《蚁群算法原理及其应用》

编辑词条
点击认领

《蚁群算法原理及其应用(精装)》内容取材新颖,覆盖面较广,深入浅出,系统性强,注重理论联系实际,力求使读者能较快掌握和应用这一新兴的仿生优化算法。

编辑摘要
中文名: 《蚁群算法原理及其应用》 作者: 段海滨
语种: 简体中文 ISBN: 7030162048
出版社: 科学出版社 页数: 447
开本: 16 出版时间: 2005年2月1日
装帧: 平装

《蚁群算法原理及其应用》 - 内容简介

蚁群算法原理及其应用(精装)》可作为计算机科学、控制科学、人工智能、管理科学等专业高年级本科生、研究生和教师的参考书,也可供理工科其他专业的师生参考,还可供利用计算机从事智能优化的科技人员阅读和参考。[1] 

《蚁群算法原理及其应用》 - 编辑推荐

《蚁群算法原理及其应用(精装)》系统、深入地介绍了蚁群算法的原理及其应用,力图概括国内外在这一学术领域的最新研究进展。全书共
《蚁群算法原理及其应用》《蚁群算法原理及其应用》

 包括10章,主要内容包括蚁群算法的思想起源、研究现状及机制原理;蚁群算法的复杂度分析;蚁群算法的收敛性证明;蚁群算法参数对其性能的影响;蚁群算法的参数选择原则;离散域和连续域蚁群算法的若干改进策略;蚁群算法在多个优化领域的典型应用;蚁群算法的硬件实现技术;蚁群算法与其他仿生优化算法的比较与融合;蚁群算法的研究展望;最后还在附录部分给出了基本蚁群算法的程序源代码和相关网站。[1] 

《蚁群算法原理及其应用》 - 图书目录

第1章 绪论
1.1 引言
1.2 蚂蚁的生物学特征
1.3 蚁群算法的思想起源
1.4 蚁群算法的研究进展
1.5 本书的体系结构
1.6 本章 小结
参考文献

第2章 基本蚁群算法原理及其复杂度分析
2.1 引言
2.2 基本蚁群算法的原理
2.3 基本蚁群算法的系统学特征
2.4 基本蚁群算法的数学模型
2.5 基本蚁群算法的具体实现
2.6 基本蚁群算法的复杂度分析
2.7 基本蚁群算法的性能评价指标
2.8 本章 小结
参考文献

第3章 蚁群算法的收敛性研究
3.1 引言
3.2 图搜索蚂蚁系统(GBAS)的收敛性研究
3.3 一类改进蚁群算法的收敛性证明
3.4 GBAS/TDEV和GBAS/tdlb的确定性收敛证明
3.5 基本蚁群算法的A.S.收敛性研究
3.6 一类分布式蚂蚁路由算法的收敛性研究
3.7 基于分支路由和Wiener过程的蚁群算法收敛性证明
3.8 一种简单蚁群算法及其收敛性分析
3.9 遗传一蚁群算法的Markov收敛性分析
3.1 0一类广义蚁群算法(GACA)的收敛性分析
3.1 1本章 小结
参考文献

第4章 蚁群算法的实验分析及参数选择原则
4.1 引言
4.2 蚁群行为和参数对算法性能影响的实验分析
4.3 蚁群算法参数最优组合的“三步走”方法
4.4 本章 小结
参考文献

第5章 离散域蚁群算法的改进研究
5.1 引言
5.2 自适应蚁群算法
5.3 基于去交叉局部优化策略的蚁群算法
5.4 基于信息素扩散的蚁群算法
5.5 多态蚁群算法
5.6 基于模式学习的小窗口蚁群算法
5.7 基于混合行为的蚁群算法
5.8 带聚类处理的蚁群算法
5.9 基于云模型理论的蚁群算法
5.1 0具有感觉和知觉特征的蚁群算法
5.1 1具有随机扰动特性的蚁群算法
5.1 2基于信息熵的改进蚁群算法
5.1 3本章 小结
参考文献

第6章 连续域蚁群算法的改进研究
6.1 引言
6.2 基于网格划分策略的连续域蚁群算法
6.3 基于信息量分布函数的连续域蚁群算法
6.4 连续域优化问题的自适应蚁群算法
6.5 基于交叉变异操作的连续域蚁群算法
6.6 嵌入确定性搜索的连续域蚁群算法
6.7 基于密集非递阶的连续交互式蚁群算法(cIACA)
6.8 多目标优化问题的连续域蚁群算法
6.9 复杂多阶段连续决策问题的动态窗口蚁群算法
6.1 0本章 小结
参考文献

