群體智能與多Agent系統(tǒng)交叉結(jié)合：理論、方法與應(yīng)用

《智能科學(xué)技術(shù)著作叢書》序
前言
第1章　緒論
　1.1　群體智能
　　1.1.1　群體智能的概念與特點
　　1.1.2　群體智能中的知識涌現(xiàn)
　　1.1.3　群體智能研究方法
　　1.1.4　群體智能典型算法
　1.2　多Agent系統(tǒng)
　　1.2.1　Agent的定義與結(jié)構(gòu)
　　1.2.2　多Agent系統(tǒng)基本理論
　　1.2.3　多Agent系統(tǒng)的應(yīng)用領(lǐng)域
　參考文獻(xiàn)
第2章　基于多Agent結(jié)構(gòu)的粒子群優(yōu)化算法
　2.1　粒子群優(yōu)化算法的研究現(xiàn)狀
　　2.1.1　粒子群優(yōu)化算法的研究方向
　　2.1.2　粒子群優(yōu)化算法的應(yīng)用現(xiàn)狀
　　2.1.3　粒子群優(yōu)化算法面臨的難題
　2.2　粒子群優(yōu)化算法的框架與設(shè)計步驟
　　2.2.1　粒子群優(yōu)化算法的總體框架
　　2.2.2　粒子群優(yōu)化算法的設(shè)計步驟
　2.3　粒子群優(yōu)化算法與其他進(jìn)化算法比較
　2.4　粒子群優(yōu)化算法的改進(jìn)策略
　2.5　粒子群優(yōu)化算法收斂性分析
　　2.5.1　粒子軌跡收斂分析
　　2.5.2　粒子速度收斂分析
　2.6　多Agent粒子群優(yōu)化算法
　　2.6.1　Agent所在的環(huán)境
　　2.6.2　Agent的適應(yīng)值與行動策略
　　2.6.3　自學(xué)習(xí)機(jī)制
　　2.6.4　多Agent粒子群優(yōu)化算法流程
　2.7　隨機(jī)選取鄰居的多Agent粒子群優(yōu)化算法
　2.8　加入混沌優(yōu)化的多Agent粒子群優(yōu)化算法
　　2.8.1　混沌優(yōu)化
　　2.8.2　多Agent混沌粒子群優(yōu)化算法及其流程
　　2.8.3　算法函數(shù)測試
　參考文獻(xiàn)
第3章　多Agent粒子群優(yōu)化算法在電力系統(tǒng)優(yōu)化中的應(yīng)用
　3.1　電力系統(tǒng)優(yōu)化運行的目的與意義
　3.2　隨機(jī)選取鄰居的多Agent粒子群優(yōu)化算法用于電力系統(tǒng)經(jīng)濟(jì)負(fù)荷分配
　　3.2.1　電力系統(tǒng)經(jīng)濟(jì)負(fù)荷分配的數(shù)學(xué)模型
　　3.2.2　仿真實驗與結(jié)果分析
　3.3　加入混沌優(yōu)化的多Agent粒子群算法用于電力系統(tǒng)無功優(yōu)化
　　3.3.1　電力系統(tǒng)無功優(yōu)化的數(shù)學(xué)模型
　　3.3.2　仿真實驗與結(jié)果分析
　3.4　采用多Agent混沌粒子群優(yōu)化算法的配電網(wǎng)重構(gòu)
　　3.4.1　配電網(wǎng)絡(luò)重構(gòu)的數(shù)學(xué)模型
　　3.4.2　破圈法搜索可行解
　　3.4.3　基于破圈的多Agent系統(tǒng)混沌粒子群算法
　　3.4.4　仿真實驗與結(jié)果分析
　參考文獻(xiàn)
第4章　多Agent粒子群優(yōu)化算法在控制系統(tǒng)中的應(yīng)用
　4.1　基于多Agent粒子群優(yōu)化的支持向量回歸模型預(yù)測控制
　　4.1.1　引言
　　4.1.2　模型預(yù)測控制基本原理
　　4.1.3　多Agent粒子群優(yōu)化算法優(yōu)化的支持向量回歸模型
　　4.1.4　基于MAPSO-SVR的模型預(yù)測控制
