智能算法原理與實現:群智能優化算法(簡體書)
商品資訊
系列名:人工智能科學與技術叢書
ISBN13:9787302684336
出版社:清華大學出版社(大陸)
作者:李士勇; 李研; 王越紅; 林永茂
出版日:2025/04/01
裝訂/頁數:平裝/512頁
規格:24cm*17cm (高/寬)
版次:一版
商品簡介
作者簡介
李士勇 哈爾濱工業大學二級教授、博士生導師,哈工大教學名師,黑龍江省優秀專家。科研和教學成果獲國家級獎2項、省部級獎7項。在智能自動化領域已出版18部著作。作為國內最早開展模糊控制(於1986年)和智能控制(於1988年)的教學及科研工作的開拓者,在智能控制方面,百萬字的代表作《模糊控制· 神經控制和智能控制論》獲1999年“全國優秀科技圖書獎”暨“科技進步獎(科技著作)三等獎”,曾躋身於十大領域中國科技論文引用頻次最高的前50部專著與譯著排行榜。在智能優化方面,著有《蟻群算法及其應用》《量子計算與量子優化算法》《智能優化算法原理與應用》《智能優化算法與涌現計算》。在智能制導方面,著有《智能制導——尋的導彈智能自適應導引律》(國家出版基金資助項目)。在複雜系統方面,著有《非線性科學與複雜性科學》等。
名人/編輯推薦
智能算法正在成為對複雜系統問題建模、預測、識別、分類、決策、診斷及優化求解的強有力工具,已經成為生成式通用人工智能系統研究的前沿領域。群智能優化算法作為智能算法的重要組成部分,它是一種基於生物群體智能行為的啟發式搜索算法,通過利用群體中個體間的信息交互和協同來實現對缺乏精確模型的複雜系統問題優化求解。群智能優化算法其概念及原理必將在推動大模型、隱私計算、具身智能等領域的發展中發揮日益重要的作用。本書系統介紹了106種原創的群智能優化算法,具有取材廣泛,內容新穎,啟迪讀者創新思維、可讀性好的特點,對於智能優化領域的教學、科研及開發人員具有很高的參考價值。
序
智能計算和智能優化正在成為新一代人工智能科學與技術革命中最活躍的前沿領域。為了及時反映國內外大量原創智能優化算法的研究成果,本書作者出版了《智能優化算法與涌現計算》(清華大學出版社,ISBN 9787302517429),優選了106種原創智能算法,全書600余頁; 2022年出版了第2版(清華大學出版社,ISBN 9787302603993),共包括159種智能算法,全書近850頁……但一本書難以承載太多的內容。
為什麼新算法像雨後春筍般涌現出來呢?1997年Wolperthe Macready在研究最優理論時,在IEEE Transactions on Evolutionary Computation上發表了論文No Free Lunch Theorems for Optimization,稱無免費午餐定理,又稱NFL定理。通俗地講,沒有一種算法能夠在所有優化問題的性能上都優於其他算法。因此,NFL定理就激勵著廣大科研人員設計、創造出更多的智能優化算法,以滿足人們對科學、工程、經濟、管理等更複雜的優化問題的迫切需要。
從人工智能到計算智能,再到智能計算
人工智能(Artificial Intelligence,AI)的研究始於1956年,由年輕的美國學者麥卡錫(McCrthay)、明斯基(Minsky)、洛徹斯特(Lochester)和香農(Shannon)共同發起,邀請了莫爾(More)、塞繆爾(Samuel)、紐維爾(Newell)及西蒙(Simon)等在美國達特茅斯大學舉辦。這一關於用機器模擬人類智能問題的長達2個月的研討會,開啟了人工智能研究的先河。人類的智能主要表現在人腦的思維功能及人在和環境交互過程中的適應行為、學習行為、意識的能動性等。在對人工智能的長期研究過程中,逐漸形成了用機器模擬人類智能的符號主義、聯結主義、行為主義。
計算智能(Computational Intelligence,CI)的研究始於1994年,IEEE在美國佛羅裡達舉辦了模糊系統、神經網絡和進化計算的首屆計算智能大會,掀起了用計算機模擬生命、模擬自然等的計算智能研究熱潮。計算智能是指用計算機通過某些優化算法來模擬生物及自然中蘊含的適應、進化、優化機制而體現出的智能。這種智能是在優化算法的執行計算過程及優化結果中表現出來的,即這種智能是靠算法計算出來的,故稱為計算智能,因此這種優化算法也稱為計算智能優化算法。計算是靠軟件實現的,被扎德稱為軟計算。
人工智能和計算智能是兩個密切相關又有區別的概念。它們都是用計算機模擬智能行為; 但是,人工智能側重於模擬人類的智能行為,問題求解是傳統人工智能的核心問題; 計算智能著重模擬生物、動植物、自然現象和自然系統等群體中蘊含的適應、進化、優化、靈性、智能性,問題優化是計算智能的核心問題。
