新型粒子群優(yōu)化模型及應用

前言
第1章 緒論
1．1 優(yōu)化理論的基本概念
1．2 群體智能概述
1．3 PSO模型
1．3．1 PSO模型的思想來源
1．3．2 PSO模型的基本原理
1．4 PSO的研究現(xiàn)狀
1．4．1 PSO的優(yōu)化性能
1．4．2 PSO的理論分析
1．4．3 PSO的應用研究
1．5 本書的組織結構
參考文獻
第2章 粒子群優(yōu)化算法
2．1 帶線性慣性權重的PSO算法
2．2 時變加速系數(shù)PSO算法
2．3 骨干PSO算法
2．4 全信息PSO算法
2．5 廣泛學習PSO算法
2．6 本章小結
參考文獻
第3章 PSO算法的學習參數(shù)與種群多樣性關系
3．1 引言
3．2 種群多樣性的定義
3．3 種群多樣性的期望
3．4 學習參數(shù)與種群多樣性的關系
3．4．1 慣性權重對多樣性期望的影響
3．4．2 加速系數(shù)對多樣性期望的影響
3．4．3 慣性權重和加速系數(shù)對多樣性期望的共同影響。
3．5 本章小結
參考文獻
第4章 相關性PSO模型
4．1 引言
4．2 隨機因子的認知分析
4．3 基于Copula的相關性PSO模型
4．3．1 關聯(lián)因子及其度量
4．3．2 C‘，opula函數(shù)
4．3．3 模型描述
4．3．4 模型實現(xiàn)
4．4 相關性PSO模型的種群多樣性分析
4．4．1 種群多樣性的數(shù)學期望
4．4．2 實驗分析
4．5 相關性PS0模型的收斂性分析
4．5．1 粒子位置收斂性分析
4．5．2 粒子位置方差收斂性分析
4．6 仿真實驗
4．7 本章小結
參考文獻
第5章 PSO學習參數(shù)的概率特性分析
5．1 引言
5．2 相關性PSO學習參數(shù)的概率特性
5．2．1 SPSO學習參數(shù)的概率特性及分析
5．2．2 PL．CPSO學習參數(shù)的概率特性及分析’
5．2．3 NL．CPS（）學習參數(shù)的概率特性及分析
5．3 自適應相關性PsO算法
5．3．1 算法原理
5．3．2 仿真實驗
5．4 本章小結
參考文獻
第6章 多學習模式相關性PSO算法
6．1 引言
6．2 雙學習模式相關性PsO算法
6．2．1 全局學習模式
6．2．2 學習模式間的交互
6．2．3 雙學習模式相關性PSO算法的描述
6．2．4 仿真實驗
6．3 三學習模式相關性PsO算法
6．3．1 算法描述
6．3．2 仿真實驗
6．4 本章小結
參考文獻
第7章 求解多目標優(yōu)化的問題
7．1 引言
7．2 多目標優(yōu)化
7．2．1 多目標優(yōu)化問題的數(shù)學描述
7．2．2 主要的多目標PS~）算法
7．3 多目標相關性PSO算法
7．3．1 策略設計
7．3．2 算法描述
7．4 仿真實驗
7．4．1 實驗設計
7．4．2 實驗結果分析
7．5 本章小結
參考文獻
第8章 改進的骨干粒子群算法
8．1 引言
8．2 BBPSO算法及其運動行為分析
8．2．1 BBPSO算法
8．2．2 BBPSO行為分析
8．3 并行協(xié)作BBPS0
8．3．1 主群的學習機制
8．3．2 從群的學習機制
8．3．3 交互機制
8．4 數(shù)值實驗及分析
8．4．1 測試函數(shù)和參數(shù)設置
8．4．2 評價指標
8．4．3 算法的收斂精度和速度比較
8．5 本章小結
參考文獻
第9章 證券投資組合問題中的應用
9．1 引言
9．2 證券投資組合模型分析
9．2．1 證券投資組合的概率準則模型
9．2．2 多因素證券投資組合模型
9．3 相關性PSO求解證券投資組合問題
9．3．1 基于單目標的證券投資組合問題求解
9．3．2 基于多目標的證券投資組合問題求解
9．4 仿真實驗
9．4．1 求解證券投資組合的概率準則模型實驗
9．4．2 求解多因素證券投資組合問題實驗
9．5 本章小結
參考文獻
第10章 基于骨干粒子群算法的圖像分割方法
10．1 引言
10．2 最佳閾值選取
10．3 基于BBPS0的多閾值分割算法
10．4 仿真實驗與性能測試
10．4．1 參數(shù)設置
10．4．2 實驗結果
10．5 本章小結
參考文獻
附錄1
附錄2