基本介紹
- 書名：粒子群最佳化算法及電磁套用
- 出版社：科學出版社
- 頁數：247頁
- 開本：5
- 品牌：科學出版社
- 作者：田雨波
- 出版日期：2014年3月1日
- 語種：簡體中文
- ISBN：7030400089
內容簡介,圖書目錄,
內容簡介
田雨波編著的《粒子群最佳化算法及電磁套用》在論述粒子群最佳化算法及其各種改進設計的同時，重點給出其在電磁工程中的套用，這也是本書的另外一個主要特點。本書是作者及作者指導的研究生在粒子群最佳化算法和電磁工程建模及最佳化方面的科研工作的系統總結。全書分為兩個部分：第一部分為第2～12章，主要論述粒子群最佳化算法。第二部分為第13～18章，主要論述粒子群最佳化算法在電磁工程中的套用。
圖書目錄
緒論
第1章緒論
1.1最佳化方法
1.1.1最佳化的基本概念
1.1.2最佳化問題的分類
1.1.3最佳化算法的複雜度
1.2智慧型最佳化方法
1.2.1智慧型最佳化方法的基本概念
1.2.2智慧型最佳化方法的特點
1.2.3智慧型最佳化方法的哲學定理
1.3粒子群最佳化算法
1.4粒子群最佳化算法的電磁套用
參考文獻
第一部分粒子群最佳化算法
第2章標準粒子群最佳化算法
2.1 引言
2.2算法概述
2.2.1 算法原理
2.2.2算法數學描述
2.2.3算法流程
2.2.4算法參數
2.3算法模型
2.3.1算法模型分析
2.3.2算法拓撲結構
2.3.3算法鄰域結構
2.4算法優點和局限性
2.4.1算法的優點
2.4.2算法的局限性
2.5粒子更新方法研究
2.6算法套用及展望
2.6.1算法的套用
2.6.2算法的研究方向
參考文獻
第3章粒子群最佳化算法的物理基礎
3.1 引言
3.2分子動力學理論
3.2.1保守PSO環境
3.2.2耗散PSO環境
3—3 PS0環境的熱動力學分析
3.3.1熱力學平衡
3.3.2能量因素
3.3.3動力學特性
3.4 PSO算法的擴散模型
3.5 PSO算法的馬爾可夫模型
3.5.1基於機率理論的更新方程
3.5.2馬爾可夫鏈模型
3.5.3廣義PSO算法
參考文獻
第4章粒子群最佳化算法的邊界條件
4.1 引言
4.2邊界條件分類
4_3數值仿真實驗
4.3.1測試函式
4.3.2仿真結果及分析
參考文獻
第5章量子粒子群最佳化算法
5.1 引言
5.2算法概述
5.2.1 算法原理
5.2.2算法流程和框圖
5.2.3壓縮擴張因子的選取
5.3算法優點及局限性
5.4基於微分進化運算元和混沌序列的量子粒子群最佳化算法
5.4.1微分進化運算元
5.4.2混沌擾動
5.4.3算法流程及框圖
5.4.4數值仿真實驗
5.5基於反向學習機制的量子粒子群最佳化算法
5.5.1算法改進思想
5.5.2數值仿真實驗
參考文獻
第6章雲粒子群最佳化算法
6.1 引言
6.2雲模型概述
6.2.1雲模型的概念
6.2.2雲模型的定義
6.2.3雲模型的數字特徵
6.2.4雲發生器
6.2.5正態雲的統計分析
6.3雲自適應粒子群最佳化算法
6.3.1基於雲變異的雲自適應粒子群算法
6.3.2數值仿真實驗
參考文獻
第7章簡化粒子群最佳化算法
7.1 引言
7.2算法概述
7.2.1粒子群最佳化算法中速度的分析
7.2.2簡化粒子群最佳化算法的實現
7.2.3簡化粒子群最佳化算法的收斂性
7.3兩種簡化粒子群最佳化算法
7.3.1 帶極值擾動的簡化粒子群最佳化算法
7.3.2慣性和經驗相互影響的簡化粒子群最佳化算法
7.4數值仿真實驗
7.4.1 待測算法
7.4.2測試結果及分析
參考文獻
第8章蛙跳粒子群最佳化算法
8.1 引言
8.2混合蛙跳算法概述
8.2.1混合蛙跳算法基本概念
