智能優(yōu)化算法及其應用

第1章 緒論
1.1 優(yōu)化算法及其分類
1.2　最優(yōu)化問題及其分類
1.2.1　函數(shù)優(yōu)化問題
1.2.2　組合優(yōu)化問題
第2章 遺傳算法
2.1　遺傳算法的研究進展
2.2　遺傳算法理論概述
2.2.1　遺傳算法常用術(shù)語
2.2.2　遺傳算法基本要素
2.2.3　遺傳算法基本理論
2.3　標準遺傳算法
2.3.1　標準遺傳算法及流程圖
2.3.2　標準遺傳算法有關(guān)參數(shù)的確定
2.3.3　標準遺傳算法的特點
2.3.4　標準遺傳算法的應用
2.3.5　標準遺傳算法的不足
2.4　自適應遺傳算法
2.4.1　算子改進
2.4.2　算法特點
2.4.3　算法步驟
2.4.4　參數(shù)設(shè)置分析
2.5　免疫遺傳算法
2.5.1　免疫遺傳算法原理
2.5.2　免疫遺傳算子作用的定性分析
2.5.3　免疫遺傳算法的收斂性
2.5.4　免疫遺傳算法的特點
2.6　量子遺傳算法
2.6.1　概述
2.6.2　量子比特編碼
2.6.3　量子遺傳算法流程
2.6.4　量子遺傳算法的改進及其應用
2.7　算法實現(xiàn)與應用
2.7.1　基于遺傳算法的PID參數(shù)整定及仿真
2.7.2 自適應遺傳算法在函數(shù)優(yōu)化中應用
2.7.3　基于免疫遺傳算法的PID參數(shù)整定方法及仿真
第3章 免疫克隆選擇算法
3.1　免疫算法的研究進展
3.2　克隆選擇算法原理
3.2.1　克隆選擇的基本概念
3.2.2　標準克隆選擇算法
3.2.3　免疫克隆選擇算法在函數(shù)優(yōu)化中的應用
3.3　克隆選擇算法的收斂性分析
3.3.1 克隆選擇算法的馬爾可夫鏈模型
3.3.2　CSA收斂性分析
3.4　自適應克隆選擇算法
3.4.1　算法描述
3.4.2 算法特點
3.4.3 算法步驟
3.5 自適應小生境克隆選擇算法
3.5.1 算法描述
3.5.2 算法步驟
3.5.3 參數(shù)設(shè)置分析
3.6 算法實現(xiàn)與應用
3.6.1 基于免疫克隆選擇算法的PID參數(shù)整定及仿真
3.6.2 自適應克隆選擇算法在函數(shù)優(yōu)化中的應用
3.6.3 自適應小生境克隆選擇算法在函數(shù)優(yōu)化中的應用
第4章 粒子群算法
4.1 粒子群算法的研究進展
4.2 粒子群算法基本原理
4.2.1 基本粒子群算法
4.2.2 粒子群算法的參數(shù)設(shè)置
4.2.3 粒子群算法特點
4.3 實數(shù)編碼的小生境粒子群算法
4.3.1 算法改進
4.3.2 算法描述
4.4 NPSA收斂性分析
4.5 算法實現(xiàn)與應用
4.5.1 標準的PSO算法在PID參數(shù)整定中的應用
4.5.2 改進的PSO算法在PID參數(shù)整定中的應用
4.5.3 實數(shù)編碼的小生境粒子群算法在函數(shù)優(yōu)化中的應用
第5章 蟻群算法
5.1 蟻群算法的研究進展
5.2 蟻群算法基本原理和模型
5.2.1 蟻群算法的生物學基礎(chǔ)
5.2.2 蟻群算法的基本思想
5.2.3 蟻群算法的優(yōu)缺點
5.3 蟻群算法及其收斂性分析
5.3.1 簡單蟻群算法描述
5.3.2 收斂性分析
5.4 實數(shù)編碼的小生境蟻群算法
5.4.1 算法思想
5.4.2 算法描述
5.5 算法實現(xiàn)與應用
5.5.1 測試函數(shù)
5.5.2 評價標準
5.5.3 參數(shù)取值
5.5.4 測試結(jié)果
5.5.5 參數(shù)研究
第6章 量子計算
6.1 量子計算的研究進展
6.2 量子位
6.3 量子邏輯門
6.3.1 量子邏輯門的可逆性
6.3.2 量子“非”門
6.3.3 相移門
6.3.4 量子“異或”門
6.3.5 量子“與”門
6.4 量子寄存器
6.5 量子加法器
6.5.1 量子半加器
6.5.2 一位量子全加器
6.5.3 多位量子加法器
6.6 量子中央處理器
6.6.1 量子中央處理器的構(gòu)成
6.6.2 量子中央處理器的工作原理
6.7 固定費用運輸問題的量子算法
6.7.1 固定費用運輸問題
6.7.2 fcTP的量子算法
附錄A 測試函數(shù)
附錄B 各種算法的基本程序
B.1 二進制編碼的遺傳算法源程序
B.2 二進制編碼的免疫克隆算法源程序
B.3 實數(shù)編碼的粒子群算法源程序
B.4 實數(shù)編碼的蟻群算法源程序
參考文獻