智能前沿：群智能优化算法及应用

作者: 李煜著 , 刘景森著 , 何小锋著

出版社: 中国经济出版社

出版时间: 2020-05

ISBN: 9787513658690

定价: 58.00

装帧: 其他

分类: 经济

6人买过

    群智能优化算法研究已成为智能优化领域的研究热点，并渗透到社会生产生活的方方面面。作为一种新兴的智能优化技术，群智能优化算法自提出以来，广泛应用于人工智能、通信网络和工业生产等领域。无论是从理论研究还是应用研究的角度考量，群智能理论及其应用研究都具有重要的学术意义和现实价值。
    针对背包问题优化、车辆路径问题优化、Steiner最小树问题等越来越多的*优化问题的求解需求，本书深入分析解读了蝙蝠算法、布谷鸟算法、量子算法、量子蚁群算法等群智能优化算法，为现实中存在的大量不可微、非线性、不确定性复杂问题提供了方便实用的*优化求解途径和方法。同时，群智能潜在的并行性和分布式梯度为处理以数据库形式存在的大数据提供了技术保证。
    李煜，河南大学商学院教授、硕士生导师，管理学博士，美国布鲁姆菲尔德大学访问学者。主要研究方向：智能优化、电子商务、物流管理等。先后主持和承担国家自然科学基金、国家社会科学基金、教育部人文社科基金和河南省科技攻关等多项科研项目，发表专业论文50余篇，其中SCI和EI收录20余篇。
    刘景森，工学博士，河南大学软件学院教授。主要研究方向：智能算法、优化控制、网络信息安全等。发表专业论文40余篇，其中SCI、EI检索20余篇；主编及合编教材3部；主持完成省部级以上科研项目10余项，作为主要参与者完成多个纵向项目、国防基础研究项目和横向项目。
    何小锋，博士，上海雅丰信息科技有限公司、深圳遨顺人工智能有限公司联合创始人，长期从事智能算法的理论研究及应用研发工作。参与国家自然科学基金项目2项、上海市学科建设项目1项、上海市教委科研创新项目1项及博士点基金青年项目1项，主持负责上海市创新计划项目1项、上海市研究生创新基金项目1项。     第1章绪论
1.1引言
1.2群智能优化算法模式综述
1.2.1粒子群优化算法
1.2.2蚁群优化算法
1.2.3量子算法
1.2.4蝙蝠算法
1.2.5人工蜂群算法
1.2.6细菌觅食优化算法
1.2.7萤火虫优化算法
1.2.8布谷鸟优化算法
1.2.9人工鱼群算法
1.2.10混合蛙跳算法
参考文献
第2章蝙蝠算法
2.1蝙蝠算法
2.1.1算法的生物学背景
2.1.2算法的基本概念
2.1.3算法流程及进化方程
2.2蝙蝠算法的研究进展
2.2.1蝙蝠算法的提出和改进
2.2.2蝙蝠算法的应用
2.2.3蝙蝠算法研究展望
2.3改进的蝙蝠算法
2.3.1连续优化问题的蝙蝠算法
2.3.2一种动态调整惯性权重的自适应蝙蝠算法
2.3.3融合均匀变异与高斯变异的蝙蝠优化算法
2.3.4混合蝙蝠算法
参考文献
第3章布谷鸟算法
3.1布谷鸟算法基本思想
3.2具有随机惯性权重的布谷鸟算法（WCS）
3.2.1动态惯性权重
3.2.2惯性权重取值范围研究
3.2.3改进布谷鸟算法的时间复杂度和收敛性分析

3.3种群大小对惯性权重选取的影响
3.4仿真实验
3.4.1WCS算法与CS算法的比较
3.4.2改进算法（WCS）与其他算法的对比实验
参考文献
第4章量子算法
4.1量子组合算法研究现状及发展
4.1.1量子遗传算法
4.1.2量子退火算法
4.1.3量子聚类算法
4.1.4量子神经网络
4.1.5量子微粒群算法
4.2群智能优化算法基本原理及其算法步骤
4.2.1引言
4.2.2群智能优化算法基本原理及其算法步骤

