鸽群优化

目录
序
前言
第1章 绪论 1
1.1 引言 1
1.2 鸽子习性 4
1.3 鸽子导航特点 7
1.3.1 太阳因素 8
1.3.2 地磁场因素 8
1.3.3 地形地标因素 9
1.3.4 其他因素 10
1.4 鸽子导航历史 10
1.5 鸽群优化算法起源 14
1.6 鸽群优化算法进展 19
1.6.1 要素更换 22
1.6.2 算子增加 23
1.6.3 结构调整 24
1.6.4 应用扩展 25
1.7 本书结构 26
1.8 本章小结 27
参考文献 27
第2章 鸽群优化算法 41
2.1 引言 41
2.2 *优化问题 44
2.3 算法介绍 45
2.3.1 算法模型 45
2.3.2 算法流程 47
2.3.3 算法特点 49
2.4 本章小结 50
参考文献 50
第3章 鸽群优化理论 54
3.1 引言 54
3.2 基于马尔可夫链的收敛性理论证明 55
3.2.1 问题描述 55
3.2.2 算法设计 58
3.2.3 理论分析 59
3.2.4 仿真实验 61
3.3 改进多目标鸽群优化算法分析 66
3.3.1 算法设计 66
3.3.2 理论分析 71
3.3.3 仿真实验 75
3.4 基于鞅理论的收敛性分析 87
3.4.1 问题描述 87
3.4.2 理论分析 88
3.5 基于平均收益模型的*达时间分析 93
3.5.1 理论分析 93
3.5.2 仿真实验 96
3.6 异构鸽群优化算法特性分析 97
3.6.1 算法设计 97
3.6.2 特性分析 99
3.7 本章小结 105
参考文献 105
第4章 鸽群优化改进模型 109
4.1 引言 109
4.2 离散鸽群优化 110
4.2.1 算法设计 110
4.2.2 仿真实验 115
4.3 二进制鸽群优化 119
4.3.1 算法设计 119
4.3.2 仿真实验 121
4.4 广义鸽群优化 123
4.4.1 算法设计 123
4.4.2 仿真实验 125
4.5 进化博弈鸽群优化 129
4.5.1 算法设计 130
4.5.2 仿真实验 131
4.6 莱维飞行鸽群优化 132
4.6.1 系统设计 132
4.6.2 算法设计 135
4.6.3 仿真实验 137
4.7 多目标鸽群优化 138
4.7.1 算法设计 139
4.7.2 仿真实验 140
4.8 本章小结 141
参考文献 141
第5章 基于鸽群优化的任务规划 147
5.1 引言 147
5.2 集群编队 148
5.2.1 自适应鸽群优化集群编队 148
5.2.2 量子鸽群优化紧密编队 153
5.3 避障飞行 164
5.3.1 分层学习多目标鸽群优化编队避障 164
5.3.2 社会学习多目标鸽群优化编队避障 178
5.4 航路规划 186
5.4.1 自适应量子鸽群优化航路规划 186
5.4.2 动态离散鸽群优化路径规划 195
5.5 协同搜索 209
5.5.1 协同进化鸽群优化区域搜索 209
5.5.2 多机制融合鸽群优化协同搜索 221
5.6 本章小结 232
参考文献 232
第6章 基于鸽群优化的自主控制 236
6.1 引言 236
6.2 控制参数优化 237
6.2.1 高斯鸽群优化自适应控制 237
6.2.2 鲁棒鸽群优化姿态控制 246
6.3 无人机自主着舰 258
6.3.1 柯西变异鸽群优化自主着舰 258
6.3.2 捕食–逃逸鸽群优化自主着舰 269
6.4 自主空中加油 282
6.4.1 异构综合学习鸽群优化自主空中加油 282
6.4.2 变权重变异鸽群优化自主空中加油 288
6.5 本章小结 296
参考文献 297
第7章 基于鸽群优化的信息处理 301
7.1 引言 301
7.2 图像处理 302
7.2.1 正交鸽群优化图像复原 302
7.2.2 空间变分辨率鸽群优化目标识别 318
7.3 数据挖掘 326
7.3.1 组合多目标鸽群优化数据聚类 326
7.3.2 融合粒子群鸽群优化数据预测 339
7.4 本章小结 348
参考文献 348
第8章 基于鸽群优化的电气能控 353
8.1 引言 353
8.2 系统节能 354
8.2.1 COSR 策略多目标鸽群潮流优化 354
8.2.2 和声鸽群优化智能调度 362
8.2.3 离散知识型鸽群优化车间能效 369
8.3 器件控制 377
8.3.1 PCHS 策略鸽群优化磁场线圈 377
8.3.2 融合策略鸽群优化无刷电机 385
8.4 本章小结 392
参考文献 392
第9章 研究前沿与展望 395
9.1 引言 395
9.2 模型改进 395
9.3 理论深化 396
9.4 并行实现 397
9.5 仿生硬件 398
9.6 应用拓展 399
9.7 本章小结 399
参考文献 400
CONTENTS
Foreword
Preface
Chapter 1 Exordium 1