智能計算(Intelligent Computing,IC)研究的重要標志性成果是始於2016年推出的AI圍棋程序AlphaGo和AlphaZero,隨著AlphaGo和AlphaZero相繼戰勝世界圍棋大師,AI浪潮的發展被推向全新的高度; 另一個重要的標志性成果是大型預訓練模型的出現,2022年,美國Open AI研發的聊天機器人程序ChatGPT,其中最具代表性的是自然語言處理模型GPT3,其所具有的高度結構複雜性和應用大量參數的大模型可以提高深度學習的性能。
科學家們從解決複雜的科學和社會問題的角度提出了智能計算的新定義: “智能計算是支撐萬物互聯的數字文明時代新的計算理論方法、架構體系和技術能力的總稱。智能計算根據具體的實際需求,以最小的代價完成計算任務,匹配足夠的計算能力,調用最好的算法,獲得最優的結果。”從智能方面要求: 在更高智能層次上,包括理解、表達、抽象、推理、創造和反思等模擬人腦和群體的智能。從計算方面要求: 計算機的智能要成為通用智能。通用智能以硅基設施為載體,將由個體和群體計算設備產生的生物智能移植到計算機上的數據智能、感知智能、認知智能和自主智能。在智能計算的理論體系中,人類的智能是智能的源泉,計算機智能是人類智能的賦能,稱為通用智能。
智能優化算法的產生、種類及特點
基於精確模型的傳統優化算法,當優化問題缺乏精確數學模型時,其應用就受到極大限制。然而,人們從自然界的各種植物、動物的生長、競爭過程中,以及各種自然現象生生不息、周而復始的變化中,發現了許多隱含在其中的信息存儲、處理、適應、組織、進化的機制,其中蘊含著優化的機理。於是,人們從中獲得了優化思想的設計靈感。
霍蘭(Holland)創立的遺傳算法奠定了智能優化算法的重要基礎。義大利多利戈(Dorigo)博士1991年提出的模擬蟻群覓食行為的蟻群優化算法開辟了群智能優化算法的先河。1995年提出的模擬鳥類飛行覓食行為的粒子群優化算法進一步豐富了群智能優化算法的內涵,極大地推動了智能優化算法開發的速度、深度和廣度。
近半個世紀以來,科學工作者提出了數以百計的不依賴被優化問題數學模型的優化算法,被稱為元啟發式算法、仿生計算、自然計算等。這些優化算法中有些在一定程度上模擬人的智能行為,有些模擬自然界中某些動物、植物生存過程的適應性、靈性、智能性,本書將它們統稱為智能優化算法。
國內外有關智能優化算法尚沒有統一的分類標準。本書的分類是基於以下的基本原則: 按照優化算法所模擬的主體的智能性、生物屬性、自然屬性來歸類。從生物層面劃分,包括人類、動物、植物、微生物等。人類區別於其他動物的本質特徵在於人有高度發達的大腦,是自然界智能水平最高的生命體。因此,把模擬人、人體系統、組織,人類社會、組織機構乃至國家等智能行為的相關優化算法歸為智能計算和仿人智能優化算法。
根據作者上述的分類思想,將智能計算和優化算法劃分為如下五大類。
(1) 智能計算與仿人優化算法: 模擬人腦思維、認知行為、人體系統、組織、細胞、基因等及人類社會進化、企業管理、團體競爭等過程中的智能行為。
(2) 進化算法: 模擬生物生殖、繁衍過程中的遺傳、變異、競爭、優勝劣汰的進化行為。
(3) 群智能優化算法: 模擬群居昆蟲、動物覓食、繁殖、捕獵、搜索策略的群智能行為。
(4) 植物生長算法: 模擬花、草、樹的向光性、根吸水性、種子繁殖、花朵授粉、雜草生長等的適應行為。
(5) 自然計算: 模擬風、雨、云,基於數學、物理、化學定律,混沌現象、分形等的仿自然優化算法。
智能優化算法和傳統的優化算法相比,智能優化算法主要具有如下優點。
(1) 不需要優化問題的精確數學模型。
(2) 一種智能優化算法往往可以用於多種問題求解,具有較好的通用性。
(3) 採用啟發式規則和隨機搜索能夠獲得全局最優解或準最優解,具有全局性。
(4) 適用於不同初始條件下的尋優,具有適應性。
(5) 群智能優化算法更適合於複雜大型系統問題的並行求解,具有並行性。
(6) 智能優化算法一般比傳統優化算法的效率更高、速度更快。
智能算法原理與實現: 群智能優化算法
在自然界中,地上、地下、空中、水中、森林中、草原上分布著多種生物和動物,如昆蟲、鳥類、魚類、狼、獅子等。這些生物和動物群體都是由一些相對簡單、低級智能的昆蟲或動物的個體組成,大量個體在群體活動中的聚集、協同、適應等行為表現出了個體所不具有的較高級的群體智能行為,這種智能行為稱為群體智能、群集智能、群聚智能,統稱為群智能。
群智能優化算法是模擬自然界中的群居生物和動物在覓食、求偶、繁殖、遷徙、狩獵等過程中的群體智能行為及其蘊含的優化機制,實現對問題求解的一大類智能優化算法的統稱。
近年來,不斷涌現出的群智能優化新算法在智能優化算法中占有絕大部分。因此,本書介紹了精選的106種群智能優化算法,具有取材寬廣、內容豐富新穎、多學科交叉融合、啟迪創新思維等特點。
致謝
在本書的編寫中,引用了原創算法作者發表的論文,還參考了國內外相關算法研究的重要文獻及有價值的學位論文。為便於讀者查閱,將這些主要論文一並列入本書的參考文獻。在此,對被引用文獻的作者表示衷心的感謝!
