新書推薦：
《
德兰修女传：在爱中行走（世界名人名传典藏系列）
》
售價：NT$
280.0
《
抗癌饮食指导
》
售價：NT$
442.0
《
编织大花园.7，趣味十足的时尚编织
》
售價：NT$
386.0
《
游戏三部曲：游戏改变未来+游戏改变世界+游戏改变人生（套装共3册）
》
售價：NT$
1622.0
《
修昔底德与政治秩序
》
售價：NT$
386.0
《
大学问·魏晋清谈史
》
售價：NT$
549.0
《
区域经济与产业发展研究
》
售價：NT$
381.0
《
正念心理学：全面开启自我觉察与接纳的疗愈之旅
》
售價：NT$
391.0
|
| 編輯推薦： |
|
本书包含了许多群智能算法的前沿应用，如群机器人、自组织生产和下一代网络路由协议等。与国内大多数同类书籍不同，本书并不直接介绍群智能算法，而是以一章的篇幅介绍群智能方法的生物学基础，使得读者能够对群智能的渊源有一个了解，从而更好地理解群智能方法。
|
| 內容簡介： |
|
本书包含了许多群智能算法的前沿应用，如群机器人、自组织生产和下一代网络路由协议等。与国内大多数同类书籍不同，本书并不直接介绍群智能算法，而是以一章的篇幅介绍群智能方法的生物学基础，使得读者能够对群智能的渊源有一个了解，从而更好地理解群智能方法。
|
| 關於作者： |
阿布埃拉哈桑尼，艾德埃默里，埃及著名集群智能算法专家，精通集群智能以及受生物启发的计算方法，国际集群智能研究学术带头人。
夏辉，宋勋，王硕，王豪，智能控制专家。
|
| 目錄：
|
目 录
第1章 绪论001
1.1灵感启发来源002
1.1.1集群智能算法003
1.1.2非集群智能的生物启发式算法003
1.1.3基于物理和化学的算法003
1.1.4其他算法003
1.2随机变量004
1.2.1均匀分布004
1.2.2正态分布004
1.2.3柯西分布004
1.2.4泊松分布005
1.2.5Levy分布005
1.3生成伪随机数006
1.3.1累积方法007
1.3.2接受拒绝法007
1.3.3组合方法008
1.4随机游走008
1.5混沌009
1.6本章小结012
参考文献012
第2章 蝙蝠算法（BA）015
2.1蝙蝠算法015
2.1.1蝙蝠行为015
2.1.2蝙蝠算法的具体内容015
2.2蝙蝠算法衍生算法018
2.2.1离散蝙蝠算法018
2.2.2二进制蝙蝠算法018
2.2.3混沌蝙蝠算法（CBA）019
2.2.4并行蝙蝠算法019
2.2.5约束问题蝙蝠算法020
2.2.6Lvy分布蝙蝠算法020
2.2.7带有Lvy分布的混沌蝙蝠算法021
2.2.8自适应蝙蝠算法022
2.2.9参数自适应蝙蝠算法024
2.3蝙蝠算法与其他算法的融合025
2.3.1蝙蝠算法与差分进化算法的融合026
2.3.2蝙蝠算法与粒子群优化算法的融合026
2.3.3蝙蝠算法与布谷鸟搜索的融合027
2.3.4蝙蝠算法与模拟退火算法的融合028
2.3.5蝙蝠算法与和声搜索的融合029
2.3.6蝙蝠算法与人工蜂群算法的融合029
2.4蝙蝠算法的应用实例030
2.4.1蝙蝠算法在病态地磁反转问题中的应用034
2.4.2蝙蝠算法在社会网络社区检测问题中的应用039
2.5本章小结040
参考文献041
第3章 人工鱼群045
3.1鱼群优化045
3.1.1生物原理045
3.1.2人工鱼群算法045
3.2AFSA 的衍生算法047
3.2.1简化的二进制AFSA算法047
3.2.2快速AFSA算法（FAFSA）048
3.2.3改进AFSA算法048
3.2.4新AFSA算法（NAFSA）050
3.2.5变异AFSA算法052
3.2.6模糊自适应AFSA算法052
3.2.7参数自适应的AFSA算法053
3.2.8改进捕食策略的AFSA算法054
3.2.9量子AFSA算法054
3.2.10混沌AFSA算法054
3.2.11并行AFSA算法（PAFSA）054
3.3AFSA与其他算法的融合055
3.3.1AFSA与文化算法（CA）的融合算法（CAFAC）055
3.3.2AFSA与 PSO算法的融合算法056
3.3.3AFSA与萤火虫优化算法（GSO）的融合算法056
3.3.4AFSA与细胞学习自动机的融合算法056
3.4AFSA的应用实例057
3.4.1AFSA在无线网络最优簇头（CHs）位置选择中的应用061
3.4.2AFSA在社会网络社区检测问题中的应用062
3.5本章小结063
参考文献063
第4章 布谷鸟搜索算法067
4.1布谷鸟搜索（CS）067
4.1.1布谷鸟的繁殖行为067
4.1.2人工布谷鸟搜索067
4.2布谷鸟搜索算法的衍生算法069
4.2.1离散布谷鸟搜索算法069
4.2.2二进制编码布谷鸟搜索算法070
4.2.3混沌布谷鸟搜索算法070
4.2.4并行布谷鸟搜索算法071
4.2.5约束问题布谷鸟搜索算法072
4.2.6参数自适应的布谷鸟搜索算法072
4.2.7高斯布谷鸟搜索算法073
4.3布谷鸟搜索算法与其他算法的融合073
4.3.1布谷鸟搜索算法与差分进化算法的融合074
4.3.2布谷鸟搜索算法与分散搜索算法的融合074
4.3.3布谷鸟搜索算法与蚁群优化算法的融合074
4.3.4布谷鸟搜索算法与鲍威尔搜索算法的融合075
4.3.5布谷鸟搜索算法与单纯形法的融合075
4.3.6布谷鸟搜索算法与蝙蝠算法的融合（BA-CS）075
4.3.7布谷鸟搜索算法与粒子群优化算法的融合076
4.3.8布谷鸟搜索算法与Levenberg-Marquardt算法的融合（CSLM）076
4.3.9布谷鸟搜索算法与量子计算的融合077
4.4布谷鸟搜索算法的应用实例077
4.4.1布谷鸟搜索在特征选择中的应用081
4.4.2解决凸经济调度问题的改进布谷鸟搜索算法085
4.5本章小结087
参考文献088
第5章 萤火虫算法091
5.1萤火虫算法（FFA）091
5.1.1萤火虫行为介绍091
5.1.2人工萤火虫算法091
5.2萤火虫算法的衍生算法093
5.2.1离散萤火虫算法093
5.2.2二进制编码萤火虫算法095
5.2.3混沌萤火虫算法095
5.2.4并行萤火虫算法096
5.2.5约束问题萤火虫算法096
5.2.6Lvy飞行萤火虫算法 （LFA）097
5.2.7智能萤火虫算法（IFA）098
5.2.8高斯萤火虫算法（GOFF）098
5.2.9网络结构萤火虫算法（NS-FA）099
5.2.10参数自适应萤火虫算法100
5.3萤火虫算法与其他算法的融合算法101
5.3.1萤火虫算法与差分进化算法的融合（HEFA）101
5.3.2萤火虫算法与和声搜索算法的融合（HSFA）103
5.3.3萤火虫算法与模式搜索算法的融合（hFAPS）103
5.3.4萤火虫算法与自动学习机算法的融合（LA-FF）103
5.3.5萤火虫算法与蚁群优化算法的融合104
5.4萤火虫算法的应用实例104
5.5本章小结113
参考文献113
第6章 花卉授粉算法119
6.1花卉授粉算法（FPA）119
6.1.1花卉授粉特征119
6.1.2人工花卉授粉算法119
6.2花卉授粉算法的衍生算法121
6.2.1二进制花卉授粉算法121
6.2.2混沌花卉授粉算法122
6.2.3带有约束条件的花卉授粉算法122
6.2.4多目标花卉授粉算法122
6.2.5改进花卉授粉算法123
6.3花卉授粉算法与其他算法的融合算法123
6.3.1花卉授粉与PSO的融合算法124
6.3.2花卉授粉与和声搜索的融合算法124
6.4花卉授粉算法的应用实例124
6.5花卉授粉算法在特征选择中的应用126
6.6本章小结131
参考文献131
第7章 人工蜂群优化133
7.1人工蜂群（ABC）133
7.1.1算法灵感启发来源133
7.1.2人工蜂群算法133
7.2ABC的衍生算法136
7.2.1二进制编码ABC136
7.2.2混沌搜索ABC（CABC）137
7.2.3并行ABC137
7.2.4约束问题ABC138
7.2.5列维飞行（Lvy flight）ABC138
7.2.6精英选择ABC139
7.2.7交互式ABC139
7.2.8基于Pareto的ABC140
7.2.9模糊混沌ABC140
7.2.10多目标优化ABC141
7.2.11JA-ABC141
7.3ABC与其他算法的融合算法142
