描述
开 本: 16开纸 张: 胶版纸包 装: 平装-胶订是否套装: 否国际标准书号ISBN: 9787121378393
蝙蝠优化算法是一种新颖的模拟蝙蝠行为的群智能优化算法，因该算法有模型简单、参数少、通用性强等优点，故被广泛应用于解决实际问题。本书分为8章，第1～2章介绍蝙蝠优化算法的基本框架、研究进展，并讨论了蝙蝠算法的全局收敛性问题；第3～6章从蝙蝠算法的全局搜索方式、局部搜索方式、全局/局部搜索的平衡策略、全局/局部搜索的集成策略等方面介绍作者的工作；第7～8章围绕软件缺陷预测问题，分别构造多目标软件缺陷预测模型和高维多目标软件缺陷预测模型，并有针对性地设计相应的多目标蝙蝠优化算法和高维多目标蝙蝠优化算法来对模型进行求解，从而为解决相关问题提供参考。本书适合从事智能计算研究与应用的科技工作者和工程技术人员阅读使用，也可以作为高等院校计算机科学与技术、控制科学与工程等学科高年级本科生及研究生的教学参考书。
第一部分 导引篇
第1章 绪论 3
1.1 优化算法概述 4
1.2 确定性优化算法 4
1.3 随机优化算法 5
1.4 基本蝙蝠算法简介 7
1.5 蝙蝠算法研究综述 9
1.6 本书的框架 17
参考文献 18
第2章 蝙蝠算法的收敛性分析 31
2.1 全局收敛性的相关概念 32
2.2 蝙蝠算法收敛性分析现状 33
2.3 基本蝙蝠算法分析 35
2.4 3种边界条件 39
2.5 基本蝙蝠算法的收敛性分析 40
2.6 标准蝙蝠算法的收敛性分析 46
2.7 收敛速度分析 49
2.8 小结 50
参考文献 50
第二部分 原理篇
第3章 三角翻转蝙蝠算法 53
3.1 记忆方式的速度更新公式分析 54
3.2 三角翻转法介绍 56
3.2.1 基于对称方式的三角翻转法 56
3.2.2 基于比例方式的三角翻转法 57
3.3 记忆型三角翻转蝙蝠算法 59
3.3.1 记忆型三角翻转蝙蝠算法概述 59
3.3.2 收敛性证明 60
3.3.3 仿真试验 61
3.4 无记忆型三角翻转蝙蝠算法 64
3.4.1 无记忆型三角翻转蝙蝠算法概述 64
3.4.2 仿真试验 67
3.5 快速三角翻转蝙蝠算法 69
3.5.1 快速三角翻转蝙蝠算法概述 69
3.5.2 仿真试验 70
3.6 小结 78
参考文献 79
第4章 蝙蝠算法的扰动策略设计 81
4.1 标准蝙蝠算法的局部收敛性能分析 82
4.2 线性递减策略 86
4.2.1 算法思想 86
4.2.2 参数选择 87
4.3 曲线递减策略 89
4.3.1 算法思想 89
4.3.2 参数选择 90
4.4 基于曲线递减策略的快速三角翻转蝙蝠算法 94
4.5 LEACH协议的优化应用 97
4.6 小结 101
参考文献 102
第5章 全局搜索与局部搜索的转化策略 105
5.1 已有的转化策略 106
5.2 随机转化策略 107
5.3 基于适应值信息的转化策略 110
5.3.1 基于秩的转化策略 110
5.3.2 基于数值的转化策略 114
5.4 基于启发式信息的统一搜索蝙蝠算法 115
5.5 DV-Hop算法的优化 121
5.6 小结 125
参考文献 126
第6章 集成策略算法 129
6.1 UHBA算法分析 130
6.2 6种集成策略 131
6.3 固定概率选择的集成算法 134
6.4 动态概率选择的集成算法 138
6.4.1 动态概率选择策略 138
6.4.2 仿真试验 141
6.5 小结 148
参考文献 149
第三部分 应用篇
第7章 多目标蝙蝠算法软件缺陷预测 153
7.1 多目标软件缺陷预测 154
7.1.1 研究背景 154
7.1.2 问题介绍 156
7.1.3 欠采样软件缺陷预测模型 159
7.2 多目标蝙蝠算法 161
7.2.1 多目标优化问题 161
7.2.2 多目标蝙蝠算法分析 162
7.2.3 不平衡数据集的欠采样软件缺陷预测具体实现方式 163
7.3 仿真试验 164
7.4 小结 168
参考文献 169
第8章 高维多目标蝙蝠算法软件缺陷预测 173
8.1 高维多目标软件缺陷预测问题 174
8.2 高维多目标优化算法研究现状 175
8.3 高维多目标蝙蝠算法 176
8.3.1 基于维度更新的高维多目标蝙蝠算法全局更新策略 176
8.3.2 基于维度更新的高维多目标蝙蝠算法局部更新策略 177
8.3.3 适应值估计方法 177
8.3.4 目标函数 179
