拟态物理学启发的群智能方法

第1章 绪论 1
1.1 问题的提出 1
1.2 群体智能 5
1.2.1 群体行为模型 7
1.2.2 群体智能算法 12
1.2.3 群机器人 17
1.3 模拟物理学原理的启发式算法 19
1.3.1 模拟退火算法 19
1.3.2 类电磁机制算法 20
1.3.3 中心力算法 22
1.3.4 EM算法与CFO算法异同比较 24
1.4 拟态物理学方法 26
1.4.1 拟态物理学方法基本框架 26
1.4.2 基于拟态物理学方法的群机器人编队 28
1.5 本书篇章结构 30
参考文献 32
第2章 基于拟态物理学的智能群体群集模型 36
2.1 基于拟态物理学的群集模型 37
2.1.1 群集模型建立 37
2.1.2 势函数的存在性 39
2.1.3 参数分析 40
2.2 群集模型的稳定性分析 44
2.2.1 内聚性分析 45
2.2.2 个体行为的稳定性分析 46
2.2.3 实例仿真 47
2.3 群集觅食模型 49
2.3.1 平面环境中的群体行为分析 51
2.3.2 二次函数环境中的群体行为分析 52
2.3.3 高斯环境中的群体行为分析 54
2.3.4 实例仿真 56
参考文献 62
第3章 基于拟态物理学的全局优化算法框架 64
3.1 生物觅食与优化算法的映射关系 64
3.2 拟态物理学优化算法框架 70
3.2.1 初始化种群 71
3.2.2 计算合力 72
3.2.3 个体运动 73
3.2.4 APO算法流程 74
3.3 作用力规则设计 74
3.3.1 负指数作用力规则 75
3.3.2 单峰作用力规则 78
3.3.3 线性作用力规则 80
3.3.4 实例仿真 82
3.4 质量函数的选择策略 95
3.4.1 质量函数的性质及构造方法 95
3.4.2 质量函数分类 98
3.4.3 实例仿真 100
3.5 速度上限选择策略 110
参考文献 112
第4章 拟态物理学优化算法收敛性分析 114
4.1 收敛性证明 115
4.2 全局收敛性证明 121
4.3 引力参数设计 125
4.3.1 定常引力参数 127
4.3.2 自适应引力参数 128
4.3.3 实例仿真 131
参考文献 133
第5章 混合拟态物理学优化算法 135
5.1 扩展的APO算法 135
5.1.1 EAPO算法描述 136
5.1.2 EAPO与PSO比较 137
5.1.3 实例仿真 138
5.2 矢量APO算法 142
5.2.1 APO算法的矢量模型 142
5.2.2 混合一维搜索的VM-APO算法 145
5.2.3 混合多维搜索的VM-APO算法 147
5.2.4 实例仿真 149
5.3 引入种群多样性的APO算法 152
5.4 引入PD控制器的APO算法 154
5.4.1 标准APO 模型分析 154
5.4.2 引入后向PD控制器的APO 模型分析 155
5.4.3 引入前向PD控制器的APO模型分析 157
5.4.4 实例仿真 158
参考文献 161
第6章 拟态物理学优化算法在约束优化问题中的应用 162
6.1 约束优化问题模型 164
6.2 基于约束保持法的VM-APO算法模型 164
6.2.1 可行初始解的产生方法 164
6.2.2 混合斐波那契法的VM-APO模型 168
6.2.3 混合黄金分割法的VM-APO模型 172
6.2.4 实例仿真 173
6.3 基于可行性规则的APO算法模型 175
6.3.1 可行性规则一 176
6.3.2 可行性规则二 176
6.3.3 可行性规则三 177
6.3.4 质量函数设计 177
6.3.5 实例仿真 178
参考文献 182
第7章 基于拟态物理学优化算法的群机器人目标搜索 184
7.1 群机器人目标搜索概述 185
7.1.1 通信机制 185
7.1.2 定位方式 186
7.1.3 常见的控制策略 187
7.2 拟态物理学优化算法建模方法 187
7.2.1 群机器人目标搜索到APO算法的映射 188
7.2.2 基于APO算法的群机器人目标搜索模型 192
7.3 全局感知的群机器人目标搜索 194
7.3.1 环境设置 194
7.3.2 控制策略 196
7.3.3 算法描述 198
7.3.4 仿真实验 200
7.4 局部感知的群机器人目标搜索 203
7.4.1 时变感知域 204
7.4.2 局部感知控制模型 205
7.4.3 算法描述 207
7.4.4 仿真实验 210
参考文献 214

附录A 无约束优化典型测试函数 216
附录B 约束优化标准测试函数 220