8.2.2混合蛙跳算法數學模型
8.2.3混合蛙跳算法基本步驟
8.3蛙跳粒子群最佳化算法
8.3.1算法實現
8.3.2數值仿真試驗
參考文獻
第9章小波粒子群最佳化算法
9.1 引言
9.2小波分析概述
9.2.1 小波分析常用記號
9.2.2連續小波變換
9.2.3離散小波變換
9.2.4多解析度分析
9.2.5小波變換的性質
9.3小波粒子群最佳化算法原理及實現
9.3.1算法實現
9.3.2數值仿真實驗
參考文獻
第10章二進制粒子群最佳化算法
10.1 引言
10.2二進制粒子群最佳化算法概述
10.2.1基本二進制粒子群最佳化算法
10.2.2二進制與十進制之問的轉換
10.2.3 數值實驗用測試函式
10.3基於次優活躍點的二進制粒子群最佳化算法
10—3.1算法描述
10.3.2算法流程
10.3.3 算法參數的均勻設計
10.4鯰魚二進制粒子群最佳化算法
10.4.1鯰魚效應
10.4.2算法描述
10.4.3算法流程
10.4.4算法參數的確定
10.5兩種二進制粒子群最佳化算法的數值仿真試驗
參考文獻
第11章粒子群神經網路
11.1引言
11.2神經網路概述
11.2.1神經網路的概念與分類
11.2.2神經網路的基本特徵和基本功能
11.2.3神經網路的基本性質、優點及其套用
11.2.4神經網路的性能指標及研究內容
11.2.5 BP神經網路
11.3粒子群神經網路原理及實現
11.3.1粒子群最佳化算法與神經網路的融合
11.3.2粒子群算法最佳化神經網路的權值
11.3.3粒子群算法最佳化神經網路的結構
11.3.4粒子群算法同時最佳化神經網路的結構和權值
11.4粒子群神經網路套用
11.4.1函式最佳化問題
11.4.2分類問題
11.4.3 LED問題
11.4.4廣義異或問題
參考文獻
第12章粒子群神經網路集成
12.1 引言
12.2神經網路集成概述
12.2.1基本概念
12.2.2實現方法
12.2.3存在問題
12.2.4 Iris分類問題試驗
12.3 基於粒子群最佳化算法的選擇性神經網路集成方法
12.3.1 基於粒子群最佳化算法的神經網路集成方法
12.3.2數值仿真實驗
參考文獻
第二部分粒子群最佳化算法的電磁套用
第1章緒論
1.1最佳化方法
1.1.1最佳化的基本概念
1.1.2最佳化問題的分類
1.1.3最佳化算法的複雜度
1.2智慧型最佳化方法
1.2.1智慧型最佳化方法的基本概念
1.2.2智慧型最佳化方法的特點
1.2.3智慧型最佳化方法的哲學定理
1.3粒子群最佳化算法
1.4粒子群最佳化算法的電磁套用
參考文獻
第一部分粒子群最佳化算法
第2章標準粒子群最佳化算法
2.1 引言
2.2算法概述
2.2.1 算法原理
2.2.2算法數學描述
2.2.3算法流程
2.2.4算法參數
2.3算法模型
2.3.1算法模型分析
2.3.2算法拓撲結構
2.3.3算法鄰域結構
2.4算法優點和局限性
2.4.1算法的優點
2.4.2算法的局限性
2.5粒子更新方法研究
2.6算法套用及展望
2.6.1算法的套用
2.6.2算法的研究方向
參考文獻
第3章粒子群最佳化算法的物理基礎
3.1 引言
3.2分子動力學理論
3.2.1保守PSO環境
3.2.2耗散PSO環境
3—3 PS0環境的熱動力學分析
3.3.1熱力學平衡
3.3.2能量因素
3.3.3動力學特性
3.4 PSO算法的擴散模型
3.5 PSO算法的馬爾可夫模型
3.5.1基於機率理論的更新方程
3.5.2馬爾可夫鏈模型
3.5.3廣義PSO算法
參考文獻
第4章粒子群最佳化算法的邊界條件
4.1 引言
4.2邊界條件分類
4_3數值仿真實驗
4.3.1測試函式
