智能优化算法及其应用

第1章 绪论
1.1 优化算法及其分类
1.2　最优化问题及其分类
1.2.1　函数优化问题
1.2.2　组合优化问题
第2章 遗传算法
2.1　遗传算法的研究进展
2.2　遗传算法理论概述
2.2.1　遗传算法常用术语
2.2.2　遗传算法基本要素
2.2.3　遗传算法基本理论
2.3　标准遗传算法
2.3.1　标准遗传算法及流程图
2.3.2　标准遗传算法有关参数的确定
2.3.3　标准遗传算法的特点
2.3.4　标准遗传算法的应用
2.3.5　标准遗传算法的不足
2.4　自适应遗传算法
2.4.1　算子改进
2.4.2　算法特点
2.4.3　算法步骤
2.4.4　参数设置分析
2.5　免疫遗传算法
2.5.1　免疫遗传算法原理
2.5.2　免疫遗传算子作用的定性分析
2.5.3　免疫遗传算法的收敛性
2.5.4　免疫遗传算法的特点
2.6　量子遗传算法
2.6.1　概述
2.6.2　量子比特编码
2.6.3　量子遗传算法流程
2.6.4　量子遗传算法的改进及其应用
2.7　算法实现与应用
2.7.1　基于遗传算法的PID参数整定及仿真
2.7.2 自适应遗传算法在函数优化中应用
2.7.3　基于免疫遗传算法的PID参数整定方法及仿真
第3章 免疫克隆选择算法
3.1　免疫算法的研究进展
3.2　克隆选择算法原理
3.2.1　克隆选择的基本概念
3.2.2　标准克隆选择算法
3.2.3　免疫克隆选择算法在函数优化中的应用
3.3　克隆选择算法的收敛性分析
3.3.1 克隆选择算法的马尔可夫链模型
3.3.2　CSA收敛性分析
3.4　自适应克隆选择算法
3.4.1　算法描述
3.4.2 算法特点
3.4.3 算法步骤
3.5 自适应小生境克隆选择算法
3.5.1 算法描述
3.5.2 算法步骤
3.5.3 参数设置分析
3.6 算法实现与应用
3.6.1 基于免疫克隆选择算法的PID参数整定及仿真
3.6.2 自适应克隆选择算法在函数优化中的应用
3.6.3 自适应小生境克隆选择算法在函数优化中的应用
第4章 粒子群算法
4.1 粒子群算法的研究进展
4.2 粒子群算法基本原理
4.2.1 基本粒子群算法
4.2.2 粒子群算法的参数设置
4.2.3 粒子群算法特点
4.3 实数编码的小生境粒子群算法
4.3.1 算法改进
4.3.2 算法描述
4.4 NPSA收敛性分析
4.5 算法实现与应用
4.5.1 标准的PSO算法在PID参数整定中的应用
4.5.2 改进的PSO算法在PID参数整定中的应用
4.5.3 实数编码的小生境粒子群算法在函数优化中的应用
第5章 蚁群算法
5.1 蚁群算法的研究进展
5.2 蚁群算法基本原理和模型
5.2.1 蚁群算法的生物学基础
5.2.2 蚁群算法的基本思想
5.2.3 蚁群算法的优缺点
5.3 蚁群算法及其收敛性分析
5.3.1 简单蚁群算法描述
5.3.2 收敛性分析
5.4 实数编码的小生境蚁群算法
5.4.1 算法思想
5.4.2 算法描述
5.5 算法实现与应用
5.5.1 测试函数
5.5.2 评价标准
5.5.3 参数取值
5.5.4 测试结果
5.5.5 参数研究
第6章 量子计算
6.1 量子计算的研究进展
6.2 量子位
6.3 量子逻辑门
6.3.1 量子逻辑门的可逆性
6.3.2 量子“非”门
6.3.3 相移门
6.3.4 量子“异或”门
6.3.5 量子“与”门
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 量子中央处理器
6.6.1 量子中央处理器的构成
6.6.2 量子中央处理器的工作原理
6.7 固定费用运输问题的量子算法
6.7.1 固定费用运输问题
6.7.2 fcTP的量子算法
附录A 测试函数
附录B 各种算法的基本程序
B.1 二进制编码的遗传算法源程序
B.2 二进制编码的免疫克隆算法源程序
B.3 实数编码的粒子群算法源程序
B.4 实数编码的蚁群算法源程序
参考文献