第7章 蚁群算法的典型应用
7.1 引言
7.2 车间作业调度问题
7.3 网络路由问题
7.4 车辆路径问题
7.5 机器人领域
7.6 电力系统
7.7 故障诊断
7.8 控制参数优化
7.9 系统辨识
7.1 0聚类分析
7.1 1数据挖掘
7.1 2图像处理
7.1 3航迹规划
7.1 4空战决策
7.1 5岩土工程
7.1 6化学工业
7.1 7生命科学
7.1 8布局优化
7.1 9本章 小结
参考文献

第8章 蚁群算法的硬件实现
8.1 引言
8.2 仿生硬件概述
8.3 基于FPGA的蚁群算法硬件实现
8.4 基于蚁群算法和遗传算法动态融合的软硬件划分
8.5 本章 小结
参考文献

第9章 蚁群算法同其他仿生优化算法的比较与融合
9.1 引言
9.2 其他几种仿生优化算法的基本原理
9.3 蚁群算法与其他仿生优化算法的异同比较
9.4 蚁群算法与遗传算法的融合
9.5 蚁群算法与人工神经网络的融合
9.6 蚁群算法与微粒群算法的融合
9.7 蚁群算法与人工免疫算法的融合
9.8 本章 小结
参考文献

第10章 展望
10.1 引言
10.2 蚁群算法的模型改进
10.3 蚁群算法的理论分析
10.4 蚁群算法的并行实现
10.5 蚁群算法的应用领域
10.6 蚁群算法的硬件实现
10.7 蚁群算法的智能融合
10.8 本章 小结

参考文献
附录A基本蚁群算法程序
A.1 C语言版
A.2 Matlab语言版
A.3 VisualBasic语言版
附录B相关网站
附录C基本术语(中英文对照)及缩略语
附录D(词一首)鹧鸪天蚁群算法 

《蚁群算法原理及其应用》 - 作品序言

仿生优化算法是人工智能研究领域中一个重要的分支,其中包括模拟生物界中自然选择和遗传机制的遗传算法、模拟蚂蚁群体觅食行为的蚁群算法以及模拟鸟类群体捕食行为的微粒群算法等。

蚁群算法最初由意大利学者Dorigo M于1991年首次提出,其本质上是一个复杂的智能系统,它具有较强的鲁棒性、优良的分布式计算机制、易于与其他方法结合等优点。如今这一新兴的仿生优化算法已经成为人工智能领域的一个研究热点。目前对其研究已渗透到多个应用领域,并由解决一维静态优化问题发展到解决多维动态组合优化问题。如今在国内外许多学术期刊和重要国际会议上,蚁群算法已成为交叉学科中一个非常活跃的前沿性研究问题。

段海滨博士多年来一直从事蚁群算法方面的研究工作,并在该领域有着丰厚的研究积累。该书包含了作者在蚁群算法理论及应用方面的研究成果,同时也吸纳了国内外许多有代表性的研究进展。

该书在系统研究蚁群算法的机制原理、理论分析及其在离散域和连续域的若干改进策略的基础上,阐述了蚁群算法在多个优化领域的典型应用,探讨了蚁群算法的硬件实现,研究了蚁群算法与其他仿生优化算法的融合策略,展望了蚁群算法的发展方向。
为了便于读者学习和研究,该书在附录部分给出了基本蚁群算法的程序源代码及相关的网站资源。因此,该书不仅具有较高的学术价值,而且对工程应用也具有较好的参考价值和指导意义。

该书取材新颖,覆盖面广,结构合理。内容阐述深入浅出,条理清晰,注重理论联系实际,具有前瞻性和创新性,较好地体现了在这一研究领域的最新进展。

该书可作为高等院校和科研院所的计算机科学、人工智能、控制科学、管理科学、系统工程、电力电子、机械工程和生命科学等专业的广大师生及科技工作者的学习参考书。

目前国内系统地介绍蚁群算法的专著还比较匮乏,该书的出版在一定程度上弥补了这个不足。相信它的出版将对蚁群算法的发展和应用起到积极的推动作用。 

为本词条添加视频组图相关影像

参考资料:
[1]^引用日期:2011-08-31

互动百科的词条(含所附图片)系由网友上传,如果涉嫌侵权,请与客服联系,我们将按照法律之相关规定及时进行处理。未经许可,禁止商业网站等复制、抓取本站内容;合理使用者,请注明来源于www.baike.com。

欢迎加入互动百科大家庭,和互动百科超过770万专业认证智愿者一起,分享你的真知灼见。

如果你对大家的讨论有兴趣,可以点击“赞”和“鄙视”的大拇指,来表达你的看法。

讨论区的精彩内容,会被用户顶到最上面,让更多人感受到大家的推荐,你注意到了吗?

登录后使用互动百科的服务,将会得到个性化的提示和帮助,还有机会和770多万专业认证智愿者沟通。

互动百科用户登录
您也可以使用以下网站账号登录: