登入帳戶  | 訂單查詢  | 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
會員登入 新註冊 | 新用戶登記
HOME新書上架暢銷書架好書推介特價區會員書架精選月讀2023年度TOP分類閱讀雜誌 香港/國際用戶
最新/最熱/最齊全的簡體書網 品種:超過100萬種書,正品正价,放心網購,悭钱省心 送貨:速遞 / EMS,時效:出貨後2-3日

2024年03月出版新書

2024年02月出版新書

2024年01月出版新書

2023年12月出版新書

2023年11月出版新書

2023年10月出版新書

2023年09月出版新書

2023年08月出版新書

2023年07月出版新書

2023年06月出版新書

2023年05月出版新書

2023年04月出版新書

2023年03月出版新書

2023年02月出版新書

『簡體書』智能前沿:群智能优化算法及应用

書城自編碼: 3495891
分類: 簡體書→大陸圖書→自然科學數學
作 者: 李煜,刘景森,何小锋
國際書號(ISBN): 9787513658690
出版社: 中国经济出版社
出版日期: 2020-05-01

頁數/字數: /
書度/開本: 16开 釘裝: 平装

售價:NT$ 348

我要買

share:

** 我創建的書架 **
未登入.



新書推薦:
中国宫廷医学养生精要
《 中国宫廷医学养生精要 》

售價:NT$ 437.0
战略叙事:传播力与新世界秩序
《 战略叙事:传播力与新世界秩序 》

售價:NT$ 437.0
基于语料库的秦汉简帛用字研究 与秦汉简帛用字习惯研究相关的论文集
《 基于语料库的秦汉简帛用字研究 与秦汉简帛用字习惯研究相关的论文集 》

售價:NT$ 437.0
实物、人类学习与博物馆学
《 实物、人类学习与博物馆学 》

售價:NT$ 941.0
汉篆辑录(第一卷)
《 汉篆辑录(第一卷) 》

售價:NT$ 605.0
国有经济国别研究
《 国有经济国别研究 》

售價:NT$ 941.0
谷歌人不疲倦的工作术:揭秘谷歌颠覆式工作法,重新构建人生效能体系
《 谷歌人不疲倦的工作术:揭秘谷歌颠覆式工作法,重新构建人生效能体系 》

售價:NT$ 252.0
糖的暗黑历史
《 糖的暗黑历史 》

售價:NT$ 330.0

編輯推薦:
(1)算法的研究富有理论实践双重意义,本书对近年提出的一些活跃算法,如群智能算法、蝙蝠算法和布谷鸟算法等,从算法理论、机制、流程、代码、改进和应用等方面进行了系统阐述和深入分析。(2)群智能优化算法,为现实中存在的大量不可微、非线性、不确定性复杂问题提供了方便实用的*化求解途径和方法。
內容簡介:
群智能优化算法研究已成为智能优化领域的研究热点,并渗透到社会生产生活的方方面面。作为一种新兴的智能优化技术,群智能优化算法自提出以来,广泛应用于人工智能、通信网络和工业生产等领域。无论是从理论研究还是应用研究的角度考量,群智能理论及其应用研究都具有重要的学术意义和现实价值。
针对背包问题优化、车辆路径问题优化、Steiner*小树问题等越来越多的*化问题的求解需求,本书深入分析解读了蝙蝠算法、布谷鸟算法、量子算法、量子蚁群算法等群智能优化算法,为现实中存在的大量不可微、非线性、不确定性复杂问题提供了方便实用的*化求解途径和方法。同时,群智能潜在的并行性和分布式梯度为处理以数据库形式存在的大数据提供了技术保证。
關於作者:
李煜,河南大学商学院教授、硕士生导师,管理学博士,美国布鲁姆菲尔德大学访问学者。主要研究方向:智能优化、电子商务、物流管理等。先后主持和承担国家自然科学基金、国家社会科学基金、教育部人文社科基金和河南省科技攻关等多项科研项目,发表专业论文50余篇,其中SCI和EI收录20余篇。
刘景森,工学博士,河南大学软件学院教授。主要研究方向:智能算法、优化控制、网络信息安全等。发表专业论文40余篇,其中SCI、EI检索20余篇;主编及合编教材3部;主持完成省部级以上科研项目10余项,作为主要参与者完成多个纵向项目、国防基础研究项目和横向项目。
何小锋,博士,上海雅丰信息科技有限公司、深圳遨顺人工智能有限公司联合创始人,长期从事智能算法的理论研究及应用研发工作。参与国家自然科学基金项目2项、上海市学科建设项目1项、上海市教委科研创新项目1项及博士点基金青年项目1项,主持负责上海市创新计划项目1项、上海市研究生创新基金项目1项。
目錄
第1章绪论
1.1引言
1.2群智能优化算法模式综述
1.2.1粒子群优化算法
1.2.2蚁群优化算法
1.2.3量子算法
1.2.4蝙蝠算法
1.2.5人工蜂群算法
1.2.6细菌觅食优化算法
1.2.7萤火虫优化算法
1.2.8布谷鸟优化算法
1.2.9人工鱼群算法
1.2.10混合蛙跳算法
参考文献
第2章蝙蝠算法
2.1蝙蝠算法
2.1.1算法的生物学背景
2.1.2算法的基本概念
2.1.3算法流程及进化方程
2.2蝙蝠算法的研究进展
2.2.1蝙蝠算法的提出和改进
2.2.2蝙蝠算法的应用
2.2.3蝙蝠算法研究展望
2.3改进的蝙蝠算法
2.3.1连续优化问题的蝙蝠算法
2.3.2一种动态调整惯性权重的自适应蝙蝠算法
2.3.3融合均匀变异与高斯变异的蝙蝠优化算法
2.3.4混合蝙蝠算法
参考文献
第3章布谷鸟算法
3.1布谷鸟算法基本思想
3.2具有随机惯性权重的布谷鸟算法(WCS)
3.2.1动态惯性权重
3.2.2惯性权重取值范围研究
3.2.3改进布谷鸟算法的时间复杂度和收敛性分析

