目錄
第 1 章 粒子群算法原理及其編程實現(xiàn) 1
1.1 粒子群算法的基本原理 1
1.2 粒子算法的 MATLAB 實現(xiàn) 3
1.2.1 種群初始化 3
1.2.2 適應(yīng)度函數(shù) 5
1.2.3 邊界檢查和約束函數(shù) 6
1.2.4 粒子群算法代碼 7
1.3 粒子群算法的 Python 實現(xiàn) 9
1.3.1 種群初始化 9
1.3.2 適應(yīng)度函數(shù) 11
1.3.3 邊界檢查和約束函數(shù) 12
1.3.4 粒子群算法代碼 13
1.4 基于粒子群算法的函數(shù)尋優(yōu) 14
1.4.1 問題描述 14
1.4.2 適應(yīng)度函數(shù)設(shè)計 16
1.4.3 主函數(shù)設(shè)計 16
第 2 章 智能優(yōu)化算法基準測試集 19
2.1 基準測試集簡介 19
2.2 基準測試函數(shù)繪圖以及測試函數(shù)代碼編寫 21
2.2.1 F1 函數(shù) 21
2.2.2 F2 函數(shù) 23
2.2.3 F3 函數(shù) 24
2.2.4 F4 函數(shù) 26
2.2.5 F5 函數(shù) 28
2.2.6 F6 函數(shù) 30
2.2.7 F7 函數(shù) 32
2.2.8 F8 函數(shù) 33
2.2.9 F9 函數(shù) 35
2.2.10 F10 函數(shù) 37
2.2.11 F11 函數(shù) 39
2.2.12 F12 函數(shù) 41
2.2.13 F13 函數(shù) 43
2.2.14 F14 函數(shù) 46
2.2.15 F15 函數(shù) 48
2.2.16 F16 函數(shù) 50
2.2.17 F17 函數(shù) 52
2.2.18 F18 函數(shù) 53
2.2.19 F19 函數(shù) 55
2.2.20 F20 函數(shù) 58
2.2.21 F21 函數(shù) 60
2.2.22 F22 函數(shù) 62
2.2.23 F23 函數(shù) 64
第 3 章 智能優(yōu)化算法評價指標 67
3.1 平均值 67
3.2 標準差 67
3.3 值和最差值 68
3.4 Wilcoxon 秩和檢驗 69
3.5 Friedman 秩和檢驗 70
3.6 收斂曲線 71
第 4 章 混沌映射理論 73
4.1 Chebyshev 混沌映射 73
4.1.1 基本原理 73
4.1.2 代碼實現(xiàn) 74
4.2 Circle 混沌映射 75
4.2.1 基本原理 75
4.2.2 代碼實現(xiàn) 75
4.3 Gauss 混沌映射 77
4.3.1 基本原理 77
4.3.2 代碼實現(xiàn) 77
4.4 Iterative 混沌映射 79
4.4.1 基本原理 79
4.4.2 代碼實現(xiàn) 79
4.5 Logistic 混沌映射 81
4.5.1 基本原理 81
4.5.2 代碼實現(xiàn) 81
4.6 Piecewise 混沌映射 83
4.6.1 基本原理 83
4.6.2 代碼實現(xiàn) 83
4.7 Sine 混沌映射 85
4.7.1 基本原理 85
4.7.2 代碼實現(xiàn) 85
4.8 Singer 混沌映射 87
4.8.1 基本原理 87
4.8.2 代碼實現(xiàn) 87
4.9 Sinusoidal 混沌映射 89
4.9.1 基本原理 89
4.9.2 代碼實現(xiàn) 89
4.10 Tent 混沌映射 91
4.10.1 基本原理 91
4.10.2 代碼實現(xiàn) 91
4.11 Fuch 混沌映射 93
4.11.1 基本原理 93
4.11.2 代碼實現(xiàn) 93
4.12 SPM 混沌映射 95
4.12.1 基本原理 95
4.12.2 代碼實現(xiàn) 95
4.13 ICMIC 混沌映射 97
4.13.1 基本原理 97
4.13.2 代碼實現(xiàn) 97
4.14 Tent-Logistic-Cosine 混沌映射 99
4.14.1 基本原理 99
4.14.2 代碼實現(xiàn) 99
4.15 Logistic-Sine-Cosine 混沌映射 101
