本書圍繞粒子群優化算法在優化領域存在的不足，并結合具體工業生產過程的實際應用，對粒子群優化算法進行了改進和應用研究。本書基于合作協同算法框架，將各種局部優化、全局優化、自適應等策略融入到微粒群優化算法，以克服傳統微粒群算法某些方面的缺陷，較大幅度地改進了算法性能，構建了面向大規模復雜優化問題的微粒群智能計算框架體系，并利用通用的組合優化和實數優化問題對算法進行了驗證，將其應用于函數優化、柔性車間調度、環境經濟調度、帶時間窗的車輛路徑優化及低碳供應鏈選址-路徑-庫存集成優化等實際管理工程復雜問題，在應用過程中體現了合作協同微粒群計算的有效性和實用性，為求解大規模復雜問題提供理論基礎與方法支持。 本書可作為計算機、電氣自動化技術、管理科學與工程等相關專業高年級本科生或研究生智能計算方法課程的教材，也可作為計算機、電氣自動化技術、管理科學與工程等相關行業研究和開發的參考書。
伍大清，女，博士畢業于東華大學管理科學與工程專業；2004/07 至今在南華大學計算機科學與技術學院講授數據挖掘、智能決策相關內容課程。
目 錄
第1章 緒論 1
1.1 研究背景與意義 1
1.2 國內外研究進展 2
1.2.1 合作協同演化算法研究進展 2
1.2.2 微粒群優化算法研究進展 4
1.2.3 微粒群優化計算典型應用 8
1.3 研究目的 10
1.4 研究內容 10
1.5 創新點 11
第2章 相關理論 13
2.1 引言 13
2.2 最優化理論 13
2.2.1 單目標優化問題 14
2.2.2 多目標優化問題 16
2.3 合作協同演化理論 18
2.4 智能計算方法 19
2.4.1 微粒群優化算法 19
2.4.2 蜂群優化算法 22
2.5 小結 25
第3章 基于自適應學習的并行協同微粒群算法及理論研究 26
3.1 引言 26
3.2 基于自適應學習的并行PSO算法 26
3.2.1 并行協同演化策略 27
3.2.2 自適應學習機制 28
3.2.3 HLPSO算法步驟 28
3.2.4 HLPSO算法實現 29
3.3 自適應學習的并行PSO算法理論基礎 30
3.3.1 HLPSO算法收斂性分析 30
3.3.2 HLPSO算法復雜度分析 32
3.4 HLPSO在函數優化中的應用 33
3.4.1 測試函數 33
3.4.2 均值方差對比 35
3.4.3 雙側T-檢驗 36
3.5 小結 36
第4章 基于多階段協同微粒群智能優化算法 37
4.1 引言 37
4.2 多階段協同微粒群智能優化算法 37
4.2.1 DMPSOABC算法思想 37
4.2.2 DMPSOABC算法模型 38
4.2.3 DMPSOABC算法描述 40
4.2.4 DMPSOABC算法實現 41
4.3 DMPSOABC算法時間復雜度分析 42
4.4 DMPSOABC算法在函數優化中的應用 42
4.4.1 測試函數 42
4.4.2 實驗目的 44
4.4.3 實驗環境 44
4.4.4 參數設置 45
4.4.5 實驗結果 46
4.5 基于多階段協同的柔性作業車間智能調度 51
4.5.1 柔性作業車間調度問題數學模型 51
4.5.2 柔性作業車間調度算法描述 52
4.5.3 實例驗證 56
4.6 小結 61
第5章 基于空間自適應劃分的動態種群多目標優化算法 62
5.1 引言 62
5.2 基于空間自適應劃分的動態多目標優化算法 62
5.2.1 ECMPSO算法思想 62
5.2.2 ECMPSO算法模型 66
5.2.3 ECMPSO算法描述 67
5.3 ECMPSO算法時間復雜度分析 68
5.4 實驗測試 68
5.4.1 測試函數及參數設置 68
5.4.2 參數敏感性分析 70
5.4.3 測試結果 74
5.5 ECMPSO在解決環境經濟調度問題中的應用 80
5.5.1 環境經濟調度的數學模型 80
5.5.2 環境經濟調度算法描述 81
5.5.3 仿真實驗與分析 82
5.6 小結 84
第6章 基于集合編碼的車輛路徑多目標優化模型及算法 86
6.1 引言 86
6.2 帶時間窗車輛路徑多目標優化模型 86
6.3 基于集合編碼的帶時間窗車輛路徑多目標優化算法 88
6.3.1 算法思想 88
6.3.2 種群編碼 88
6.3.3 初始化種群 89
6.3.4 粒子更新 90
6.3.5 局部搜索策略 93
6.3.6 算法描述 93
6.4 實驗仿真與結果分析 94
6.4.1 測試問題 94
6.4.2 性能評價指標 94
6.4.3 實驗結果 95
6.4.4 實例分析 99
6.5 小結 100
第7章 低碳供應鏈選址—路徑—庫存集成優化模型及算法 101
7.1 引言 101
7.2 考慮碳排放的CLIRP模型 103
7.2.1 問題描述及假設 103
7.2.2 模型構建 104
7.3 基于兩階段協同多目標微粒群的CLRIP決策算法 108
7.3.1 算法思想 108
7.3.2 算法模型 110
7.3.3 算法描述 110
7.4 數值與算例分析 111
7.5 小結 117
第8章 總結與展望 118
8.1 本書的主要工作和結論 118
8.2 對未來工作的研究展望 119
參考文獻 120
新書資訊