3.3种群大小对惯性权重选取的影响
3.4仿真实验
3.4.1WCS算法与CS算法的比较
3.4.2改进算法(WCS)与其他算法的对比实验
参考文献
第4章量子算法
4.1量子组合算法研究现状及发展
4.1.1量子遗传算法
4.1.2量子退火算法
4.1.3量子聚类算法
4.1.4量子神经网络
4.1.5量子微粒群算法
4.2群智能优化算法基本原理及其算法步骤
4.2.1引言
4.2.2群智能优化算法基本原理及其算法步骤

4.3量子计算基本原理
4.3.1量子比特
4.3.2量子逻辑门
4.3.3基本量子算法
参考文献
第5章量子蚁群优化算法
5.1量子蚁群算法基本思想
5.2量子蚁群算法基本步骤
5.3求解0-1背包的量子蚁群算法
5.3.1问题描述
5.3.2信息素表示
5.3.3信息素更新
5.3.4求解0-1背包问题的QACA算法步骤
5.3.5数值实验
5.4车辆路径问题的量子蚁群算法
內容試閱
第1章 绪论

1.1引言
20世纪60年代以来,智能优化作为一门新兴的交叉学科,从无到有,由弱到强。智能优化的出发点是模拟自然以实现对复杂问题的求解,目前已成为系统科学、计算机科学、人工智能最活跃的研究领域之一,吸引世界范围众多学者的关注和深入研究。[1-3]越来越多的人致力于研究自然界中存在的计算模式,先后从不同研究视角通过模拟不同的自然现象从而获得更好、更有效的算法。智能算法是研究复杂的、不确定的、变化的环境中智能行为的自适应机制,包括学习能力、对新情况的适应能力、抽象能力、泛化能力、发现能力与联想能力等。智能算法具有很强的多学科交叉特点,它是生物学、神经科学、认知科学、计算机科学、免疫学、哲学、社会性、数学、信息科学、非线性科学、工程学、音乐、物理学等众多学科相互交叉融合的结果,是人们对自然智能认识和模拟的最新成果,它的深入发展将极大地改变人们认识自然、求解现实问题的能力和水平。在工程技术、社会经济以及科学计算领域存在大量复杂的计算问题,这些问题表现出高度的非线性、不可导、不连续、高复杂性。科学家通过模拟自然界的许多现象,如生物的演变进化、生物群体行为、DNA、文化、量子行为等,试图解决自然或人造系统中的各类复杂优化问题,并取得了很大进展。[2,4,5]
最优化问题分为连续变量问题和离散变量问题两大类,其中,连续变量问题又可称为函数优化问题,一般是求一组实数,或者是一个函数,分为线性规划和非线性规划两类;离散变量问题一般是从一个无限集或可数无限集里寻找一个对象(如一个整数、一个集合、一个排列或者一个图),往往被称为组合优化问题Combinatorial Optimization。[3,6-9]在现实生活中,很多问题表现为离散的组合优化问题,例如,旅行商问题是解决商人如何安排经过城市的顺序以使其所走的路程最短;车辆路径问题是解决物流系统如何引导车辆寻路以使其所花代价最小;背包问题是解决旅行者如何在有限的承受能力范围内选择价值最大的物品;最小树问题可以解决现实中的管道铺设、电路设计、通信系统、计算机网络等问题;图着色问题的应用背景包括任务调度、资源分配、排课表、VLSI布线和测试等,大量的科技、管理及工业设计也可归结为图着色问题来解决。[10-18]经过数学家们多年研究和整理,以上这一类组合优化问题被确定为NP(Non-deterministic Polynomial time,非确定性多项式时间)难题。