4.3量子计算基本原理
4.3.1量子比特
4.3.2量子逻辑门
4.3.3基本量子算法
参考文献
第5章量子蚁群优化算法
5.1量子蚁群算法基本思想
5.2量子蚁群算法基本步骤
5.3求解0-1背包的量子蚁群算法
5.3.1问题描述
5.3.2信息素表示
5.3.3信息素更新
5.3.4求解0-1背包问题的QACA算法步骤
5.3.5数值实验
5.4车辆路径问题的量子蚁群算法
5.4.1问题描述
5.4.2车辆路径问题中的量子比特及量子旋转门表述
5.4.3状态转移规则
5.4.4信息素的更新
5.4.5车辆路径问题的量子蚁群算法步骤
5.4.6数据实验及分析
5.5带时间窗的车辆路径问题的量子蚁群算法
5.5.1问题描述
5.5.2带时间窗车辆路径问题中的量子比特及量子旋转门表述
5.5.3状态转移规则
5.5.4信息素的更新
5.5.5带时间窗车辆路径问题的量子蚁群算法步骤
5.5.6时间复杂性分析
5.5.7数据实验及分析
5.6Steiner最小树问题的量子蚁群算法
5.6.1问题描述
5.6.2Steiner最小树问题的量子比特及量子旋转门表述
5.6.3状态转移规则
5.6.4信息素的更新
5.6.5s点的搜索
5.6.6利用Grover量子算法构造最小生成树
5.6.7算法步骤
5.6.8时间复杂度分析
5.6.9数值实验
5.7求解图着色问题的量子蚁群算法
5.7.1问题描述
5.7.2信息素更新
5.7.3图着色问题的QACA算法设计
5.7.4算法步骤
5.7.5时间复杂度分析
5.7.6数值实验
5.8求解QoS组播路由问题的量子蚁群算法
5.8.1问题描述
5.8.2QoS问题求解中的量子比特和量子逻辑门
5.8.3状态转移规则
5.8.4信息素的更新
5.8.5量子信息素转换
5.8.6算法步骤
5.8.7时间复杂度分析
5.8.8收敛性分析
5.8.9数值实验
参考文献
重要术语索引
内容简介:
群智能优化算法研究已成为智能优化领域的研究热点，并渗透到社会生产生活的方方面面。作为一种新兴的智能优化技术，群智能优化算法自提出以来，广泛应用于人工智能、通信网络和工业生产等领域。无论是从理论研究还是应用研究的角度考量，群智能理论及其应用研究都具有重要的学术意义和现实价值。
针对背包问题优化、车辆路径问题优化、Steiner最小树问题等越来越多的*优化问题的求解需求，本书深入分析解读了蝙蝠算法、布谷鸟算法、量子算法、量子蚁群算法等群智能优化算法，为现实中存在的大量不可微、非线性、不确定性复杂问题提供了方便实用的*优化求解途径和方法。同时，群智能潜在的并行性和分布式梯度为处理以数据库形式存在的大数据提供了技术保证。
作者简介:
    李煜，河南大学商学院教授、硕士生导师，管理学博士，美国布鲁姆菲尔德大学访问学者。主要研究方向：智能优化、电子商务、物流管理等。先后主持和承担国家自然科学基金、国家社会科学基金、教育部人文社科基金和河南省科技攻关等多项科研项目，发表专业论文50余篇，其中SCI和EI收录20余篇。
    刘景森，工学博士，河南大学软件学院教授。主要研究方向：智能算法、优化控制、网络信息安全等。发表专业论文40余篇，其中SCI、EI检索20余篇；主编及合编教材3部；主持完成省部级以上科研项目10余项，作为主要参与者完成多个纵向项目、国防基础研究项目和横向项目。
    何小锋，博士，上海雅丰信息科技有限公司、深圳遨顺人工智能有限公司联合创始人，长期从事智能算法的理论研究及应用研发工作。参与国家自然科学基金项目2项、上海市学科建设项目1项、上海市教委科研创新项目1项及博士点基金青年项目1项，主持负责上海市创新计划项目1项、上海市研究生创新基金项目1项。
目录:
第1章绪论
1.1引言
1.2群智能优化算法模式综述
1.2.1粒子群优化算法
1.2.2蚁群优化算法
1.2.3量子算法
1.2.4蝙蝠算法
1.2.5人工蜂群算法
1.2.6细菌觅食优化算法
1.2.7萤火虫优化算法
1.2.8布谷鸟优化算法
1.2.9人工鱼群算法
1.2.10混合蛙跳算法
参考文献
第2章蝙蝠算法
2.1蝙蝠算法
2.1.1算法的生物学背景
2.1.2算法的基本概念
2.1.3算法流程及进化方程
2.2蝙蝠算法的研究进展
2.2.1蝙蝠算法的提出和改进
2.2.2蝙蝠算法的应用
2.2.3蝙蝠算法研究展望
2.3改进的蝙蝠算法
2.3.1连续优化问题的蝙蝠算法
2.3.2一种动态调整惯性权重的自适应蝙蝠算法
2.3.3融合均匀变异与高斯变异的蝙蝠优化算法
2.3.4混合蝙蝠算法
参考文献
第3章布谷鸟算法
3.1布谷鸟算法基本思想
3.2具有随机惯性权重的布谷鸟算法（WCS）
3.2.1动态惯性权重
3.2.2惯性权重取值范围研究
3.2.3改进布谷鸟算法的时间复杂度和收敛性分析

