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: 9787302684336丛书名: 人工智能科学与技术丛书
智能算法正在成为对复杂系统问题建模、预测、识别、分类、决策、诊断及优化求解的强有力工具，已经成为生成式通用人工智能系统研究的前沿领域。群智能优化算法作为智能算法的重要组成部分，它是一种基于生物群体智能行为的启发式搜索算法，通过利用群体中个体间的信息交互和协同来实现对缺乏精确模型的复杂系统问题优化求解。群智能优化算法其概念及原理必将在推动大模型、隐私计算、具身智能等领域的发展中发挥日益重要的作用。本书系统介绍了106种原创的群智能优化算法，具有取材广泛，内容新颖，启迪读者创新思维、可读性好的特点，对于智能优化领域的教学、科研及开发人员具有很高的参考价值。
本书内容包括模拟自然界中生物和动物的觅食行为、寻偶行为、交配行为、迁徙策略、狩猎策略等过程中蕴含的优化机制和群体智能行为，原创的106种群智能优化算法。这些生物和动物有分布在广袤土地上蚂蚁、蜜蜂、萤火虫、蝴蝶、蜻蜓、蜘蛛、天牛、瓢虫等多种昆虫，有浩瀚海洋中的麟虾、被囊群、水母、口孵鱼、海豚、鲸鱼等多种鱼类，有茂密森林草原中的猴群、蜜獾、耳廓狐、金豺、狼群、狮子、大象、大猩猩等，有翱翔在空中的鸟类、鸽子、海鸥 、乌燕鸥、大雁、雄鹰等，有北冰洋的企鹅、北极熊等，还有侵入人体极其微小的细菌、病毒等。自然界大量的微生物、昆虫和动物的群体智能行为正在不断地启发人们设计出更多更新的群智能优化算法。本书取材广泛、内容新颖、撰写由浅入深、启迪创新思维，可供智能科学、人工智能、自动化、计算机科学、信息科学、系统科学、经济管理等相关领域的高校师生、研究人员及工程技术人员学习参考。
第1章蚁群优化算法
1.1蚁群优化算法的提出
1.2蚂蚁的习性及觅食行为
1.3蚁群觅食策略的优化原理
1.4蚁群优化算法的原型——蚂蚁系统
模型的描述
1.5基本蚁群优化算法的流程
第2章蚁狮优化算法
2.1蚁狮优化算法的提出
2.2蚁狮的狩猎行为
2.3蚁狮优化算法的原理
2.4蚁狮优化算法的数学描述
2.5蚁狮优化算法的实现
第3章粒子群优化算法
3.1粒子群优化算法的提出
3.2粒子群优化算法的基本原理
3.3粒子群优化算法的描述
3.4粒子群优化算法的实现步骤及流程
3.5粒子群优化算法的特点及其改进
第4章人工蜂群算法
4.1人工蜂群算法的提出
4.2人工蜂群算法的基本原理
4.3人工蜂群算法的数学描述
4.4人工蜂群算法的实现步骤与流程
第5章蜜蜂交配优化算法
5.1蜜蜂交配优化算法的提出
5.2蜂群竞争繁殖过程的优化机制
5.3蜜蜂交配优化算法的数学描述
5.4蜜蜂交配优化算法的实现步骤
及流程
第6章适应度依赖优化算法
6.1适应度依赖优化算法的提出
6.2适应度依赖优化的基本原理
6.3适应度依赖优化算法的数学描述
6.4具有单一目标优化的FDO问题
6.5适应度依赖优化的实现步骤
及伪代码
第7章萤火虫群优化算法
7.1萤火虫群优化算法的提出
7.2萤火虫闪光的特点及功能
7.3萤火虫群优化算法的数学描述
7.4萤火虫群优化算法的实现步骤
及流程
第8章萤火虫算法
8.1萤火虫算法的提出
8.2萤火虫算法的基本思想
8.3萤火虫算法的数学描述
8.4萤火虫算法的实现步骤及流程
第9章果蝇优化算法
9.1果蝇优化算法的提出
9.2果蝇的生物价值及觅食行为
9.3果蝇优化算法的基本原理
9.4果蝇优化算法的数学描述
9.5果蝇优化算法的实现步骤及流程
第10章蝴蝶算法
10.1蝴蝶算法的提出
10.2蝴蝶的生活习性
10.3蝴蝶算法的优化原理
10.4蝴蝶算法的数学描述
10.5蝴蝶算法的实现步骤
第11章蝴蝶交配优化算法
11.1蝴蝶交配优化算法的提出
11.2蝴蝶的生活习性