在过去的50多年中,以遗传算法等为代表的启发式随机搜索算法,在理论和应用方面都取得了长足进步。智能算法的快速发展与其广阔的应用背景紧密相关,随着经济、社会和科学的不断发展,现实中面临的重大问题越来越多,复杂程度也越来越高。为了提高算法的性能必须不断加强对智能计算工作机理的认识,从根本上解决这一问题。[19]智能优化没有严格的定义,从不同的角度可以给出不同的定义,其本质主要是利用自然现象构造计算模型,或是利用计算机重现自然现象,具有模拟自然界的特点,一般是一类具有自适应、自组织、自学习能力的模型和算法,可以解决传统优化方法难以解决的各种复杂问题。智能算法的特征是比喻性地使用自然系统潜在的概念、原理和机制,如遗传算法使用生物进化论的复制、变异、杂交等概念和机制。其主要研究领域包括遗传算法[20-23]、神经网络[24,25]、粒子群算法[26,27]、蚁群算法[28-30]、量子计算[31-33]、模拟退火[34,35]、DNA计算[36,37]、元胞自动机[38,39]、布谷鸟算法[40,41]、膜计算[42,43]等。
智能优化作为一个新兴的交叉学科领域,自20世纪后半叶以来,无论是在理论探索还是应用拓展方面,均得到了全面快速发展,已经成为系统科学、计算机科学、人工智能等领域的一个重要分支。针对经济和社会等工程技术和管理中的重大决策任务,以及科学研究中大量存在的复杂计算任务,智能优化无论是在面向这些任务的复杂系统建模与模拟,还是在复杂决策分析和优化问题的求解方面,均提出了一套崭新的研究思想和解决方案。与传统理论和方法相比,智能优化算法有着强大的全局搜索能力、问题域的独立性、信息处理的隐并行性、应用的鲁棒性和操作的简明性,成为一种具有良好普世性和规模化的优化方法。进入21世纪以来,更是掀起智能算法的研究高潮,短短十年间,新的智能算法竞相涌现,各种算法百花齐放,如和声搜索算法[44,45]、蝙蝠算法[46,47]、布谷鸟算法[41,48]、萤火虫算法[49,50]等。
传统优化算法为优化问题的求解提供了巨大帮助,但计算过程中也暴露出了一些缺点,[51]主要表现在以下几个方面:①传统优化算法通常都是从一个初始点出发,每次迭代过程中仅对一个点进行计算,这种算法架构很难发挥现代计算机高速计算的性能,尤其是高性能多处理器的计算机和现代并行计算模式往往很难应用到传统优化算法中,限制了算法求解大规模问题的能力和计算速度。②传统优化算法一般都要求目标函数是连续可微的,甚至有时要求是高阶可微的,但是在实际问题中这样的条件往往很难满足,限制了传统优化算法的应用范围。③传统优化算法在每一次迭代时都要求迭代向改进方向移动,即每一次都要求目标函数值有所降低,这样算法就不会具有爬山能力。若算法陷入某个局部的低谷,则无法继续搜索该区域之外的任何其他区域,因此,算法就失去了全局搜索能力。④每种传统优化算法只能求解一部分问题,即算法只能求解符合其适用条件的问题。要应用某种传统优化算法就必须简化甚至改变原有的问题,使之能满足该方法的使用条件。如果问题不满足任何已知的传统优化算法的适用条件,那么用传统优化算法就无法有效求解。[19,20]
考虑传统优化算法的不足,人们希望能够设计出新的有效的优化方法。特别是20世纪90年代以来,实际问题的结构越来越复杂,规模越来越大,不可微、非线性、不确定性、多目标已经成为这些问题的基本特征,而建立在解析基础上的传统优化算法往往对这些问题的求解无能为力。因此,人们逐渐意识到,必须探索新的优化方法来解决这些问题。同时随着计算机科学与技术的飞速发展,并渗透各个领域,从根本上改变了人们的工作和生活。如何充分发挥计算机技术的优势推动优化方法的发展,成为人们越来越关注的问题。
