本書介紹了蜂群算法的原理，深入研究了如何提升蜂群算法搜索和開發(fā)能力，系統(tǒng)探討了蜂群智能算法的改進策略。并在此基礎(chǔ)上，對蜂群算法在物流調(diào)度、自動控制、數(shù)據(jù)挖掘等領(lǐng)域的實際工程應(yīng)用進行了研究，證實了相關(guān)算法的有效性。
本書各章節(jié)之間既互相聯(lián)系又相對獨立，讀者可根據(jù)自己需要選擇閱讀。本書可作為人工智能、自動控制、模式識別等專業(yè)的研究生和高年級本科生教材使用，也可供從事相關(guān)專業(yè)科研的工程技術(shù)人員閱讀參考。
第1章 緒論
1.1 最優(yōu)化方法
1.2 群體智能算法
1.2.1 概述
1.2.2 典型算法簡介
1.3 人工蜂群算法的研究與應(yīng)用概述
1.4 本章小結(jié)
參考文獻
第2章 人工蜂群算法及其改進
2.1 人工蜂群算法原理
2.2 人工蜂群算法的改進
2.2.1 并行ABC算法
2.2.2 全維搜索ABC算法及其并行化
2.2.3 隨機多維人工蜂群算法
2.2.4 改進多維搜索ABC算法
2.3 改進人工蜂群算法的性能驗證
2.4 本章小結(jié)
參考文獻
第3章 人工蜂群算法在物流調(diào)度中的應(yīng)用
3.1 物流調(diào)度問題概述
3.2 基于并行化蜂群算法的單ETV調(diào)度策略
3.2.1 調(diào)度問題描述
3.2.2 優(yōu)化算法的編碼策略
3.2.3 仿真驗證
3.3 基于改進人工蜂群算法的雙ETV調(diào)度策略
3.3.1 機場貨運站雙ETV調(diào)度模型
3.3.2 基于改進人工蜂群算法的雙ETV調(diào)度
3.4 基于差分進化ABC算法的機器人路徑規(guī)劃
3.4.1 Bezier曲線
3.4.2 改進ABC算法及其路徑規(guī)劃應(yīng)用
3.4.3 仿真驗證
3.5 本章小結(jié)
參考文獻
第4章 人工蜂群算法在控制中的應(yīng)用
4.1 基于蜂群算法的直流電機PID控制器的優(yōu)化
4.1.1 直流電機建模
4.1.2 PID控制原理
4.1.3 基于人工蜂群算法的PID控制器優(yōu)化設(shè)計
4.2 基于ABC算法的分數(shù)階PID控制器優(yōu)化
4.2.1 分數(shù)階PID控制器原理
4.2.2 分數(shù)階PID控制器優(yōu)化設(shè)計
4.3 基于蜂群算法的LQR控制器優(yōu)化設(shè)計
4.3.1 環(huán)形二級倒立擺
4.3.2 系統(tǒng)能控及能觀性分析
4.3.3 LQR控制器的設(shè)計
4.3.4 LQR控制器的優(yōu)化
4.4 本章小結(jié)
參考文獻
第5章 人工蜂群算法在數(shù)據(jù)挖掘中的應(yīng)用
5.1 數(shù)據(jù)分類及相關(guān)算法
5.1.1 數(shù)據(jù)分類
5.1.2 典型數(shù)據(jù)分類策略
5.2 基于ABC算法的SVM分類器優(yōu)化
5.2.1 SVM分類原理
5.2.2 基于ABC算法的特征選擇和SVM同步優(yōu)化算法
5.2.3 實驗驗證
5.3 基于ABC算法的ELM分類器優(yōu)化
5.3.1 ELM原理
5.3.2 多目標ABC算法優(yōu)化ELM模型
5.3.3 仿真實驗
5.4 集成學習算法及其蜂群算法優(yōu)化
5.4.1 概述
5.4.2 GBDT算法原理
5.4.3 XGBoost算法原理
5.4.4 LightGBM算法原理
5.4.5 集成學習算法的性能優(yōu)化
5.4.6 實驗驗證
5.5 聚類及其優(yōu)化策略
5.5.1 聚類算法概述
5.5.2 K-means算法概述
5.5.3 IABC算法優(yōu)化K-means聚類
5.5.4 實驗數(shù)據(jù)
5.5.5 對比實驗結(jié)果
本章小結(jié)
參考文獻
書單推薦
