粒子群优化算法与多目标优化

　　《粒子群优化算法与多目标优化》从优化问题和群智能优化方法入手，系统地介绍了粒子群优化方法原理，分析了算法的模型及相关参数，总结了算法理论研究成果，包括粒子群优化算法的稳定性结论、马尔科夫特性和早熟收敛问题等：书中全面地综述了多目标粒子群优化方法的研究现状，讨论了多目标优化问题和多目标粒子群优化方法的研究工作。《粒子群优化算法与多目标优化》适合作为高等学校及科研院所电子信息、自动化、计算机、信息科学与其他相关专业的研究生和高年级本科生的专业参考书，也可供相关教师和工程技术人员参考。

　　潘峰，男，1978年6月生，云南昆明人，博士。2000年和2005年在北京理工大学自动控制系和自动化学院分别获得学士和博士学位，毕业后，留校任教，2007年在Indiana University-Purdue University Indianapolis大学从事博士后研究一年，2009年晋升副教授。现担任中国人工智能学会理事，《自动化学报》《计算机学报》《电子学报》《控制理论与应用》等多家国内著名期刊评委。主要研究兴趣为：智能优化计算与非传统计算、复杂动态系统建模与优化控制等。先后承担国家自然科学基金1项、多项国防预研项目及横向合作项目、获省部级科研三等奖两项、发表论文三十余篇、发明专利四项。

第1章 绪论
1.1 引言
1.2 最优化问题
1.2.1 局部优化和全局优化
1.2.2 无免费午餐定理
1.3 群体智能概述
1.3.1 群智能的基本原则与特点
1.3.2 蚁群算法
1.3.3 粒子群优化算法
1.4 粒子群优化算法的现状及其应用
1.4.1 PSO算法的理论分析
1.4.2 PSO的改进策略
1.4.3 PSO应用现状
1.5 小结
第2章 粒子群优化算法概述
2.1 随机搜索算法的基本框架
2.2 基本粒子群算法的形式化描述
2.3 粒子群算法的数学模型
2.3.1 带惯性权重的PSO模型
2.3.2 带收缩系数的PSO模型
2.3.3 Bare Bones Particle Swarm模型
2.3.4 混合型PSO模型
2.3.5 PApproximate Kalman Swarm（PAKS）模型
2.3.6 FIPS模型
2.3.7 PSO连续模型
2.4 粒子群算法的拓扑结构
2.4.1 静态邻居拓扑结构
2.4.2 动态邻居拓扑结构
2.5 粒子群算法的评价指标
2.5.1 准确性
2.5.2 可靠性
2.5.3 鲁棒性
2.5.4 多样性
2.6 多样性研究
2.6.1 多样性的定义
2.6.2 群体多样性的归一化
2.6.3 粒子群优化算法的早熟收敛
2.7 小结
第3章 粒子群优化算法特性分析
3.1 PSO的Gbest模型分析
3.2 PSO的Pbest模型分析
3.3 标准PSO单信息最大搜索空间描述
3.4 标准PSO与BBPS相似性分析
3.4.1 单信息最大搜索空间的描述分析
3.4.2 初始位置向量阶乘衰减因子分析
3.4.3 初始速度向量的加权参数分析
3.4.4 标准PSO与BBPS的相似性讨论
3.5 参数在概率意义下的遗忘特性
3.6 小结
第4章 标准PSO的采样分布分析和粒子轨迹分析
第5章 标准PSO算法的稳定性分析
第6章 标准PSO算法的马尔科夫链分析
第7章 单目标粒子群优化算法
第8章 多目标粒子群优化算法
第9章 多目标粒子群算法的改进
参考文献