潘峰、李位星、高琪等编著的《粒子群优化算法 与多目标优化》从算法背景、算法理论、算法求解单 目标和多目标问题等方面介绍了粒子群优化算法。 全书共9章,主要内容包括:绪论、粒子群优化 算法概述、粒子群优化算法特性分析、标准pso的采 样分布分析和粒子轨迹分析、标准pso算法的稳定性 分析、标准pso算法的马尔科夫链分析、单目标粒子 群优化算法、多目标粒子群优化算法、多目标粒子群 算法的改进。 《粒子群优化算法与多目标优化》取材新颖,覆 盖面较广,深入浅出,注重理论与实验相结合,不仅 适用于初学者,也可作为高等学校及科研院所电子信 息、自动化、计算机、信息科学等相关专业的研究生 和高年级本科生的专业参考书,还可供相关教师和工 程技术人员参考。

潘峰、李位星、高琪等编著的《粒子群优化算法与多目标优化》从优化问题和群智能优化方法入手,系统地介绍了粒子群优化方法原理,分析了算法的模型及相关参数。总结了算法理论研究成果,包括粒子群优化算法的稳定性结论、马尔科夫特性和早熟收敛问题等。书中全面地综述了多目标粒子群优化方法的研究现状,讨论了多目标优化问题和多目标粒子群优化方法的研究工作。 本书适合作为高等学校及科研院所电子信息、自动化、计算机、信息科学与其他相关专业的研究生和高年级本科生的专业参考书,也可供相关教师和工程技术人员参考。

第1章 绪论
1.1 引言
1.2 *优化问题
1.2.1 局部优化和全局优化
1.2.2 无免费午餐定理
1.3 群体智能概述
1.3.1 群智能的基本原则与特点
1.3.2 蚁群算法
1.3.3 粒子群优化算法
1.4 粒子群优化算法的现状及其应用
1.4.1 pso算法的理论分析
1.4.2 pso的改进策略
1.4.3 pso应用现状
1.5 小结
第2章 粒子群优化算法概述 第1章 绪论 1.1 引言 1.2 *优化问题 1.2.1 局部优化和全局优化 1.2.2 无免费午餐定理 1.3 群体智能概述 1.3.1 群智能的基本原则与特点 1.3.2 蚁群算法 1.3.3 粒子群优化算法 1.4 粒子群优化算法的现状及其应用 1.4.1 pso算法的理论分析 1.4.2 pso的改进策略 1.4.3 pso应用现状 1.5 小结 第2章 粒子群优化算法概述 2.1 随机搜索算法的基本框架 2.2 基本粒子群算法的形式化描述 2.3 粒子群算法的数学模型 2.3.1 带惯性权重的pso模型 2.3.2 带收缩系数的pso模型 2.3.3 bare bones particle swarm模型 2.3.4 混合型pso模型 2.3.5 p approximate kalitlan swarm(paks)模型 2.3.6 fips模型 2.3.7 pso连续模型 2.4 粒子群算法的拓扑结构 2.4.1 静态邻居拓扑结构 2.4.2 动态邻居拓扑结构 2.5 粒子群算法的评价指标 2.5.1 准确性 2.5.2 可靠性 2.5.3 鲁棒性 2.5.4 多样性 2.6 多样性研究 2.6.1 多样性的定义 2.6.2 群体多样性的归一化 2.6.3 粒子群优化算法的早熟收敛 2.7 小结 第3章 粒子群优化算法特性分析 3.1 pso的gbest模型分析 3.2 pso的pbest模型分析 3.3 标准pso单信息*大搜索空间描述 3.4 标准pso与bbps相似性分析 3.4.1 单信息*大搜索空间的描述分析 3.4.2 初始位置向量阶乘衰减因子分析 3.4.3 初始速度向量的加权参数分析 3.4.4 标准pso与bbps的相似性讨论 3.5 参数在概率意义下的遗忘特性 3.6 小结 第4章 标准pso的采样分布分析和粒子轨迹分析 4.1 标准pso的采样分布分析和停滞时的收敛性分析 4.1.1 计算e的动态方程 4.1.2 计算e和dev的动态方程 4.1.3 带随机性粒子的稳定性分析 4.2 粒子运动轨迹的位置分析 4.3 小结 第5章 标准psid算法的稳定性分析 5.1 常系数pso动态系统 5.2 时变pso动态系统 5.3 验证实验 5.3.1 惯量因子协调粒子群优化算法 5.3.2 加速因子协调粒子群优化算法 5.3.3 协调粒子群优化算法全局收敛性 5.4 小结 第6章 标准pso算法的马尔科夫链分析 6.1 标准pso算法单个粒子马氏链分析 6.2 pso群体马氏链分析 6.3 pso各参数对其优化效果的影响分析 6.3.1 群体规模的影响 6.3.2 惯性权重ω的影响 6.3.3 pso加速度因子c的影响 6.4 标准pso算法以一定概率搜索到全局*优解 6.5 小结 第7章 单目标粒子群优化算法 7.1 基于拓扑结构的粒子群改进算法 7.2 基于数学模型的粒子群改进算法 7.3 混合粒子群优化算法 7.3.1 基于遗传算法的粒子群优化算法 7.3.2 基于模拟退火算法的粒子群优化算法 7.3.3 基于混沌优化思想的混沌粒子群优化算法(cpso) 7.3.4 基于pso与混合蛙跳融合的群体智能算法 7.4 基于多群体的粒子群优化算法 7.4.1 引入禁忌搜索的双群体粒子群算法(tsbbpso) 7.4.2 纵向参数多子群粒子群算法 7.4.3 基于可拓学的多群体粒子群优化算法 7.4.4 自适应双群粒子群优化算法 7.4.5 基于信息扩散机制的双子群粒子群优化算法 7.5 小结 第8章 多目标粒子群优化算法 8.1 多目标优化问题 8.1.1 多目标优化问题的发展 8.1.2 多目标优化问题数学模型和基本概念 8.1.3 多目标优化问题的基准函数及性能指标 8.1.4 多目标优化方法分类 8.2 mopso的分类 8.2.1 根据不同的选择机制 8.2.2 根据不同的决策机制 8.3 密度度量与多样性保持 8.4 性能度量 8.5 小结 第9章 多目标粒子群算法的改进 9.1 自适应档案网格mopso(cmopso) 9.2 多目标全面学习粒子群优化算法(moclpso) 9.3 基于距离的pso改进算法(dismopso) 9.4 小结 参考文献

潘峰、李位星、高琪等编著的《粒子群优化算法与多目标优化》从优化问题和群智能优化方法入手,系统地介绍了粒子群优化方法原理,分析了算法的模型及相关参数。总结了算法理论研究成果,包括粒子群优化算法的稳定性结论、马尔科夫特性和早熟收敛问题等。书中全面地综述了多目标粒子群优化方法的研究现状,讨论了多目标优化问题和多目标粒子群优化方法的研究工作。 本书适合作为高等学校及科研院所电子信息、自动化、计算机、信息科学与其他相关专业的研究生和高年级本科生的专业参考书,也可供相关教师和工程技术人员参考。