7.3.1ABC与最小二乘法融合算法142
7.3.2ABC与差分进化的融合算法143
7.3.3ABC与量子进化的融合算法143
7.3.4ABC与 PS0的融合算法144
7.3.5ABC与Levenberg-Marquardt的融合算法144
7.3.6ABC与和声搜索的融合算法144
7.3.7ABC与蚁群优化的融合算法144
7.4人工蜂群算法的应用实例145
7.4.1ABC算法应用于视网膜血管图像分割154
7.4.2模因ABC整数规划159
7.5本章小结161
参考文献161
第8章 基于狼群的搜索算法169
8.1独狼搜索算法（WSA）169
8.1.1自然界中的狼169
8.1.2人工独狼搜索算法170
8.1.3独狼搜索算法的衍生算法172
8.1.4狼群算法（WPA）172
8.1.5灰狼优化（GWO）174
8.2独狼搜索优化算法的应用实例175
8.3本章小结182
参考文献182
第9章 总览183
9.1准则（1）：基于集群指引的分类183
9.2准则（2）：基于所采用概率分布的分类184
9.3准则（3）：根据行为数量的分类185
9.4准则（4）：基于个体位置分布的分类187
9.5准则（5）：控制参数的个数188
9.6准则（6）：基于在每一步迭代是否生成全新个体的分类190
9.7准则（7）：基于优化过程中使用速度概念进行搜索的分类191
9.8准则（8）：基于使用的全局寻优局部搜索方法的分类192
9.9本章小结195
参考文献195
|
| 內容試閱：
|
近些年，集群智能及受生物启发的计算方法受到热捧。各种优化方法，特别是基于集群的智能方法逐渐成为现代多领域应用的基础。集群智能方法简单、灵活，使得它在工程应用中不断得到发展。本书简要介绍了集群智能的数学原理，以及其应用、分支、演变及融合。此外，本书对诸多文献中出现的一些集群智能算法的基本概念，如随机性、随机游走、混沌理论进行了简单介绍。
本书面向希望了解、并对集群智能问题感兴趣的研究人员及学生群体，希望通过本书促进新的集群智能技术发展，并更好地理解各算法的优势、局限性及对不同应用的影响。本书的目标是尽可能对以下最新的现代集群智能算法给出较为详尽的叙述：
蝙蝠算法（BA）。
人工鱼群算法（AFSA）。
萤火虫算法（FFA）。
布谷鸟搜索（CS）算法。
花卉授粉算法（FPA）。
人工蜂群（ABC）算法。
独狼搜索算法（WSA）。
灰狼优化（GWO）算法。
对每种优化方法，我们都尽可能对其演变、融合，甚至算法本身加以规范化。算法的演变主要包括算法的二进制、离散、约束、自适应，以及不同优化算法的混沌版本。对于文献中提到的不同优化算法的应用实例在本书中也进行了阐述。在谈及不同应用实例时，我们更着重于阐述差异性，以及对应的适应度函数的设计过程。本书的最后一部分专注于探索书中提及的各算法的相似性、差异性，及其优缺点。在该部分，我们还尝试对不同算法的算子概念和搜索方式加以规范化。我们认为，本书既可以为集群智能的初学者，也可以为该领域的研究人员提供帮助，以对新研究方向、算法增强技术，以及不同优化算法的融合提供较为全面的把握。
本书各章内容概要如下：
第1章为绪论，设定了本书的讨论环境。这一章以优化算法及其来源所涉及的基本定义和概念开篇，随后介绍了随机优化算法的基本构成单元，以及在优化过程中常见的随机分布。此外，还给出了采用常见随机分布的随机伪随机数的生成原理。这一章涉及的随机分布及伪随机生成等主题，可作为修改常见优化算法以增强其性能的基础。随机游走在优化算法中是常见的概念，因此也包含在这一章的介绍中。由于混沌理论及混沌变量在独立优化工具中越加常见，还可以作为一种选择优化算子参数的方法，因而这一章对混沌理论也进行了简要论述。
第2章介绍的蝙蝠算法（BA）是一种新型启发式优化算法，该算法模拟蝙蝠的回声定位系统。BA具有优良性能，使得它得到了越来越多人的认可。这一章讨论了蝙蝠的行为及包括离散蝙蝠算法、二进制蝙蝠算法、混沌蝙蝠算法、并行蝙蝠算法、约束问题下的蝙蝠算法、Lvy分布蝙蝠算法、Lvy分布混沌蝙蝠算法、自适应蝙蝠算法，以及参数自适应蝙蝠算法在内的衍生算法。此外，这一章还对包括差分进化（DE）、粒子群优化、布谷鸟搜索、模拟退火、和声搜索及人工蜂群等算法在内的优化算法相融合的先进蝙蝠算法进行了综述。这一章的结尾对蝙蝠算法在现实世界的应用实例进行了研究，并在这一章最后附上了大量的参考书目。