參加本書編寫、提供素材或提供多種幫助的有宋申民、張秀杰、寧永臣、班曉軍、李盼池、左興權、黃金杰、袁麗英、趙寶江、柏繼云、李浩、張逸達、王振楊、黃忠報、李世宏、欒秀春、章錢、郭成、郭玉、楊丹、張恒、徐保華等。
本書的出版始終得到清華大學出版社的大力支持,在此表示由衷的感謝!
編寫這樣一套全面反映智能算法原理與實現的原創性成果的專著,不僅篇幅大,而且內容涉及自然科學、社會科學和哲學等幾乎所有學科門類,受編著者知識面所限,書中內容難免存在不足之處,懇請廣大讀者給予指正!
李士勇
2024年12月
於哈爾濱工業大學
目次
第1章蟻群優化算法
1.1蟻群優化算法的提出
1.2螞蟻的習性及覓食行為
1.3蟻群覓食策略的優化原理
1.4蟻群優化算法的原型——螞蟻系統
模型的描述
1.5基本蟻群優化算法的流程
第2章蟻獅優化算法
2.1蟻獅優化算法的提出
2.2蟻獅的狩獵行為
2.3蟻獅優化算法的原理
2.4蟻獅優化算法的數學描述
2.5蟻獅優化算法的實現
第3章粒子群優化算法
3.1粒子群優化算法的提出
3.2粒子群優化算法的基本原理
3.3粒子群優化算法的描述
3.4粒子群優化算法的實現步驟及流程
3.5粒子群優化算法的特點及其改進
第4章人工蜂群算法
4.1人工蜂群算法的提出
4.2人工蜂群算法的基本原理
4.3人工蜂群算法的數學描述
4.4人工蜂群算法的實現步驟與流程
第5章蜜蜂交配優化算法
5.1蜜蜂交配優化算法的提出
5.2蜂群競爭繁殖過程的優化機制
5.3蜜蜂交配優化算法的數學描述
5.4蜜蜂交配優化算法的實現步驟
及流程
第6章適應度依賴優化算法
6.1適應度依賴優化算法的提出
6.2適應度依賴優化的基本原理
6.3適應度依賴優化算法的數學描述
6.4具有單一目標優化的FDO問題
6.5適應度依賴優化的實現步驟
及偽代碼
第7章螢火蟲群優化算法
7.1螢火蟲群優化算法的提出
7.2螢火蟲閃光的特點及功能
7.3螢火蟲群優化算法的數學描述
7.4螢火蟲群優化算法的實現步驟
及流程
第8章螢火蟲算法
8.1螢火蟲算法的提出
8.2螢火蟲算法的基本思想
8.3螢火蟲算法的數學描述
8.4螢火蟲算法的實現步驟及流程
第9章果蠅優化算法
9.1果蠅優化算法的提出
9.2果蠅的生物價值及覓食行為
9.3果蠅優化算法的基本原理
9.4果蠅優化算法的數學描述
9.5果蠅優化算法的實現步驟及流程
第10章蝴蝶算法
10.1蝴蝶算法的提出
10.2蝴蝶的生活習性
10.3蝴蝶算法的優化原理
10.4蝴蝶算法的數學描述
10.5蝴蝶算法的實現步驟
第11章蝴蝶交配優化算法
11.1蝴蝶交配優化算法的提出
11.2蝴蝶的生活習性
11.3BMO算法的機理
11.4BMO算法的數學描述
11.5BMO算法的偽代碼實現
第12章蝴蝶優化算法
12.1蝴蝶優化算法的提出
12.2蝴蝶的生活習性
12.3蝴蝶算法的優化原理
12.4BOA的數學描述
12.5BOA的實現步驟及偽代碼
第13章帝王蝶優化算法
13.1帝王蝶優化算法的提出
13.2帝王蝶的特徵及習性
13.3帝王蝶優化算法的優化原理
13.4帝王蝶優化算法的數學描述
13.5帝王蝶優化算法實現的過程及
流程
第14章蜻蜓算法
14.1蜻蜓算法的提出
14.2蜻蜓的生活習性
14.3DA的優化原理
14.4DA的數學描述
14.5單目標及多目標DA的實現步驟及
偽代碼
第15章蜉蝣優化算法
15.1蜉蝣優化算法的提出
15.2蜉蝣的習性及其交配行為
15.3蜉蝣優化算法的優化原理
15.4單目標蜉蝣優化算法的數學描述
15.5單目標蜉蝣優化算法的偽代碼
實現
15.6多目標蜉蝣優化算法的偽代碼
實現
第16章蚱蜢優化算法
16.1蚱蜢優化算法的提出
16.2蚱蜢的習性
16.3蚱蜢優化算法的優化原理
16.4蚱蜢優化算法的數學描述
16.5蚱蜢優化算法的實現步驟及
偽代碼
第17章飛蛾撲火優化算法
17.1飛蛾撲火優化算法的提出
17.2飛蛾的橫向導航方法
17.3飛蛾撲火的原理
17.4飛蛾撲火優化算法的數學描述
