熱力學(xué)粒子群優(yōu)化算法研究及其應(yīng)用

第1章　緒論
　1.1　智能與智能科學(xué)
　1.2　人工智能
　1.3　計(jì)算智能
　　1.3.1　演化計(jì)算
　　1.3.2　模擬退火算法
　　1.3.3　禁忌搜索
　　1.3.4　免疫算法
　1.4　群智能
　　1.4.1　粒子群優(yōu)化算法
　　1.4.2　蟻群算法
　　1.4.3　魚(yú)群算法
　　1.4.4　其他群智能算法
第2章　粒子群優(yōu)化算法研究現(xiàn)狀
　2.1　粒子群優(yōu)化算法思想起源和發(fā)展
　　2.1.1　粒子群優(yōu)化算法的思想起源
　　2.1.2　粒子群優(yōu)化算法的發(fā)展
　2.2　粒子群優(yōu)化算法的理論分析
　2.3　粒子群優(yōu)化算法的種群結(jié)構(gòu)
　　2.3.1　靜態(tài)鄰域拓?fù)浣Y(jié)構(gòu)研究
　　2.3.2　動(dòng)態(tài)鄰域拓?fù)浣Y(jié)構(gòu)研究
　2.4　粒子群優(yōu)化算法的參數(shù)選擇及優(yōu)化
　2.5　粒子群優(yōu)化算法與其他思想的融合
　2.6　粒子群優(yōu)化算法的應(yīng)用研究
第3章　基于分子運(yùn)動(dòng)論的粒子群優(yōu)化算法
　3.1　分子運(yùn)動(dòng)論的發(fā)展過(guò)程
　3.2　改進(jìn)的粒子群優(yōu)化算法
　3.3　實(shí)驗(yàn)仿真與結(jié)果分析
　3.4　吸引和排斥階段的行為分析
　　3.4.1　吸引和排斥的比例變化
　　3.4.2　粒子到群質(zhì)心距離最大、最小和平均值的變化曲線
　3.5　MPSO算法的參數(shù)選取及優(yōu)化
　　3.5.1　正交試驗(yàn)設(shè)計(jì)
　　3.5.2　基于正交試驗(yàn)設(shè)計(jì)的參數(shù)選擇和優(yōu)化
第4章　基于伊藤過(guò)程的粒子群優(yōu)化算法
　4.1　伊藤過(guò)程
　4.2　伊藤算法
　　4.2.1　伊藤過(guò)程的抽象
　　4.2.2　伊藤算法的框架及關(guān)鍵算子的設(shè)計(jì)
　4.3　基于伊藤過(guò)程的三種改進(jìn)粒子群優(yōu)化算法
　　4.3.1　具有漂移算子的粒子群優(yōu)化算法
　　4.3.2　IPS01算法的初步實(shí)驗(yàn)
　　4.3.3　具有漂移和波動(dòng)算子的粒子群優(yōu)化算法
　　4.3.4　基于熱力學(xué)選擇機(jī)制的漂移粒子群優(yōu)化算法
　　4.3.5　實(shí)驗(yàn)仿真與結(jié)果分析
第5章　基于擴(kuò)散機(jī)制的雙種群粒子群優(yōu)化算法
　5.1　擴(kuò)散現(xiàn)象
　5.2　擴(kuò)散定律及擴(kuò)散系數(shù)
　5.3　融合擴(kuò)散機(jī)制的雙種群粒子群優(yōu)化算法
　　5.3.1　相關(guān)工作
　　5.3.2　DPSO算法的思想和流程
　5.4　實(shí)驗(yàn)結(jié)果及分析
　5.5　借鑒不同熱運(yùn)動(dòng)機(jī)制的PSO算法對(duì)比分析
第6章　基于粒子群優(yōu)化算法的非線性模型參數(shù)估計(jì)
　6.1　參數(shù)估計(jì)
　6.2　非線性模型
　　6.2.1　漸近回歸模型
　　6.2.2　Logistic模型
　6.3　非線性模型的參數(shù)估計(jì)
　　6.3.1　真實(shí)數(shù)據(jù)
　　6.3.2　隨機(jī)采樣數(shù)據(jù)
第7章　基于策略模式的粒子群優(yōu)化算法平臺(tái)設(shè)計(jì)
　7.1　設(shè)計(jì)模式
　7.2　策略模式
　7.3　算法平臺(tái)設(shè)計(jì)與實(shí)現(xiàn)
　　7.3.1　算法平臺(tái)設(shè)計(jì)
　　7.3.2　算法平臺(tái)實(shí)現(xiàn)
　　7.3.3　算法平臺(tái)演示
參考文獻(xiàn)