群體智能預測與優(yōu)化

第1章 緒論
1.1 群體智能的基本概念
1.2 群體智能面臨的兩類問題
1.2.1 預測模型
1.2.2 優(yōu)化問題
1.3 群體智能解決問題的途徑
1.3.1 群體預測和個體預測的區(qū)別與聯(lián)系
1.3.2 群體優(yōu)化和個體優(yōu)化的區(qū)別與聯(lián)系
1.4 群體智能的一般框架
1.4.1 群體智能遵循的原則和特點
1.4.2 群體智能的一般框架
1.5 群體智能的研究途徑
1.5.1 研究視角
1.5.2 研究方法
第2章 生物群體與群體智能
2.1 生物學與群體智能
2.1.1 生物學的幾個分支
2.1.2 生物學對人工群體智能的啟示
2.2 典型的生物群體
2.2.1 集群微生物和集群無脊椎動物
2.2.2 社會昆蟲
2.2.3 非人類的脊椎動物
2.2.4 人類社會
2.2.5 其他
2.2.6 社會與智能
2.3 生物群體的社會性
2.3.1 群體組織結構
2.3.2 個體間的交互
2.3.3 群體發(fā)展動力
2.3.4 小結
2.4 群體智能的共性要素
2.4.1 時空環(huán)境
2.4.2 組織結構
2.4.3 通信與語言
2.4.4 競爭與合作
2.4.5 記憶與學習
2.4.6 決策與智慧
第3章 學習意義下的廣義群體智能框架
3.1 群體智能與進化
3.2 群體智能與學習
3.3 學習意義下的廣義群體智能框架
3.4 構建有效的群體智能算法
3.4.1 群體智能系統(tǒng)設計的一般原理
3.4.2 構建有效的群體智能預測算法
3.4.3 構建有效的群體智能優(yōu)化算法
第4章 神經(jīng)網(wǎng)絡集成概述
4.1 集成學習概述
4.1.1 集成學習的概念和核心思想
4.1.2 個體學習器與集成的性能指標
4.2 集成學習方法中的群體智能思想
4.2.1 bagging方法
4.2.2 boosting方法
4.2.3 stacking方法
4.2.4 選擇性集成
4.2.5 構造型集成
4.3 神經(jīng)網(wǎng)絡集成概述
4.3.1 神經(jīng)網(wǎng)絡集成的提出
4.3.2 集成中個體網(wǎng)絡的生成方法
4.3.3 集成的結論生成方法
4.4 建立預測模型時存在的問題
第5章 神經(jīng)網(wǎng)絡集成改進方法研究
5.1 群體神經(jīng)網(wǎng)絡中的選擇
5.1.1 選擇的準則
5.1.2 選擇的方法及存在的問題
5.1.3 基于改進貪心法的個體網(wǎng)絡選擇方法
5.1.4 仿真實例
5.1.5 小結
5.2 群體神經(jīng)網(wǎng)絡的多層結構
5.2.1 選擇性神經(jīng)網(wǎng)絡二次集成概述
5.2.2 兩次集成中選擇方法的匹配
5.2.3 基于gf方法的神經(jīng)網(wǎng)絡二次集成的實現(xiàn)
5.2.4 仿真實驗
5.2.5 小結
5.3 群體神經(jīng)網(wǎng)絡的結論決策
5.3.1 常用結論生成方法及存在的問題
5.3.2 基于改進的粒子群優(yōu)化（pso）算法的結論生成方法
5.3.3 基于改進pso算法的仿真實驗研究
5.3.4 基于改進pso算法的結論生成方法小結
5.4 基于混合算法的神經(jīng)網(wǎng)絡集成
5.4.1 gf方法和改進pso算法的結合
5.4.2 基于gf方法-改進pso算法的實例仿真實驗
5.4.3 討論與結論
5.5 小結
第6章 神經(jīng)網(wǎng)絡集成應用實例
6.1 構效關系預測模型
6.1.1 引言
6.1.2 基于隨機采樣技術和gfa方法的選擇性神經(jīng)網(wǎng)絡二次集成
6.1.3 苯乙酰胺類除草劑qsar的神經(jīng)網(wǎng)絡集成模型
6.2 物流中心選址模型
6.2.1 引言
6.2.2 基于bootstrap采樣技術和pso算法的神經(jīng)網(wǎng)絡二次集成模型
6.2.3 物流中心選址實例研究
6.3 發(fā)射藥近紅外光譜定量分析預測模型
6.3.1 研究的背景
6.3.2 發(fā)射藥成分的近紅外光譜分析
6.3.3 單個神經(jīng)網(wǎng)絡在建模中存在的問題
6.3.4 基于小波變換--神經(jīng)網(wǎng)絡集成的預測模型
6.3.5 基于改進神經(jīng)網(wǎng)絡集成的發(fā)射藥近紅外光譜定量分析預測模型
6.4 疾病診斷預測模型
6.4.1 研究的背景和意義
6.4.2 單個網(wǎng)絡建立診斷模型時存在的問題
6.4.3 基于神經(jīng)網(wǎng)絡集成的疾病診斷
6.4.4 改進的神經(jīng)網(wǎng)絡集成方法在乳腺癌診斷中的應用
第7章 粒子群優(yōu)化算法概述
7.1 基本pso算法
7.2 性能評價與“探索一開發(fā)”的平衡
7.2.1 性能評價
7.2.2 “探索一開發(fā)”的平衡
7.3 群體智能框架下的pso算法分析與改進
7.3.1 社會結構和通信方式
7.3.2 學習與記憶
7.3.3 群體策略行動
第8章 基于集成學習的粒子群算法
8.1 粒子個體的抽象
8.2 集成學習的基本應用
8.2.1 個體的集成學習
8.2.2 算法測試環(huán)境
8.3 粒子級上的集成混合算法
8.3.1 基于粒子級上的集成方法epso-p
8.3.2 階段性的epsotc-p
8.4 維度級上的集成
8.4.1 基于維度級上的集成方法epso-d
8.4.2 子種群策略
8.4.3 隨機性集成
8.4.4 擴展引導者的自適應集成
8.4.5 基于趨勢的混合學習
第9章 基于多智體和多軟件人系統(tǒng)協(xié)調(diào)的展望
9.1 多智體的信息結構和協(xié)調(diào)策略
9.1.1 多智體的信息結構
9.1.2 多智體系統(tǒng)的協(xié)調(diào)策略
9.2 “多軟件人系統(tǒng)”中的協(xié)調(diào)機制
9.2.1 “軟件人”自律協(xié)調(diào)機制
9.2.2 “軟件人”群的協(xié)商與協(xié)作
9.3 群體智能發(fā)展展望
參考文獻
后記
致謝