17.5飛蛾撲火優化算法的偽代碼實現
第18章蛾群算法
18.1蛾群算法的提出
18.2飛蛾的生活習性及趨光性
18.3蛾群算法的數學描述
18.4蛾群算法的實現步驟
第19章群居蜘蛛優化算法
19.1群居蜘蛛優化算法的提出
19.2蜘蛛的習性與特徵
19.3群居蜘蛛優化算法的基本思想
19.4群居蜘蛛優化算法的數學描述
19.5蜘蛛優化算法的實現步驟及流程
第20章黑寡婦優化算法
20.1黑寡婦優化算法的提出
20.2黑寡婦蜘蛛繁殖方式和同類相食
行為
20.3黑寡婦優化算法的優化原理
20.4黑寡婦優化算法的數學描述
20.5黑寡婦優化算法的實現步驟、
偽代碼及流程
第21章蟑螂優化算法
21.1蟑螂優化算法的提出
21.2蟑螂的習性
21.3蟑螂優化算法的優化原理
21.4蟑螂優化算法的數學描述
21.5蟑螂優化算法的實現步驟
第22章天牛須搜索算法
22.1天牛須搜索算法的提出
22.2天牛的習性及天牛須的功能
22.3天牛須搜索算法的優化原理
22.4天牛須搜索算法的數學描述
22.5天牛須搜索算法的實現步驟及流程
第23章七星瓢蟲優化算法
23.1七星瓢蟲優化算法的提出
23.2七星瓢蟲捕食的優化原理
23.3七星瓢蟲優化算法的數學描述及
實現步驟
23.4七星瓢蟲優化算法的實現流程
第24章蚯蚓優化算法
24.1蚯蚓優化算法的提出
24.2蚯蚓的生活習性
24.3蚯蚓優化算法的基本思想
24.4蚯蚓優化算法的數學描述
24.5蚯蚓優化算法的實現及流程
第25章變色龍群算法
25.1變色龍群算法的提出
25.2變色龍的特徵及習性
25.3變色龍群算法的優化原理
25.4變色龍群算法的數學模型
25.5變色龍群算法的偽代碼實現
第26章布谷鳥搜索算法
26.1布谷鳥搜索算法的提出
26.2布谷鳥的繁殖行為與Levy飛行
26.3布谷鳥搜索算法的原理
26.4布谷鳥搜索算法的數學描述
26.5布谷鳥搜索算法的實現步驟及流程
第27章候鳥優化算法
27.1候鳥優化算法的提出
27.2候鳥V字形編隊飛行的優化原理
27.3候鳥優化算法的描述
27.4候鳥優化算法的實現步驟及流程
27.5候鳥優化算法的特點及參數分析
第28章雁群優化算法
28.1雁群優化算法的提出
28.2雁群飛行規則及其假設
28.3雁群優化算法的基本思想
28.4雁群優化算法的數學描述
28.5雁群優化算法的實現步驟及流程
第29章燕群優化算法
29.1燕群優化算法的提出
29.2燕子的生活習性及覓食行為
29.3燕群優化算法的優化原理
29.4燕群優化算法的數學描述
29.5燕群優化算法的實現步驟及偽代碼
第30章麻雀搜索算法
30.1麻雀搜索算法的提出
30.2麻雀的生活習性
30.3麻雀搜索算法的優化原理
30.4麻雀搜索算法中的假設規則
30.5麻雀搜索算法的數學描述
30.6麻雀搜索算法的偽代碼實現
第31章鴿群優化算法
31.1鴿群優化算法的提出
31.2鴿子自主歸巢導航的優化原理
31.3鴿群優化算法的數學描述
31.4鴿群優化算法的實現步驟及流程
第32章鳥群算法
32.1鳥群算法的提出
32.2鳥群覓食、警惕和飛行行為規則
32.3鳥群算法的數學描述
32.4鳥群算法的偽代碼描述及流程
第33章希區柯克鳥啟發算法
33.1希區柯克鳥啟發算法的提出
33.2希區柯克鳥的攻擊行為
33.3希區柯克鳥啟發算法的優化原理
33.4希區柯克鳥啟發算法的數學描述
33.5希區柯克鳥啟發算法的實現步驟
及偽代碼
第34章烏鴉搜索算法
34.1烏鴉搜索算法的提出
34.2烏鴉的生活習性
34.3烏鴉搜索算法的優化原理
34.4烏鴉搜索算法的數學描述
34.5烏鴉搜索算法的實現步驟及流程
第35章緞藍園丁鳥優化算法
35.1緞藍園丁鳥優化算法的提出
35.2緞藍園丁鳥的習性及求偶機制
35.3緞藍園丁鳥優化算法的數學描述
35.4緞藍園丁鳥優化算法的實現
第36章孔雀優化算法
36.1孔雀優化算法的提出
36.2孔雀的生活習性
36.3孔雀優化算法的優化機制
36.4孔雀優化算法的數學描述