8.3.5 算法框架 181
8.4 仿真试验 181
8.4.1 参数设置及度量指标 181
8.4.2 试验结果分析 182
8.5 小结 184
参考文献 184
附录A 快速三角翻转蝙蝠算法源代码 189
附录B 基于曲线递减策略的快速三角翻转蝙蝠算法源代码 197
附录C 基于秩转化的曲线递减快速三角翻转蝙蝠算法源代码 203
附录D 基于数值转化的曲线递减快速三角翻转蝙蝠算法源代码 209
序
最近10余年，特别是阿尔法狗（AlphaGo）问世以来，人工智能（Artificial Intelligence）在世界范围内蓬勃发展，方兴未艾。为了应对这项挑战，国务院于2017年7月发布了《新一代人工智能发展规划》，将群体智能（Swarm Intelligence，简称群智能）列为新一代人工智能基础理论的主攻方向之一，并指出“群体智能理论重点突破群体智能的组织、涌现、学习的理论与方法”。基于上述背景，集中展示群智能涌现特性的社会性生物群体行为规律的有关研究受到学术界的广泛关注和重视。
目前，国内群智能研究的主流是群智能优化（Swarm Intelligence Optimization），聚焦于优化算法的性能改进方面。蝙蝠算法（Bat Algorithm）是英国学者Xin-She Yang受到蝙蝠回声定位行为的启发，于2010年提出的一种群智能优化算法。该算法借助模拟蝙蝠在复杂环境下精确捕获食物的机理来求解优化问题，通过发射频率控制蝙蝠的个体位置不断更新以实现全局搜索，是一种搜索全局最优解的有效方法。
蝙蝠算法结合了和声搜索算法和微粒群算法的主要优点。有趣的是，在适当的条件下，蝙蝠算法可以视为和声搜索算法和微粒群算法的混合。与其他群智能优化算法相比，蝙蝠算法具有适用性广泛、寻优能力强、计算效率高等特点。蝙蝠算法在被提出后的10年里，已被广泛应用于组合优化、图像处理、数据挖掘等领域的各种问题求解之中，涌现出较多成果。
蔡星娟博士自蝙蝠算法提出以来，一直关注这种新兴算法的发展状况，并围绕该算法的理论完善和性能改进完成了博士学位论文，获得了较好评价。在博士毕业后，她继续不懈努力，在多目标蝙蝠算法研究方面取得了新的进展。《蝙蝠优化算法》这本专著就是她近10年来研究成果的结晶。该书对蝙蝠算法的收敛性进行了深入分析，结合三角翻转给出了多种形式的三角翻转蝙蝠算法；在蝙蝠算法的改进策略研究方面取得了较多成果，针对软件缺陷测试问题提出了新的多目标蝙蝠算法。这些研究工作不乏创见之处，是对蝙蝠算法的提升和总结，对人工智能特别是群智能的研究者和学习者具有充分的参考价值和启发性。因此，我乐于向各位读者推荐蔡星娟博士的这本心血之作，相信开卷有益，读者们会从中有所收获。
是为序。
肖人彬
华中科技大学人工智能与自动化学院
教授、博士生导师
2019年12月于武汉
前言
群智能优化算法是一类模拟自然生物系统社会行为的随机优化算法，现已涌现出多种群智能优化算法。蝙蝠算法是近年来研究人员提出的一种群智能优化算法，现已成为群智能计算领域的一个研究分支。
本书是作者近年来科研成果的总结，全书共8章，分为3个部分：
（1）蝙蝠算法简介及收敛性分析，包括第1章、第2章，本部分介绍了蝙蝠算法的基本框架、研究进展，并讨论了蝙蝠算法的全局收敛性问题；
（2）蝙蝠算法的搜索策略改进，包括第3～6章，本部分主要从蝙蝠算法的全局搜索方式、局部搜索方式、全局/局部搜索的平衡策略、全局/局部搜索的集成策略等方面给出了作者的研究工作；
（3）蝙蝠算法在静态软件缺陷预测方面的应用，包括第7章、第8章，本部分主要针对静态软件缺陷预测问题，分别建立了多维及高维模型，并设计了高效的求解算法。
本书的完成得到了太原科技大学复杂系统与计算智能实验室、计算机科学与技术学院各位同仁及所带研究生的大力支持；在书稿出版过程中，电子工业出版社的李敏编辑提供了多方面的帮助，一并致以诚挚的谢意。
由衷感谢华中科技大学人工智能与自动化学院肖人彬教授为本书作序，同济大学汪镭教授对书稿内容提出了诸多宝贵意见，在此表示衷心的感谢。
本书研究工作得到国家自然科学基金青年科学基金（项目编号：61806138）、山西省自然科学基金（项目编号：201801D121127）、太原科技大学博士启动基金（项目编号：20182002）的资助。上述基金项目的支持为作者及其团队创造了宽松的学术氛围和科研环境，在此谨向有关部门表示深深的感谢并致以敬意。
由于作者水平有限，书中难免有不妥之处，恳请各位专家和广大读者给予批评指正。
蔡星娟
2019年12月于太原
评论
还没有评论。