11.3BMO算法的机理
11.4BMO算法的数学描述
11.5BMO算法的伪代码实现
第12章蝴蝶优化算法
12.1蝴蝶优化算法的提出
12.2蝴蝶的生活习性
12.3蝴蝶算法的优化原理
12.4BOA的数学描述
12.5BOA的实现步骤及伪代码
第13章帝王蝶优化算法
13.1帝王蝶优化算法的提出
13.2帝王蝶的特征及习性
13.3帝王蝶优化算法的优化原理
13.4帝王蝶优化算法的数学描述
13.5帝王蝶优化算法实现的过程及
流程
第14章蜻蜓算法
14.1蜻蜓算法的提出
14.2蜻蜓的生活习性
14.3DA的优化原理
14.4DA的数学描述
14.5单目标及多目标DA的实现步骤及
伪代码
第15章蜉蝣优化算法
15.1蜉蝣优化算法的提出
15.2蜉蝣的习性及其交配行为
15.3蜉蝣优化算法的优化原理
15.4单目标蜉蝣优化算法的数学描述
15.5单目标蜉蝣优化算法的伪代码
实现
15.6多目标蜉蝣优化算法的伪代码
实现
第16章蚱蜢优化算法
16.1蚱蜢优化算法的提出
16.2蚱蜢的习性
16.3蚱蜢优化算法的优化原理
16.4蚱蜢优化算法的数学描述
16.5蚱蜢优化算法的实现步骤及
伪代码
第17章飞蛾扑火优化算法
17.1飞蛾扑火优化算法的提出
17.2飞蛾的横向导航方法
17.3飞蛾扑火的原理
17.4飞蛾扑火优化算法的数学描述
17.5飞蛾扑火优化算法的伪代码实现
第18章蛾群算法
18.1蛾群算法的提出
18.2飞蛾的生活习性及趋光性
18.3蛾群算法的数学描述
18.4蛾群算法的实现步骤
第19章群居蜘蛛优化算法
19.1群居蜘蛛优化算法的提出
19.2蜘蛛的习性与特征
19.3群居蜘蛛优化算法的基本思想
19.4群居蜘蛛优化算法的数学描述
19.5蜘蛛优化算法的实现步骤及流程
第20章黑寡妇优化算法
20.1黑寡妇优化算法的提出
20.2黑寡妇蜘蛛繁殖方式和同类相食
行为
20.3黑寡妇优化算法的优化原理
20.4黑寡妇优化算法的数学描述
20.5黑寡妇优化算法的实现步骤、
伪代码及流程
第21章蟑螂优化算法
21.1蟑螂优化算法的提出
21.2蟑螂的习性
21.3蟑螂优化算法的优化原理
21.4蟑螂优化算法的数学描述
21.5蟑螂优化算法的实现步骤
第22章天牛须搜索算法
22.1天牛须搜索算法的提出
22.2天牛的习性及天牛须的功能
22.3天牛须搜索算法的优化原理
22.4天牛须搜索算法的数学描述
22.5天牛须搜索算法的实现步骤及流程
第23章七星瓢虫优化算法
23.1七星瓢虫优化算法的提出
23.2七星瓢虫捕食的优化原理
23.3七星瓢虫优化算法的数学描述及
实现步骤
23.4七星瓢虫优化算法的实现流程
第24章蚯蚓优化算法
24.1蚯蚓优化算法的提出
24.2蚯蚓的生活习性
24.3蚯蚓优化算法的基本思想
24.4蚯蚓优化算法的数学描述
24.5蚯蚓优化算法的实现及流程
第25章变色龙群算法
25.1变色龙群算法的提出
25.2变色龙的特征及习性
25.3变色龙群算法的优化原理
25.4变色龙群算法的数学模型
25.5变色龙群算法的伪代码实现
第26章布谷鸟搜索算法
26.1布谷鸟搜索算法的提出
26.2布谷鸟的繁殖行为与Levy飞行
26.3布谷鸟搜索算法的原理
26.4布谷鸟搜索算法的数学描述
26.5布谷鸟搜索算法的实现步骤及流程
第27章候鸟优化算法
27.1候鸟优化算法的提出
27.2候鸟Ｖ字形编队飞行的优化原理
27.3候鸟优化算法的描述
27.4候鸟优化算法的实现步骤及流程
27.5候鸟优化算法的特点及参数分析
第28章雁群优化算法
28.1雁群优化算法的提出
28.2雁群飞行规则及其假设
28.3雁群优化算法的基本思想
28.4雁群优化算法的数学描述
28.5雁群优化算法的实现步骤及流程