36.5孔雀優化算法的偽代碼實現
第37章哈裡斯鷹優化算法
37.1哈裡斯鷹優化算法的提出
37.2哈裡斯鷹的習性及覓食策略
37.3哈裡斯鷹優化算法的數學描述
37.4哈裡斯鷹優化算法的實現
第38章禿鷹搜索算法
38.1禿鷹搜索算法的提出
38.2禿鷹的習性及其狩獵策略的優化
機制
38.3禿鷹搜索算法的數學描述
38.4禿鷹搜索算法的偽代碼實現
第39章非洲禿鷲優化算法
39.1非洲禿鷲優化算法的提出
39.2非洲禿鷲的特徵及覓食行為
39.3非洲禿鷲優化算法的優化原理
39.4非洲禿鷲優化算法的數學描述
39.5非洲禿鷲優化算法的偽代碼描述
及流程
第40章天鷹優化算法
40.1天鷹優化算法的提出
40.2天鷹優化算法的優化原理
40.3天鷹優化算法的數學描述
40.4天鷹優化算法的實現流程
第41章北蒼鷹優化算法
41.1北蒼鷹優化算法的提出
41.2北蒼鷹的習性和狩獵策略
41.3北蒼鷹優化算法的數學描述
41.4北蒼鷹優化算法的偽代碼及實現
流程
第42章金鷹優化算法
42.1金鷹優化算法的提出
42.2金鷹的習性
42.3金鷹優化算法的基本原理
42.4金鷹優化算法的數學描述
42.5金鷹優化算法的實現步驟
第43章蝙蝠算法
43.1蝙蝠算法的提出
43.2蝙蝠的習性及回聲定位
43.3蝙蝠算法的基本思想
43.4蝙蝠算法的數學描述
43.5蝙蝠算法的實現步驟及流程
第44章動態虛擬蝙蝠算法
44.1動態虛擬蝙蝠算法的提出
44.2蝙蝠的回聲定位功能
44.3動態虛擬蝙蝠算法的優化原理
44.4動態虛擬蝙蝠算法的數學描述
44.5虛擬蝙蝠算法的偽代碼實現
第45章飛鼠搜索算法
45.1飛鼠搜索算法的提出
45.2飛鼠滑行及覓食行為的尋優機制
45.3飛鼠搜索算法的數學描述
45.4飛鼠搜索算法的偽代碼實現及流程
第46章混合蛙跳算法
46.1混合蛙跳算法的提出
46.2混合蛙跳算法的基本原理
46.3基本混合蛙跳算法的描述
46.4混合蛙跳算法的實現步驟
46.5混合蛙跳算法實現的流程
第47章人工魚群算法
47.1人工魚群算法的提出
47.2動物自治體模型與魚類的覓食行為
47.3人工魚群算法的基本原理
47.4人工魚群算法的數學描述
47.5人工魚群算法的流程
第48章大馬哈魚洄遊算法
48.1大馬哈魚洄遊算法的提出
48.2大馬哈魚的洄遊習性
48.3大馬哈魚洄遊算法的優化原理
48.4大馬哈魚洄遊算法的描述
48.5大馬哈魚洄遊算法的實現步驟
及流程
第49章鯨魚優化算法
49.1鯨魚優化算法的提出
49.2鯨魚的泡泡網覓食行為
49.3鯨魚優化算法的優化原理
49.4鯨魚優化算法的數學描述
49.5鯨魚優化算法的實現步驟及流程
第50章海洋捕食者算法
50.1海洋捕食者算法的提出
50.2海洋捕食者覓食的軌跡特徵
50.3海洋捕食者算法的優化原理
50.4海洋捕食者算法的數學描述
50.5海洋捕食者算法的偽代碼及實現
流程
第51章爬行動物搜索算法
51.1爬行動物搜索算法的提出
51.2鱷魚狩獵的習性
51.3爬行動物搜索算法的數學描述
51.4爬行動物搜索算法的偽代碼及實現
流程
第52章蝠鲼覓食優化算法
52.1蝠鲼覓食優化算法的提出
52.2蝠鲼的覓食行為
52.3蝠鲼覓食優化算法的優化原理
52.4蝠鲼覓食優化算法的數學描述
52.5蝠鲼覓食優化算法的偽代碼實現
第53章緋鯢鰹算法
53.1緋鯢鰹算法的提出
53.2緋鯢鰹的習性及狩獵行為
53.3緋鯢鰹算法的優化原理
53.4緋鯢鰹算法的數學描述
53.5緋鯢鰹算法的實現步驟及偽代碼
第54章被囊群算法
54.1被囊群算法的提出
54.2被囊動物的習性
54.3被囊群算法的優化原理
54.4被囊群算法的數學描述
54.5被囊群算法的實現步驟及流程
第55章人工水母搜索優化算法
55.1人工水母搜索優化算法的提出
55.2水母的習性及覓食行為
55.3人工水母搜索優化算法的優化原理
55.4人工水母搜索優化算法的數學描述
55.5人工水母搜索優化算法的實現步驟