4.3.2仿真結果及分析
參考文獻
第5章量子粒子群最佳化算法
5.1 引言
5.2算法概述
5.2.1 算法原理
5.2.2算法流程和框圖
5.2.3壓縮擴張因子的選取
5.3算法優點及局限性
5.4基於微分進化運算元和混沌序列的量子粒子群最佳化算法
5.4.1微分進化運算元
5.4.2混沌擾動
5.4.3算法流程及框圖
5.4.4數值仿真實驗
5.5基於反向學習機制的量子粒子群最佳化算法
5.5.1算法改進思想
5.5.2數值仿真實驗
參考文獻
第6章雲粒子群最佳化算法
6.1 引言
6.2雲模型概述
6.2.1雲模型的概念
6.2.2雲模型的定義
6.2.3雲模型的數字特徵
6.2.4雲發生器
6.2.5正態雲的統計分析
6.3雲自適應粒子群最佳化算法
6.3.1基於雲變異的雲自適應粒子群算法
6.3.2數值仿真實驗
參考文獻
第7章簡化粒子群最佳化算法
7.1 引言
7.2算法概述
7.2.1粒子群最佳化算法中速度的分析
7.2.2簡化粒子群最佳化算法的實現
7.2.3簡化粒子群最佳化算法的收斂性
7.3兩種簡化粒子群最佳化算法
7.3.1 帶極值擾動的簡化粒子群最佳化算法
7.3.2慣性和經驗相互影響的簡化粒子群最佳化算法
7.4數值仿真實驗
7.4.1 待測算法
7.4.2測試結果及分析
參考文獻
第8章蛙跳粒子群最佳化算法
8.1 引言
8.2混合蛙跳算法概述
8.2.1混合蛙跳算法基本概念
8.2.2混合蛙跳算法數學模型
8.2.3混合蛙跳算法基本步驟
8.3蛙跳粒子群最佳化算法
8.3.1算法實現
8.3.2數值仿真試驗
參考文獻
第9章小波粒子群最佳化算法
9.1 引言
9.2小波分析概述
9.2.1 小波分析常用記號
9.2.2連續小波變換
9.2.3離散小波變換
9.2.4多解析度分析
9.2.5小波變換的性質
9.3小波粒子群最佳化算法原理及實現
9.3.1算法實現
9.3.2數值仿真實驗
參考文獻
第10章二進制粒子群最佳化算法
10.1 引言
10.2二進制粒子群最佳化算法概述
10.2.1基本二進制粒子群最佳化算法
10.2.2二進制與十進制之問的轉換
10.2.3 數值實驗用測試函式
10.3基於次優活躍點的二進制粒子群最佳化算法
10—3.1算法描述
10.3.2算法流程
10.3.3 算法參數的均勻設計
10.4鯰魚二進制粒子群最佳化算法
10.4.1鯰魚效應
10.4.2算法描述
10.4.3算法流程
10.4.4算法參數的確定
10.5兩種二進制粒子群最佳化算法的數值仿真試驗
參考文獻
第11章粒子群神經網路
11.1引言
11.2神經網路概述
11.2.1神經網路的概念與分類
11.2.2神經網路的基本特徵和基本功能
11.2.3神經網路的基本性質、優點及其套用
11.2.4神經網路的性能指標及研究內容
11.2.5 BP神經網路
11.3粒子群神經網路原理及實現
11.3.1粒子群最佳化算法與神經網路的融合
11.3.2粒子群算法最佳化神經網路的權值
11.3.3粒子群算法最佳化神經網路的結構
11.3.4粒子群算法同時最佳化神經網路的結構和權值
11.4粒子群神經網路套用
11.4.1函式最佳化問題
11.4.2分類問題
11.4.3 LED問題
11.4.4廣義異或問題
參考文獻
第12章粒子群神經網路集成
12.1 引言
12.2神經網路集成概述
12.2.1基本概念
12.2.2實現方法
12.2.3存在問題
12.2.4 Iris分類問題試驗
12.3 基於粒子群最佳化算法的選擇性神經網路集成方法
12.3.1 基於粒子群最佳化算法的神經網路集成方法
12.3.2數值仿真實驗
參考文獻
第二部分粒子群最佳化算法的電磁套用