　　4.1.5　仿真實驗與結(jié)果分析
　4.2　基于多Agent混沌粒子群優(yōu)化的磁懸浮系統(tǒng)PID控制器
　　4.2.1　引言
　　4.2.2　磁懸浮系統(tǒng)描述
　　4.2.3　基于MAS-CPSO的PID控制器
　　4.2.4　仿真實驗與結(jié)果分析
　參考文獻(xiàn)
第5章　基于群體智能的多Agent系統(tǒng)協(xié)作模型
　5.1　基于蟻群算法的多Agent系統(tǒng)自適應(yīng)任務(wù)分配
　　5.1.1　任務(wù)分解
　　5.1.2　合同網(wǎng)模型
　　5.1.3　基于蟻群算法的合同網(wǎng)的擴(kuò)展
　　5.1.4　基于擴(kuò)展合同網(wǎng)協(xié)議的自適應(yīng)任務(wù)分配模型
　　5.1.5　仿真實驗與結(jié)果分析
　5.2　自適應(yīng)蟻群聚類算法在協(xié)作追捕中的應(yīng)用
　　5.2.1　聚類分析
　　5.2.2　動態(tài)自適應(yīng)蟻群算法
　　5.2.3　基于信息素的自適應(yīng)蟻群聚類算法
　　5.2.4　追捕問題的多Agent協(xié)作方法
　　5.2.5　仿真實驗與結(jié)果分析
　5.3　未知環(huán)境中基于蟻群算法的多Agent自主協(xié)作規(guī)劃策略
　　5.3.1　引言
　　5.3.2　多Agent協(xié)作搬運問題參數(shù)及任務(wù)描述
　　5.3.3　基于蟻群算法的多Agent協(xié)作策略
　　5.3.4　引入距離因子和控制因子改進(jìn)蟻群算法的多Agent協(xié)作策略
　　5.3.5　仿真實驗與結(jié)果分析
　參考文獻(xiàn)
第6章　基于改進(jìn)蟻群算法的移動Agent路徑規(guī)劃與避障
　6.1　移動Agent路徑規(guī)劃
　　6.1.1　環(huán)境建模方法
　　6.1.2　路徑規(guī)劃方法
　6.2　基于改進(jìn)蟻群算法的靜態(tài)路徑規(guī)劃方法
　　6.2.1　引言
　　6.2.2　環(huán)境信息預(yù)處理
　　6.2.3　柵格法環(huán)境建模
　　6.2.4　靜態(tài)環(huán)境中的路徑規(guī)劃
　　6.2.5　最大選擇概率法在柵格地圖中的應(yīng)用
　　6.2.6　仿真實驗與結(jié)果分析
　6.3　基于改進(jìn)蟻群算法的移動Agent路徑規(guī)劃與避障方法
　　6.3.1　動態(tài)路徑規(guī)劃方法
　　6.3.2　基于最大選擇概率法的動態(tài)路徑規(guī)劃方法
　　6.3.3　動態(tài)避障方法--倒退法
　　6.3.4　基于最大選擇概率法的動態(tài)路徑規(guī)劃仿真原理
　　6.3.5　基于最大選擇概率法的動態(tài)路徑規(guī)劃仿真實驗及結(jié)果分析
　　6.3.6　最大選擇概率法在動態(tài)路徑規(guī)劃中的應(yīng)用
　參考文獻(xiàn)
第7章　基于群體智能的仿真機(jī)器人足球比賽策略及應(yīng)用
　7.1　引言
　7.2　仿真機(jī)器人足球系統(tǒng)
　　7.2.1　仿真系統(tǒng)的研究背景與作用
　　7.2.2　仿真系統(tǒng)的結(jié)構(gòu)
　　7.2.3　仿真系統(tǒng)的環(huán)境特點
　7.3　基于多目標(biāo)混沌粒子群算法的機(jī)器人足球防守策略
　　7.3.1　基于多目標(biāo)混沌粒子群算法的機(jī)器人足球防守策略
　　7.3.2　仿真實驗與結(jié)果分析
　7.4　基于蟻群算法的機(jī)器人足球攻防轉(zhuǎn)換策略
　　7.4.1　基于蟻群算法的隊形決策過程
　　7.4.2　仿真實驗與結(jié)果分析
　參考文獻(xiàn)