第56章磷蝦群算法
56.1磷蝦群算法的提出
56.2磷蝦群算法的優化原理
56.3磷蝦群算法的數學描述
56.4磷蝦群算法的實現步驟及流程
第57章藤壺交配優化算法
57.1藤壺交配優化算法的提出
57.2藤壺的習性及交配行為
57.3哈迪溫伯格原理
57.4藤壺交配優化算法的數學描述
57.5藤壺交配優化算法的偽代碼實現
第58章口孵魚算法
58.1口孵魚算法的提出
58.2口孵魚的習性
58.3口孵魚算法的優化原理
58.4口孵魚算法的數學描述
58.5口孵魚算法的偽代碼實現
第59章河豚圓形結構算法
59.1河豚圓形結構算法的提出
59.2河豚的習性
59.3河豚建造圓形結構的過程
59.4河豚圓形結構算法的數學描述
59.5河豚圓形結構算法的偽代碼實現
第60章樽海鞘群算法
60.1樽海鞘群算法的提出
60.2樽海鞘的生活習性
60.3樽海鞘群覓食的優化機制
60.4樽海鞘群算法的數學描述
60.5樽海鞘群算法的實現步驟
及偽代碼
第61章珊瑚礁優化算法
61.1珊瑚礁優化算法的提出
61.2珊瑚蟲生活習性及珊瑚礁築成
61.3珊瑚礁優化算法的優化原理
61.4珊瑚礁優化算法的數學描述
61.5珊瑚礁優化算法的實現步驟及流程
第62章海豚回聲定位優化算法
62.1海豚回聲定位優化算法的提出
62.2海豚的生活習性
62.3海豚回聲定位的優化原理
62.4海豚回聲定位優化算法的數學描述
62.5海豚回聲定位優化算法的實現步驟及
流程
第63章海豚群算法
63.1海豚群算法的提出
63.2海豚群算法的優化原理
63.3海豚群算法的數學描述
63.4海豚群算法的實現步驟
第64章海鷗優化算法
64.1海鷗優化算法的提出
64.2海鷗的習性及遷徙和攻擊行為
64.3海鷗優化算法的數學描述
64.4海鷗優化算法的實現步驟及偽代碼
第65章烏燕鷗優化算法
65.1烏燕鷗優化算法的提出
65.2烏燕鷗的特徵及習性
65.3烏燕鷗優化算法的優化原理
65.4烏燕鷗優化算法的數學描述
65.5烏燕鷗優化算法的實現步驟
及偽代碼
第66章白骨頂雞優化算法
66.1白骨頂雞優化算法的提出
66.2白骨頂雞的習性
66.3白骨頂雞優化算法的優化原理
66.4白骨頂雞優化算法的數學描述
66.5白骨頂雞優化算法的偽代碼實現
第67章細菌覓食優化算法
67.1細菌覓食優化算法的提出
67.2大腸桿菌的結構及覓食行為
67.3細菌覓食優化算法的原理
67.4細菌覓食優化算法的數學描述
67.5細菌覓食優化算法的實現步驟
及流程
第68章細菌(群體)趨藥性算法
68.1細菌(群體)趨藥性算法的提出
68.2細菌趨藥性算法的優化原理
68.3細菌趨藥性算法的數學描述
68.4細菌群體趨藥性算法的基本思想
68.5細菌群體趨藥性算法的數學描述
68.6細菌群體趨藥性算法的實現步驟
第69章細菌菌落優化算法
69.1細菌菌落優化算法的提出
69.2細菌的生長、繁殖、死亡過程
69.3細菌菌落優化算法的優化原理
69.4細菌菌落優化算法的設計
69.5細菌菌落優化算法的實現步驟
及流程
第70章病毒種群搜索算法
70.1病毒種群搜索算法的提出
70.2病毒及其生存策略
70.3病毒種群搜索算法的優化原理
70.4病毒種群搜索算法的數學描述
70.5病毒種群搜索算法實現的偽代碼
及算法流程
第71章黏菌算法
71.1黏菌算法的提出
71.2黏菌的智能覓食行為
71.3黏菌算法的優化原理
71.4黏菌算法的數學描述
第72章貓群優化算法
72.1貓群優化算法的提出
72.2貓的生活習性
72.3貓群優化算法的優化原理
72.4貓群優化算法的數學描述
72.5貓群優化算法的實現步驟
72.6貓群優化算法實現的程序流程
第73章鼠群優化算法
73.1鼠群優化算法的提出
73.2鼠群優化算法的優化原理
73.3鼠群優化算法及其環境描述
73.4鼠群優化算法的實現步驟
第74章貓鼠種群算法
74.1貓鼠種群算法的提出
74.2貓鼠種群算法的優化原理
74.3貓鼠種群算法的數學描述