1.1 Introduction 1
1.2 Habits and Behavior of Pigeon 4
1.3 Navigation Characteristics of Pigeon 7
1.3.1 Solar Information 8
1.3.2 Magnetic Information 8
1.3.3 Landscape Information 9
1.3.4 Other Information 10
1.4 History of Pigeon Navigation 10
1.5 Origin of Pigeon-Inspired Optimization 14
1.6 Advances in Pigeon-Inspired Optimization 19
1.6.1 Component Replacement 22
1.6.2 Operation Addition 23
1.6.3 Structure Adjustment 24
1.6.4 Application Expansion 25
1.7 Organization of This Book 26
1.8 Summary 27
References 27
Chapter 2 Pigeon-Inspired Optimization Algorithm 41
2.1 Introduction 41
2.2 Optimization Problem 44
2.3 Introduction of PIO Algorithm 45
2.3.1 Model of PIO Algorithm 45
2.3.2 Process of PIO Algorithm 47
2.3.3 Characteristics of PIO Algorithm 49
2.4 Summary 50
References 50
Chapter 3 Theory of Pigeon-Inspired Optimization 54
3.1 Introduction 54
3.2 Convergence Analysis Based on Markov Chain 55
3.2.1 Problem Description 55
3.2.2 Algorithm Design 58
3.2.3 Theory Analysis 59
3.2.4 Simulation Experiments 61
3.3 Theory Analysis of Multi-Objective Pigeon-Inspired Optimization 66
3.3.1 Algorithm Design 66
3.3.2 Theory Analysis 71
3.3.3 Simulation Experiments 75
3.4 Convergence Analysis Based on Martingale Theory 87
3.4.1 Problem Description 87
3.4.2 Theory Analysis 88
3.5 Runtime analysis Based on Average Gain Model 93
3.5.1 Theory Analysis 93
3.5.2 Simulation Experiments 96
3.6 Characteristic Analysis of Heterogeneous Pigeon-Inspired Optimization 97
3.6.1 Algorithm Design 97
3.6.2 Characteristic Analysis 99
3.7 Summary 105
References 105
Chapter 4 Improved Model of Pigeon-Inspired Optimization 109
4.1 Introduction 109
4.2 Discrete Pigeon-Inspired Optimization 110
4.2.1 Algorithm Design 110
4.2.2 Simulation Experiments 115
4.3 Binary Pigeon-Inspired Optimization 119
4.3.1 Algorithm Design 119
4.3.2 Simulation Experiments 121
4.4 Generalized Pigeon-Inspired Optimization 123
4.4.1 Algorithm Design 123
4.4.2 Simulation Experiments 125
4.5 Pigeon-Inspired Optimization Based on Evolutionary Game Theory 129
4.5.1 Algorithm Design 130
4.5.2 Simulation Experiments 131
4.6 Lévy