第3章介绍的人工鱼群（AFS）算法是一种最好的新型集群优化算法之一。其基本思想是模拟鱼的行为，例如通过鱼智能个体的局部搜索实现群聚、捕食、跟随，以达到全局最优。该算法也有混沌、二进制及并行搜索等衍生算法。这一章介绍了人工鱼群算法的基本概念，讨论了它的衍生算法及与其他优化算法的融合。此外，还介绍了人工鱼群算法如何被用于解决实际问题，例如针对无线网络最优簇头位置选择和社会网络社区检测等问题的实际应用。
第4章介绍的布谷鸟搜索（CS）算法是一种最新的受生物启发的算法，该算法基于某些布谷鸟种群的育雏寄生特性，由Yang、Deb及Suash Deb在2009年提出。该算法在Lvy飞行作用下的性能较简单的各向同性随机游走作用下的性能有所提升。这一章给出了布谷鸟搜索算法及其行为的基本概念。此外，还讨论了包括离散、二进制、混沌、并行在内的衍生算法。CS算法与包括差分进化、分散搜索、群体最优、鲍威尔搜索、蝙蝠算法、粒子群优化、Levenberg-Marquardt及量子计算在内的其他算法的融合算法也在这一章进行了讨论。这一章还对现实应用、特征选择的两个典型案例进行了介绍，并对用于解决凸经济调度问题的改进算法进行了综述，最后还附上大量的相关参考文献。
第5章提出的萤火虫算法（FFA）是一种受自然启发的随机全局最优算法，由Yang[1]提出。该算法模拟了萤火虫寻找配偶及利用自身荧光闪烁交换信息的机理。这一章介绍了萤火虫的一些主要概念和行为模式、人工FFA，以及在基本算法上的衍生，包括离散萤火虫算法、二进制萤火虫算法、混沌萤火虫算法、并行萤火虫算法、约束问题下的萤火虫算法、Lvy飞行萤火虫算法、智能萤火虫算法、高斯萤火虫算法、网络结构萤火虫算法，以及参数自适应萤火虫算法等。此外，这一章还对萤火虫算法与其他优化算法包括和声搜索、模式搜索、学习自动机萤火虫算法及蚁群优化等相融合的先进萤火虫算法进行了综述。这一章最后讨论了萤火虫算法的实际应用案例，并附上了大量的相关参考文献。
第6章介绍的花卉授粉算法（FPA）是由Xin-She Yang受花卉授粉过程启发而在2012年提出的。该算法至今已被扩展成具有较优效果的多目标优化算法。这一章对花卉授粉算法及其基本特征进行了介绍，此外还给出了其衍生算法及与其他优化算法相融合的算法。这一章还介绍了一些花卉授粉算法在现实生活中的应用实例。另外，特征选择对模型的成功预测至关重要，因此这一章同时介绍了基于花卉授粉算法在特征选择问题中的应用。
第7章介绍的人工蜂群（ABC）算法是由Karabora于2005年提出的。在这一章中，介绍了人工蜂群优化算法的基本概念、衍生算法及与其他优化算法的融合算法。此外，这一章讨论了人工蜂群优化算法在不同领域的应用，特别介绍了人工蜂群算法在视网膜血管图像分割和模因人工蜂群算法在整数规划中的应用。
第8章介绍的独狼搜索算法（WSA）是一种新的生物启发式优化算法，该算法模拟狼群觅食和躲避敌人的生存行为，由Rui Tang于2012年提出。这一章综述了独狼搜索优化算法及其衍生算法，以及这些算法的一些应用实例。此外，这一章还介绍了基于独狼搜索算法在特征选择问题中的应用。
第9章对本书介绍的各算法进行了更高层次的讨论，并按照不同准则分析了算法之间的差异。在准则的选择上，考虑了对各算法的相似性和差异性进行区分。在选择这些准则时，参考了集群指导、概率分布、行为的数量、智能体位置分布、控制参数的个数、每次迭代中新智能体的生成、优化过程中收敛速度、采用的局部搜索全局寻优的类型。这些讨论可以帮助寻找每种算法的优缺点，也有助于发展新的融合算法及改进方法，以增强算法性能，至少可以帮助研究人员选择合适的算法解决实际优化问题。
剩余材料可从CRC网站获取：http：www.crcpress.comproductisbn 9781498791064。
参考文献
[1]Xin-She Yang, Nature-Inspired, Metaheuristic Algorithms, Luniver Press, 2010.
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