4.15.1 基本原理 101
4.15.2 代碼實現(xiàn) 101
4.16 Sine-Tent-Cosine 混沌映射 103
4.16.1 基本原理 103
4.16.2 代碼實現(xiàn) 103
4.17 Henon 混沌映射 105
4.17.1 基本原理 105
4.17.2 代碼實現(xiàn) 105
4.18 Cubic 混沌映射 107
4.18.1 基本原理 107
4.18.2 代碼實現(xiàn) 107
4.19 Logistic-Tent 混沌映射 109
4.19.1 基本原理 109
4.19.2 代碼實現(xiàn) 109
4.20 Bernoulli 混沌映射 111
4.20.1 基本原理 111
4.20.2 代碼實現(xiàn) 111
第 5 章 基于混沌映射理論的算法改進 113
5.1 種群初始化改進 113
5.1.1 基于混沌映射改進種群初始化的粒子群算法 113
5.1.2 基于混沌映射改進種群初始化的粒子群算法的尋優(yōu)求解 150
5.2 種群內(nèi)部擾動 170
5.2.1 基于混沌映射改進的粒子群算法 170
5.2.2 基于混沌映射改進的粒子群算法的尋優(yōu)求解 204
第 6 章 基于隨機變異改進的粒子群算法 218
6.1 基于高斯變異改進的粒子群算法 218
6.1.1 高斯變異 218
6.1.2 基于高斯變異改進的粒子群算法代碼實現(xiàn) 219
6.2 基于柯西變異改進的粒子群算法 223
6.2.1 柯西變異 223
6.2.2 基于柯西變異改進的粒子群算法代碼實現(xiàn) 224
6.3 基于 t 分布變異改進的粒子群算法 228
6.3.1 t 分布變異 228
6.3.2 基于 t 分布變異改進的粒子群算法代碼實現(xiàn) 229
6.4 基于反向?qū)W習(xí)改進的粒子群算法 233
6.4.1 反向?qū)W習(xí)策略 233
6.4.2 基于反向?qū)W習(xí)改進的粒子群算法代碼實現(xiàn) 233
6.5 基于透鏡反向?qū)W習(xí)改進的粒子群算法 237
6.5.1 透鏡反向?qū)W習(xí)策略 237
6.5.2 基于透鏡反向?qū)W習(xí)改進的粒子群算法代碼實現(xiàn) 238
6.6 基于 Levy 飛行改進的粒子群算法 243
6.6.1 Levy 飛行 243
6.6.2 基于 Levy 飛行改進的粒子群算法代碼實現(xiàn) 244
6.7 基于隨機變異改進的粒子群算法測試 248
6.7.1 函數(shù)封裝 248
6.7.2 代碼實現(xiàn) 249
6.7.3 尋優(yōu)求解 254
第 7 章 多策略改進的粒子群算法 260
7.1 曲線遞增策略的自適應(yīng)粒子群算法 260
7.1.1 曲線遞增策略 260
7.1.2 代碼實現(xiàn) 261
7.1.3 尋優(yōu)求解對比 265
7.2 加權(quán)變異的粒子群算法 269
7.2.1 自適應(yīng)權(quán)重和自適應(yīng)學(xué)習(xí)因子 269
7.2.2 加權(quán)變異 269
7.2.3 高斯擾動 270
7.2.4 代碼實現(xiàn) 271
7.2.5 尋優(yōu)求解對比 276
7.3 具備自糾正和逐維學(xué)習(xí)能力的粒子群算法 279
7.3.1 糾正策略 279
7.3.2 Pbest 指導(dǎo) Gbest 的逐維學(xué)習(xí)策略 280
7.3.3 具備自糾正和逐維學(xué)習(xí)能力的粒子群算法 281
7.3.4 代碼實現(xiàn) 282
7.3.5 尋優(yōu)求解對比 287
7.4 基于競爭學(xué)習(xí)的粒子群優(yōu)化算法 290
7.4.1 競爭學(xué)習(xí)機制 290
7.4.2 代碼實現(xiàn) 292
7.4.3 尋優(yōu)求解對比 296
7.5 基于緊湊度和調(diào)度處理的粒子群優(yōu)化算法 300
7.5.1 緊湊度 300
7.5.2 粒子調(diào)度處理的方法 301
7.5.3 代碼實現(xiàn) 302
7.5.4 尋優(yōu)求解對比 307
參考文獻 311