應(yīng)學(xué)習(xí)的并行協(xié)同微粒群算法及理論研究 26
3.1 引言 26
3.2 基于自適應(yīng)學(xué)習(xí)的并行PSO算法 26
3.2.1 并行協(xié)同演化策略 27
3.2.2 自適應(yīng)學(xué)習(xí)機(jī)制 28
3.2.3 HLPSO算法步驟 28
3.2.4 HLPSO算法實(shí)現(xiàn) 29
3.3 自適應(yīng)學(xué)習(xí)的并行PSO算法理論基礎(chǔ) 30
3.3.1 HLPSO算法收斂性分析 30
3.3.2 HLPSO算法復(fù)雜度分析 32
3.4 HLPSO在函數(shù)優(yōu)化中的應(yīng)用 33
3.4.1 測(cè)試函數(shù) 33
3.4.2 均值方差對(duì)比 35
3.4.3 雙側(cè)T-檢驗(yàn) 36
3.5 小結(jié) 36
第4章 基于多階段協(xié)同微粒群智能優(yōu)化算法 37
4.1 引言 37
4.2 多階段協(xié)同微粒群智能優(yōu)化算法 37
4.2.1 DMPSOABC算法思想 37
4.2.2 DMPSOABC算法模型 38
4.2.3 DMPSOABC算法描述 40
4.2.4 DMPSOABC算法實(shí)現(xiàn) 41
4.3 DMPSOABC算法時(shí)間復(fù)雜度分析 42
4.4 DMPSOABC算法在函數(shù)優(yōu)化中的應(yīng)用 42
4.4.1 測(cè)試函數(shù) 42
4.4.2 實(shí)驗(yàn)?zāi)康?44
4.4.3 實(shí)驗(yàn)環(huán)境 44
4.4.4 參數(shù)設(shè)置 45
4.4.5 實(shí)驗(yàn)結(jié)果 46
4.5 基于多階段協(xié)同的柔性作業(yè)車間智能調(diào)度 51
4.5.1 柔性作業(yè)車間調(diào)度問題數(shù)學(xué)模型 51
4.5.2 柔性作業(yè)車間調(diào)度算法描述 52
4.5.3 實(shí)例驗(yàn)證 56
4.6 小結(jié) 61
第5章 基于空間自適應(yīng)劃分的動(dòng)態(tài)種群多目標(biāo)優(yōu)化算法 62
5.1 引言 62
5.2 基于空間自適應(yīng)劃分的動(dòng)態(tài)多目標(biāo)優(yōu)化算法 62
5.2.1 ECMPSO算法思想 62
5.2.2 ECMPSO算法模型 66
5.2.3 ECMPSO算法描述 67
5.3 ECMPSO算法時(shí)間復(fù)雜度分析 68
5.4 實(shí)驗(yàn)測(cè)試 68
5.4.1 測(cè)試函數(shù)及參數(shù)設(shè)置 68
5.4.2 參數(shù)敏感性分析 70
5.4.3 測(cè)試結(jié)果 74
5.5 ECMPSO在解決環(huán)境經(jīng)濟(jì)調(diào)度問題中的應(yīng)用 80
5.5.1 環(huán)境經(jīng)濟(jì)調(diào)度的數(shù)學(xué)模型 80
5.5.2 環(huán)境經(jīng)濟(jì)調(diào)度算法描述 81
5.5.3 仿真實(shí)驗(yàn)與分析 82
5.6 小結(jié) 84
第6章 基于集合編碼的車輛路徑多目標(biāo)優(yōu)化模型及算法 86
6.1 引言 86
6.2 帶時(shí)間窗車輛路徑多目標(biāo)優(yōu)化模型 86
6.3 基于集合編碼的帶時(shí)間窗車輛路徑多目標(biāo)優(yōu)化算法 88
6.3.1 算法思想 88
6.3.2 種群編碼 88
6.3.3 初始化種群 89
6.3.4 粒子更新 90
6.3.5 局部搜索策略 93
6.3.6 算法描述 93
6.4 實(shí)驗(yàn)仿真與結(jié)果分析 94
6.4.1 測(cè)試問題 94
6.4.2 性能評(píng)價(jià)指標(biāo) 94
6.4.3 實(shí)驗(yàn)結(jié)果 95
6.4.4 實(shí)例分析 99
6.5 小結(jié) 100
第7章 低碳供應(yīng)鏈選址—路徑—庫(kù)存集成優(yōu)化模型及算法 101
7.1 引言 101
7.2 考慮碳排放的CLIRP模型 103
7.2.1 問題描述及假設(shè) 103
7.2.2 模型構(gòu)建 104
7.3 基于兩階段協(xié)同多目標(biāo)微粒群的CLRIP決策算法 108
7.3.1 算法思想 108
7.3.2 算法模型 110
7.3.3 算法描述 110
7.4 數(shù)值與算例分析 111
7.5 小結(jié) 117
第8章 總結(jié)與展望 118
8.1 本書的主要工作和結(jié)論 118
8.2 對(duì)未來(lái)工作的研究展望 119
參考文獻(xiàn) 120
新書資訊