74.4貓鼠種群算法的實現步驟及流程
第75章雞群優化算法
75.1雞群優化算法的提出
75.2雞群優化算法的基本思想
75.3雞群優化算法的數學描述
75.4雞群優化算法的實現步驟及流程
第76章猴群算法
76.1猴群算法的提出
76.2猴群算法的優化原理
76.3猴群算法的數學描述
76.4猴群算法的實現步驟及流程
第77章蜘蛛猴優化算法
77.1蜘蛛猴優化算法的提出
77.2蜘蛛猴習性及裂變融合結構的覓食
行為
77.3蜘蛛猴優化算法的優化原理
77.4蜘蛛猴優化算法的數學描述
77.5蜘蛛猴優化算法的實現步驟
第78章斑鬣狗優化算法
78.1斑鬣狗優化算法的提出
78.2斑鬣狗的社會等級及捕食行為
78.3斑鬣狗優化算法的優化原理
78.4斑鬣狗優化算法的數學描述
78.5斑鬣狗優化算法的實現步驟及流程
第79章狼群算法
79.1狼群算法的提出
79.2狼的習性及狼群特徵
79.3狼群算法的優化原理
79.4狼群算法的數學描述
79.5狼群算法的實現步驟及流程
第80章灰狼優化算法
80.1灰狼優化算法的提出
80.2灰狼的社會等級及狩獵行為
80.3灰狼優化算法的數學描述
80.4灰狼優化算法的實現步驟及流程
第81章獅子優化算法
81.1獅子優化算法的提出
81.2獅子的生活習性
81.3獅子優化算法的優化原理
81.4獅子優化算法的數學描述
81.5獅子優化算法的偽代碼實現
第82章野馬優化算法
82.1野馬優化算法的提出
82.2野馬的特徵及習性
82.3野馬優化算法的優化原理
82.4野馬優化算法的數學描述
82.5野馬優化算法的偽代碼及實現流程
第83章蜜獾算法
83.1蜜獾算法的提出
83.2蜜獾的特徵及習性
83.3蜜獾算法的優化原理
83.4蜜獾算法的數學描述
83.5蜜獾算法的偽代碼實現
第84章沙丘貓群優化算法
84.1沙丘貓群優化算法的提出
84.2沙丘貓的習性及捕食行為
84.3沙丘貓群優化算法的數學描述
84.4SCSO算法的偽代碼及實現流程
84.5隨機變異和精英協作的沙丘貓群
優化算法
84.6SESCSO算法的偽代碼及實現流程
第85章耳廓狐優化算法
85.1耳廓狐優化算法的提出
85.2耳廓狐的習性
85.3耳廓狐優化算法的基本思想
85.4耳廓狐優化算法的數學描述
85.5耳廓狐優化算法的偽代碼及實現
流程
第86章金豺優化算法
86.1金豺優化算法的提出
86.2金豺的習性及其特點
86.3單目標金豺優化算法的數學描述
86.4多目標金豺優化算法的數學描述
86.5多目標金豺優化算法的實現步驟
第87章蛇優化算法
87.1蛇優化算法的提出
87.2蛇的習性及獨特的交配行為
87.3蛇優化算法的優化原理
87.4蛇優化算法的數學描述
87.5蛇優化算法的偽代碼及實現流程
第88章探路者優化算法
88.1探路者優化算法的提出
88.2探路者優化算法的基本思想
88.3探路者優化算法的數學描述
88.4探路者算法的實現步驟及偽代碼
第89章帝企鵝優化算法
89.1帝企鵝優化算法的提出
89.2帝企鵝的生活習性
89.3帝企鵝優化算法的基本思想
89.4帝企鵝優化算法的數學描述
89.5帝企鵝優化算法的實現步驟、
偽代碼及流程
第90章北極熊優化算法
90.1北極熊優化算法的提出
90.2北極熊的生活習性及捕獵行為
90.3北極熊優化算法的優化原理
90.4北極熊優化算法的數學描述
90.5北極熊優化算法的實現步驟
及偽代碼
第91章浣熊優化算法
91.1浣熊優化算法的提出
91.2浣熊的生活習性及特徵
91.3浣熊優化算法的優化原理
91.4浣熊優化算法的數學描述
91.5浣熊優化算法的偽代碼及實現流程
第92章浣熊族優化算法
92.1浣熊族優化算法的提出
92.2浣熊家族及其社會行為
92.3浣熊族優化算法的基本思想
92.4浣熊族優化算法的數學描述
92.5浣熊族優化算法的實現流程
第93章大猩猩部隊優化算法
93.1大猩猩部隊優化算法的提出
93.2大猩猩的特徵及習性
93.3大猩猩部隊優化算法的原理