智能优化算法的发展得益于运筹学、生物学、物理学、计算数学、计算机科学、人工智能和控制论等学科,充分吸收了这些学科的思想、概念和方法。智能优化算法大都具备自组织性、正反馈性、鲁棒性、并行性和实现简单等特征,为在没有集中控制且不提供全局信息的条件下寻找复杂问题的求解方案提供了思路,为优化问题的求解开辟了新的手段。[52-54]应用智能优化算法求解优化问题时,其搜索过程通常具有以下一些特征:①个体都具有执行简单的空间或时间上评估和计算能力。②当环境(包括其他个体)发生变化时,个体能够对变化做出响应,特别是出现值得付出代价的改变机会时,个体必须能够改变其行为模式。③不同的个体对环境中的某一变化所表现出的响应行为应该具备多样性。[22,55,56]
和传统优化算法相比,智能优化算法具有其特有的优化特点:①非单点操作,采用群体搜索策略。智能优化算法大都采用由多个个体组成的群体对可行解空间进行搜索,搜索过程中能够实现对各个体所提供信息的共享。信息的传播可以避免对一些不必要区域的搜索,既能提高算法的搜索效率,又能在一定程度上避免陷入局部极值。②智能优化算法在求解优化问题时,目标函数和约束函数可以不必是解析的,更不必是连续和可微的。智能优化算法可有效求解那些目标函数没有明确表达式,或有表达式但不可精确估值的优化问题。此外,智能优化算法对计算中数据的不确定性有较强的适应能力。③智能优化算法是对自然现象和自然规律的模拟,这些现象和规律所蕴含的深刻的优化思想为算法的设计提供了坚实的科学基础。算法中,个体行为虽然简单但通过个体之间的相互作用,整个群体涌现出智能行为,而这种行为可用于求解优化问题。④智能优化算法不依赖于优化问题本身的数学性质和所求问题本身的结构特征以及其他辅助信息,算法可以用于求解不同类型的优化问题,具有广泛的适用性。[2,3]
大自然经过亿万年继承创造演化,完美展现了其高效和神奇。人们从自然系统中学到许多知识,并用这些知识发展新的算法和模型来求解复杂问题。正是模仿生物的智能行为并借鉴其智能机理,许多解决复杂问题的新方法不断涌现。通过对自然智能的建模,我们取得了许多成果从而创建出许多智能系统,随着人们对大自然的进一步观察和研究,又提出了很多有代表性的智能优化算法。每种智能算法都对应一种实际的启发源,例如,DNA[36]计算是基于诺贝尔生理学或医学奖获得者Watson和Crick提出的双螺旋结构和诺贝尔化学奖获得者Mullis提出的聚合酶链接反应;人工蜂群算法[57]是基于诺贝尔生理学或医学奖获得者Frisch破译的蜜蜂跳舞行为;而人工免疫算法[58]是基于诺贝尔生理学或医学奖获得者K.Jerne提出的免疫网络理论。智能优化算法奇妙的思路和广阔的应用领域吸引了大量研究人员不断创新。截至目前,还没有找到一种方法能够应用到所有的优化问题中,为了解决我们所面临的问题,必须研究新的优化算法。

 

 

書城介紹  | 合作申請 | 索要書目  | 新手入門 | 聯絡方式  | 幫助中心 | 找書說明  | 送貨方式 | 付款方式 香港用户  | 台灣用户 | 海外用户
megBook.com.tw
Copyright (C) 2013 - 2024 (香港)大書城有限公司 All Rights Reserved.