人工蜂群算法及其应用PDF格式文档图书下载

第1章 绪论 1

1.1 最优化问题与最优化方法 1

1.1.1 优化的概念与数学模型 1

1.1.2 最优化问题与方法的分类 3

1.1.3 最优化问题的复杂性及NP理论 4

1.2 最优化算法的研究与发展 5

1.3 群体智能优化算法概述 7

1.4 几种群体智能优化算法简介 8

1.4.1 标准遗传算法 8

1.4.2 粒子群算法 10

1.4.3 蚁群算法 12

1.4.4 人工鱼群算法 14

1.5 人工蜂群算法研究与应用概述 16

1.5.1 人工蜂群算法的提出与改进 16

1.5.2 人工蜂群算法与其他算法的融合 19

1.5.3 人工蜂群算法在多领域中的应用 21

1.5.4 人工蜂群算法总结 29

1.6 本章小结 30

参考文献 30

第2章 基本人工蜂群算法 47

2.1 人工蜂群算法基本概念 47

2.2 人工蜂群算法实现步骤 53

2.3 人工蜂群算法搜索策略分析 56

2.4 应用实例：基本测试函数的优化 56

2.5 人工蜂群算法的特点及参数设置 57

2.6 MATLAB程序设计 58

2.7 本章小结 62

参考文献 63

第3章 人工蜂群算法的性能分析与改进 66

3.1 人工蜂群算法收敛性证明 66

3.1.1 人工蜂群算法的Markov链模型 66

3.1.2 人工蜂群算法收敛性证明 68

3.2 人工蜂群算法参数对优化结果的影响分析 71

3.3 整数人工蜂群算法 72

3.3.1 整数优化的人工蜂群算法 72

3.3.2 实验结果与分析 72

3.4 量子人工蜂群算法 74

3.4.1 量子计算 74

3.4.2 量子人工蜂群算法 74

3.4.3 实验结果与分析 77

3.5 小生境人工蜂群算法 78

3.5.1 小生境技术 78

3.5.2 小生境人工蜂群算法 79

3.5.3 实验结果与分析 80

3.6 全局人工蜂群算法 83

3.6.1 基本人工蜂群算法的不足 83

3.6.2 全局人工蜂群算法 84

3.6.3 实验结果与分析 86

3.7 MATLAB程序设计 89

3.8 本章小结 94

参考文献 94

第4章 混合蜂群算法 97

4.1 基于量子和高斯分布的改进人工蜂群算法 97

4.1.1 量子和高斯分布的改进蜂群算法 97

4.1.2 实验结果与分析 98

4.2 禁忌搜索-蜂群混合优化算法 100

4.2.1 禁忌搜索 100

4.2.2 禁忌搜索蜂群算法 101

4.2.3 实验结果与分析 103

4.3 模拟退火-蜂群混合优化算法 106

4.3.1 模拟退火算法 106

4.3.2 模拟退火蜂群算法 108

4.3.3 实验结果与分析 109

4.4 基于高斯变异和混沌扰动的人工蜂群算法 110

4.4.1 高斯变异和混沌扰动的人工蜂群算法 111

4.4.2 算法流程 113

4.4.3 实验结果与分析 113

4.5 基于copula分布估计的改进人工蜂群算法 115

4.5.1 分布估计算法 115

4.5.2 阿基米德copula分布估计算法 116

4.5.3 基于阿基米德copula分布估计算法改进的ABC算法 119

4.5.4 实验设计 122

4.5.5 实验结果与分析 125

4.6 差分进化-蜂群混合优化算法 126

4.6.1 差分进化算法 126

4.6.2 差分进化蜂群算法 129

4.6.3 差分与蜂群融合算法 131

4.6.4 差分和蜂群算法结合分析 133

4.7 本章小结 134

参考文献 134

第5章 并行人工蜂群算法 137

5.1 算法并行性的分析 137

5.1.1 自然界存在的并行性 137

5.1.2 遗传算法并行性的分析 137

5.1.3 模拟退火算法并行性的分析 138

5.1.4 人工蜂群算法并行性的分析 138

5.2 并行人工蜂群算法的介绍 139

5.2.1 粗粒度并行算法 139

5.2.2 细粒度并行算法 139

5.2.3 主从式并行算法 140

5.2.4 算法并行策略的选择 141

5.3 基于MPI实现并行多集群并行计算 141

5.3.1 MPI的概念 141

5.3.2 MPI函数参数说明 142

5.3.3 常用的MPI编程函数 143

5.3.4 MPI编写进化计算算法 144

5.4 并行人工蜂群算法求解高维函数最优值的问题 147

5.4.1 问题概述 147

5.4.2 典型高维函数 147

5.4.3 并行人工蜂群算法求解方法概述与硬件环境配置 148

5.4.4 并行人工蜂群算法求解具体步骤 148

5.4.5 实验结果与分析 150

5.5 改进并行人工蜂群算法求解旅行商问题 151

5.5.1 问题简介 151

5.5.2 旅行商问题的描述 152

5.5.3 并行人工蜂群算法的建模策略 152

5.5.4 并行人工蜂群算法的步骤 152

5.5.5 实验结果与分析 153

5.6 本章小结 153

参考文献 154

第6章 人工蜂群算法在函数优化中的应用 155

6.1 无约束优化测试函数 155

6.2 有约束优化测试函数 156

6.3 多目标优化测试函数 157

6.3.1 多目标优化问题 157

6.3.2 多目标优化评价指标 158

6.3.3 基于人工蜂群算法的多目标优化 160

6.3.4 仿真结果与分析 161

6.4 动态优化测试函数 163

6.4.1 动态优化问题中蜂群算法的搜索策略 164

6.4.2 动态优化的性能评价与分析 164

6.4.3 蜂群算法实现动态目标函数优化 165

6.4.4 动态环境下多模函数的寻优 168

6.5 MATLAB程序设计 169

6.6 本章小结 179

参考文献 179

第7章 人工蜂群算法在工程中的应用 181

7.1 图像边缘检测和图像增强 181

7.1.1 图像边缘检测 181

7.1.2 图像增强 185

7.2 神经网络参数优化 188

7.2.1 PCNN模型 189

7.2.2 基于ABC-PCNN模型的图像分割 191

7.2.3 实验结果与分析 192

7.3 基于蜂群算法的聚类 193

7.3.1 K均值聚类 193

7.3.2 基于蜂群算法的K均值聚类 194

7.3.3 模糊C-均值图像分割算法 195

7.3.4 实验结果与分析 197

7.4 人脸识别 198

7.4.1 人工蜂群算法中改进的自适应步长 198

7.4.2 基于改进人工蜂群算法的人脸识别 198

7.4.3 实验结果与分析 199

7.5 鲁棒PID控制器设计 200

7.5.1 PID控制器理论及性能指标 201

7.5.2 鲁棒PID控制器的设计 202

7.5.3 实验结果与分析 204

7.6 波束成型技术 205

7.6.1 问题的提出 205

7.6.2 阵列天线信号模型 206

7.6.3 基于人工蜂群算法的波束图综合 206

7.6.4 实验结果与分析 207

7.7 车间工件调度问题 208

7.7.1 车间工件调度问题 208

7.7.2 自适应变步长人工蜂群算法 210

7.7.3 车间工件调度算法及步骤 211

7.7.4 实验结果与分析 211

7.8 智能交通优化调度 214

7.8.1 公交车调度模型 214

7.8.2 设计实现步骤 216

7.8.3 实验结果与分析 217

7.9 电力系统优化调度 219

7.9.1 电力系统调度模型 219

7.9.2 设计实现步骤 221

7.9.3 实验结果与分析 221

7.10 无线传感器网络覆盖优化 223

7.10.1 无线传感器网络的覆盖问题 223

7.10.2 无线传感器网络的连通问题 224

7.10.3 无线传感器网络动态部署 224

7.10.4 实验结果与分析 228

7.11 鲁棒通信定位 230

7.11.1 定位算法 230

7.11.2 设计实现步骤 231

7.11.3 实验结果与分析 232

7.12 通信基站建站费用最小问题 233

7.12.1 最小费用问题 233

7.12.2 设计实现步骤 235

7.12.3 实验结果与分析 237

7.13 电视监控最优布网 237

7.13.1 电视监控优化模型 237

7.13.2 设计实现步骤 240

7.13.3 实验结果与分析 241

7.14 三维路径规划 242

7.14.1 路径规划问题 242

7.14.2 设计实现步骤 246

7.14.3 实验结果与分析 247

7.15 多聚焦图像融合 249

7.15.1 图像融合 249

7.15.2 小波变换 249

7.15.3 多聚焦图像融合实现 250

7.15.4 实验结果与分析 251

7.16 旅行商问题 251

7.16.1 旅行商问题概述 251

7.16.2 设计实现步骤 252

7.16.3 实验结果与分析 253

7.17 认知无线电频谱分配 255

7.17.1 认知无线电中的频谱分配 255

7.17.2 图论模型的数学描述 255

7.17.3 实验结果与分析 257

7.18 MATLAB程序设计 259

7.19 本章小结 264

参考文献 264

附录A 常用术语英汉对照表 268

附录B 测试函数集 270

附录C 人工蜂群算法相关网站 278

查看更多关于人工蜂群算法及其应用的内容