93.4大猩猩部隊優化算法的數學描述
93.5大猩猩部隊優化算法的偽代碼實現
第94章黑猩猩優化算法
94.1黑猩猩優化算法的提出
94.2黑猩猩的特徵及習性
94.3黑猩猩優化算法的原理
94.4黑猩猩優化算法的數學描述
94.5黑猩猩優化算法的偽代碼實現
第95章大象放牧優化算法
95.1大象放牧優化算法的提出
95.2大象的生活習性
95.3大象放牧優化算法的優化原理
95.4大象放牧優化算法的數學描述
95.5大象放牧優化算法的實現步驟
及偽代碼
95.6二進制象群優化算法的原理及偽代碼
實現
第96章象群水搜索算法
96.1象群水搜索算法的提出
96.2大象的特徵及其水搜索策略
96.3象群水搜索算法設計的基本規則
96.4象群水搜索算法的數學描述
96.5象群水搜索算法的偽代碼實現
第97章自私獸群優化算法
97.1自私獸群優化算法的提出
97.2自私獸群優化算法的優化原理
97.3自私獸群優化算法的數學描述
97.4自私獸群優化算法的實現步驟及
流程
第98章捕食搜索算法
98.1捕食搜索算法的提出
98.2動物捕食策略
98.3捕食搜索算法的基本思想
98.4捕食搜索算法的數學描述
98.5捕食搜索算法的實現步驟及流程
第99章自由搜索算法
99.1自由搜索算法的提出
99.2自由搜索算法的優化原理
99.3自由搜索算法的數學描述
99.4自由搜索算法的實現步驟及流程
第100章食物鏈算法
100.1食物鏈算法的提出
100.2捕食食物鏈
100.3人工生命捕食策略
100.4人工生命食物鏈的基本思想
100.5食物鏈算法的數學描述
100.6食物鏈算法的實現步驟及流程
第101章共生生物搜索算法
101.1共生生物搜索算法的提出
101.2共生生物搜索算法的優化原理
101.3共生生物搜索算法的數學描述
101.4SOS算法的實現步驟及流程
第102章生物地理學優化算法
102.1生物地理學優化算法的提出
102.2生物地理學的基本概念及生物物種
遷移模型
102.3生物地理學優化算法的優化原理
102.4生物地理學優化算法的數學描述
102.5生物地理學優化算法的實現步驟及
流程
第103章競爭優化算法
103.1競爭優化算法的提出
103.2競爭優化算法的優化原理
103.3競爭優化算法的描述
103.4競爭優化算法的實現步驟及流程
第104章動態群協同優化算法
104.1動態群協同優化算法的提出
104.2動態群協同優化算法的基本原理
104.3動態群協同優化算法的數學描述
104.4動態群協同優化算法的實現步驟
及偽代碼
第105章梯度優化算法
105.1梯度優化算法的提出
105.2梯度優化算法的基本思想
105.3梯度優化算法的數學描述
105.4梯度優化算法的偽代碼實現
第106章獵人獵物優化算法
106.1獵人獵物優化算法的提出
106.2獵人獵物優化算法的基本思想
106.3獵人獵物優化算法的數學描述
106.4獵人獵物優化算法的實現流程
附錄A智能優化算法的理論基礎:
複雜適應系統理論
參考文獻
主題書展
更多書展購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大,除封面破損、內頁脫落等較嚴重的狀態,其餘商品將正常出貨。
特別提醒:部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供,需以QR CODE 連結至當地網站註冊“並通過驗證程序”,方可下載使用。
無現貨庫存之簡體書,將向海外調貨:
海外有庫存之書籍,等候約45個工作天;
海外無庫存之書籍,平均作業時間約60個工作天,然不保證確定可調到貨,尚請見諒。
為了保護您的權益,「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨,請在商品鑑賞期內寄回,且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。
