3.3种群大小对惯性权重选取的影响
3.4仿真实验
3.4.1WCS算法与CS算法的比较
3.4.2改进算法（WCS）与其他算法的对比实验
参考文献
第4章量子算法
4.1量子组合算法研究现状及发展
4.1.1量子遗传算法
4.1.2量子退火算法
4.1.3量子聚类算法
4.1.4量子神经网络
4.1.5量子微粒群算法
4.2群智能优化算法基本原理及其算法步骤
4.2.1引言
4.2.2群智能优化算法基本原理及其算法步骤

4.3量子计算基本原理
4.3.1量子比特
4.3.2量子逻辑门
4.3.3基本量子算法
参考文献
第5章量子蚁群优化算法
5.1量子蚁群算法基本思想
5.2量子蚁群算法基本步骤
5.3求解0-1背包的量子蚁群算法
5.3.1问题描述
5.3.2信息素表示
5.3.3信息素更新
5.3.4求解0-1背包问题的QACA算法步骤
5.3.5数值实验
5.4车辆路径问题的量子蚁群算法
5.4.1问题描述
5.4.2车辆路径问题中的量子比特及量子旋转门表述
5.4.3状态转移规则
5.4.4信息素的更新
5.4.5车辆路径问题的量子蚁群算法步骤
5.4.6数据实验及分析
5.5带时间窗的车辆路径问题的量子蚁群算法
5.5.1问题描述
5.5.2带时间窗车辆路径问题中的量子比特及量子旋转门表述
5.5.3状态转移规则
5.5.4信息素的更新
5.5.5带时间窗车辆路径问题的量子蚁群算法步骤
5.5.6时间复杂性分析
5.5.7数据实验及分析
5.6Steiner最小树问题的量子蚁群算法
5.6.1问题描述
5.6.2Steiner最小树问题的量子比特及量子旋转门表述
5.6.3状态转移规则
5.6.4信息素的更新
5.6.5s点的搜索
5.6.6利用Grover量子算法构造最小生成树
5.6.7算法步骤
5.6.8时间复杂度分析
5.6.9数值实验
5.7求解图着色问题的量子蚁群算法
5.7.1问题描述
5.7.2信息素更新
5.7.3图着色问题的QACA算法设计
5.7.4算法步骤
5.7.5时间复杂度分析
5.7.6数值实验
5.8求解QoS组播路由问题的量子蚁群算法
5.8.1问题描述
5.8.2QoS问题求解中的量子比特和量子逻辑门
5.8.3状态转移规则
5.8.4信息素的更新
5.8.5量子信息素转换
5.8.6算法步骤
5.8.7时间复杂度分析
5.8.8收敛性分析
5.8.9数值实验
参考文献
重要术语索引

查看详情

智能前沿：群智能优化算法及应用

内容简介:

作者简介:

目录: