《群體智慧型預測與最佳化》是2012年國防工業出版社出版的圖書，作者是施彥。
基本介紹
- 外文名：Swarm Intelligence Prediction and Optimization
- 書名：群體智慧型預測與最佳化
- 作者：施彥
- 出版日期：2012年8月1日
- 語種：簡體中文
- ISBN：711808302X, 9787118083026
- 出版社：國防工業出版社
- 頁數：183頁
- 開本：16
- 品牌：國防工業出版社
內容簡介,圖書目錄,
內容簡介
《群體智慧型預測與最佳化》是智慧型科學技術套用叢書之一。《群體智慧型預測與最佳化》研究的是群體智慧型預測與最佳化。《群體智慧型預測與最佳化》可為群體智慧型研究者提供一定的參考。《群體智慧型預測與最佳化》闡述和分析生物群體、人類社會在形成、發展過程中，所呈現的協調配合、相互學習、協同決策、分工協作等現象，分析了“人工群體智慧型”的研究視角，凝鍊了“人工群體智慧型”的關鍵要素，構建了學習意義下的“廣義群體智慧型”的框架，給出了群體建模預測與最佳化的新方法，論述了在物流、化工等領域的預測與最佳化的套用實例。
圖書目錄
第1章緒論
1.1群體智慧型的基本概念
1.2群體智慧型面臨的兩類問題
1.2.1預測模型
1.2.2最佳化問題
1.3群體智慧型解決問題的途徑
1.3.1群體預測和個體預測的區別與聯繫
1.3.2群體最佳化和個體最佳化的區別與聯繫
1.4群體智慧型的一般框架
1.4.1群體智慧型遵循的原則和特點
1.4.2群體智慧型的一般框架
1.5群體智慧型的研究途徑
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慧型
2.1生物學與群體智慧型
2.1.1生物學的幾個分支
2.1.2生物學對人工群體智慧型的啟示
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社會與智慧型
2.3生物群體的社會性
2.3.1群體組織結構
2.3.2個體間的互動
2.3.3群體發展動力
2.3.4小結
2.4群體智慧型的共性要素
2.4.1時空環境
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慧型框架
3.1群體智慧型與進化
3.2群體智慧型與學習
3.3學習意義下的廣義群體智慧型框架
3.4構建有效的群體智慧型算法
3.4.1群體智慧型系統設計的一般原理
3.4.2構建有效的群體智慧型預測算法
3.4.3構建有效的群體智慧型最佳化算法
第4章神經網路集成概述
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慧型思想
4.2.1Bagging方法
4.2.2Boosting方法
4.2.3Stacking方法
4.2.4選擇性集成
4.2.5構造型集成
4.3神經網路集成概述
4.3.1神經網路集成的提出
4.3.2集成中個體網路的生成方法
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章神經網路集成改進方法研究
5.1群體神經網路中的選擇
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基於改進貪心法的個體網路選擇方法
5.1.4仿真實例
5.1.5小結
5.2群體神經網路的多層結構
5.2.1選擇性神經網路二次集成概述
5.2.2兩次集成中選擇方法的匹配
5.2.3基於GF方法的神經網路二次集成的實現
5.2.4仿真實驗
5.2.5小結
5.3群體神經網路的結論決策
5.3.1常用結論生成方法及存在的問題
5.3.2基於改進的粒子群最佳化（PSO）算法的結論生成方法
5.3.3基於改進PSO算法的仿真實驗研究
5.3.4基於改進PSO算法的結論生成方法小結
5.4基於混合算法的神經網路集成
5.4.1GF方法和改進PSO算法的結合
5.4.2基於CF方法一改進PSO算法的實例仿真實驗
5.4.3討論與結論
5.5小結
第6章神經網路集成套用實例
6.1構效關係預測模型
6.1.1引言
6.1.2基於隨機採樣技術和GFA方法的選擇性神經網路二次集成
6.1.3苯乙醯胺類除草劑QSAR的神經網路集成模型
6.2物流中心選址模型
6.2.1引言
6.2.2基於Bootstrap採樣技術和PSO算法的神經網路二次集成模型
6.2.3物流中心選址實例研究
6.3發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發射藥成分的近紅外光譜分析
6.3.3單個神經網路在建模中存在的問題
6.3.4基於小波變換——神經網路集成的預測模型
6.3.5基於改進神經網路集成的發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單個網路建立診斷模型時存在的問題
6.4.3基於神經網路集成的疾病診斷
6.4.4改進的神經網路集成方法在乳腺癌診斷中的套用
第7章粒子群最佳化算法概述
7.1基本PSO算法
7.2性能評價與“探索—開發”的平衡
7.2.1性能評價
7.2.2“探索—開發”的平衡
7.3群體智慧型框架下的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章基於集成學習的粒子群算法
第9章基於多智體和多軟體人系統協調的展望
參考文獻
後記
致謝
1.1群體智慧型的基本概念
1.2群體智慧型面臨的兩類問題
1.2.1預測模型
1.2.2最佳化問題
1.3群體智慧型解決問題的途徑
1.3.1群體預測和個體預測的區別與聯繫
1.3.2群體最佳化和個體最佳化的區別與聯繫
1.4群體智慧型的一般框架
1.4.1群體智慧型遵循的原則和特點
1.4.2群體智慧型的一般框架
1.5群體智慧型的研究途徑
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慧型
2.1生物學與群體智慧型
2.1.1生物學的幾個分支
2.1.2生物學對人工群體智慧型的啟示
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社會與智慧型
2.3生物群體的社會性
2.3.1群體組織結構
2.3.2個體間的互動
2.3.3群體發展動力
2.3.4小結
2.4群體智慧型的共性要素
2.4.1時空環境
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慧型框架
3.1群體智慧型與進化
3.2群體智慧型與學習
3.3學習意義下的廣義群體智慧型框架
3.4構建有效的群體智慧型算法
3.4.1群體智慧型系統設計的一般原理
3.4.2構建有效的群體智慧型預測算法
3.4.3構建有效的群體智慧型最佳化算法
第4章神經網路集成概述
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慧型思想
4.2.1Bagging方法
4.2.2Boosting方法
4.2.3Stacking方法
4.2.4選擇性集成
4.2.5構造型集成
4.3神經網路集成概述
4.3.1神經網路集成的提出
4.3.2集成中個體網路的生成方法
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章神經網路集成改進方法研究
5.1群體神經網路中的選擇
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基於改進貪心法的個體網路選擇方法
5.1.4仿真實例
5.1.5小結
5.2群體神經網路的多層結構
5.2.1選擇性神經網路二次集成概述
5.2.2兩次集成中選擇方法的匹配
5.2.3基於GF方法的神經網路二次集成的實現
5.2.4仿真實驗
5.2.5小結
5.3群體神經網路的結論決策
5.3.1常用結論生成方法及存在的問題
5.3.2基於改進的粒子群最佳化（PSO）算法的結論生成方法
5.3.3基於改進PSO算法的仿真實驗研究
5.3.4基於改進PSO算法的結論生成方法小結
5.4基於混合算法的神經網路集成
5.4.1GF方法和改進PSO算法的結合
5.4.2基於CF方法一改進PSO算法的實例仿真實驗
5.4.3討論與結論
5.5小結
第6章神經網路集成套用實例
6.1構效關係預測模型
6.1.1引言
6.1.2基於隨機採樣技術和GFA方法的選擇性神經網路二次集成
6.1.3苯乙醯胺類除草劑QSAR的神經網路集成模型
6.2物流中心選址模型
6.2.1引言
6.2.2基於Bootstrap採樣技術和PSO算法的神經網路二次集成模型
6.2.3物流中心選址實例研究
6.3發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發射藥成分的近紅外光譜分析
6.3.3單個神經網路在建模中存在的問題
6.3.4基於小波變換——神經網路集成的預測模型
6.3.5基於改進神經網路集成的發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單個網路建立診斷模型時存在的問題
6.4.3基於神經網路集成的疾病診斷
6.4.4改進的神經網路集成方法在乳腺癌診斷中的套用
第7章粒子群最佳化算法概述
7.1基本PSO算法
7.2性能評價與“探索—開發”的平衡
7.2.1性能評價
7.2.2“探索—開發”的平衡
7.3群體智慧型框架下的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章基於集成學習的粒子群算法
第9章基於多智體和多軟體人系統協調的展望
參考文獻
後記
致謝