第29章燕群优化算法
29.1燕群优化算法的提出
29.2燕子的生活习性及觅食行为
29.3燕群优化算法的优化原理
29.4燕群优化算法的数学描述
29.5燕群优化算法的实现步骤及伪代码
第30章麻雀搜索算法
30.1麻雀搜索算法的提出
30.2麻雀的生活习性
30.3麻雀搜索算法的优化原理
30.4麻雀搜索算法中的假设规则
30.5麻雀搜索算法的数学描述
30.6麻雀搜索算法的伪代码实现
第31章鸽群优化算法
31.1鸽群优化算法的提出
31.2鸽子自主归巢导航的优化原理
31.3鸽群优化算法的数学描述
31.4鸽群优化算法的实现步骤及流程
第32章鸟群算法
32.1鸟群算法的提出
32.2鸟群觅食、警惕和飞行行为规则
32.3鸟群算法的数学描述
32.4鸟群算法的伪代码描述及流程
第33章希区柯克鸟启发算法
33.1希区柯克鸟启发算法的提出
33.2希区柯克鸟的攻击行为
33.3希区柯克鸟启发算法的优化原理
33.4希区柯克鸟启发算法的数学描述
33.5希区柯克鸟启发算法的实现步骤
及伪代码
第34章乌鸦搜索算法
34.1乌鸦搜索算法的提出
34.2乌鸦的生活习性
34.3乌鸦搜索算法的优化原理
34.4乌鸦搜索算法的数学描述
34.5乌鸦搜索算法的实现步骤及流程
第35章缎蓝园丁鸟优化算法
35.1缎蓝园丁鸟优化算法的提出
35.2缎蓝园丁鸟的习性及求偶机制
35.3缎蓝园丁鸟优化算法的数学描述
35.4缎蓝园丁鸟优化算法的实现
第36章孔雀优化算法
36.1孔雀优化算法的提出
36.2孔雀的生活习性
36.3孔雀优化算法的优化机制
36.4孔雀优化算法的数学描述
36.5孔雀优化算法的伪代码实现
第37章哈里斯鹰优化算法
37.1哈里斯鹰优化算法的提出
37.2哈里斯鹰的习性及觅食策略
37.3哈里斯鹰优化算法的数学描述
37.4哈里斯鹰优化算法的实现
第38章秃鹰搜索算法
38.1秃鹰搜索算法的提出
38.2秃鹰的习性及其狩猎策略的优化
机制
38.3秃鹰搜索算法的数学描述
38.4秃鹰搜索算法的伪代码实现
第39章非洲秃鹫优化算法
39.1非洲秃鹫优化算法的提出
39.2非洲秃鹫的特征及觅食行为
39.3非洲秃鹫优化算法的优化原理
39.4非洲秃鹫优化算法的数学描述
39.5非洲秃鹫优化算法的伪代码描述
及流程
第40章天鹰优化算法
40.1天鹰优化算法的提出
40.2天鹰优化算法的优化原理
40.3天鹰优化算法的数学描述
40.4天鹰优化算法的实现流程
第41章北苍鹰优化算法
41.1北苍鹰优化算法的提出
41.2北苍鹰的习性和狩猎策略
41.3北苍鹰优化算法的数学描述
41.4北苍鹰优化算法的伪代码及实现
流程
第42章金鹰优化算法
42.1金鹰优化算法的提出
42.2金鹰的习性
42.3金鹰优化算法的基本原理
42.4金鹰优化算法的数学描述
42.5金鹰优化算法的实现步骤
第43章蝙蝠算法
43.1蝙蝠算法的提出
43.2蝙蝠的习性及回声定位
43.3蝙蝠算法的基本思想
43.4蝙蝠算法的数学描述
43.5蝙蝠算法的实现步骤及流程
第44章动态虚拟蝙蝠算法
44.1动态虚拟蝙蝠算法的提出
44.2蝙蝠的回声定位功能
44.3动态虚拟蝙蝠算法的优化原理
44.4动态虚拟蝙蝠算法的数学描述
44.5虚拟蝙蝠算法的伪代码实现
第45章飞鼠搜索算法
45.1飞鼠搜索算法的提出
45.2飞鼠滑行及觅食行为的寻优机制
45.3飞鼠搜索算法的数学描述
45.4飞鼠搜索算法的伪代码实现及流程
第46章混合蛙跳算法
46.1混合蛙跳算法的提出
46.2混合蛙跳算法的基本原理
46.3基本混合蛙跳算法的描述
46.4混合蛙跳算法的实现步骤
46.5混合蛙跳算法实现的流程
第47章人工鱼群算法
47.1人工鱼群算法的提出
47.2动物自治体模型与鱼类的觅食行为
47.3人工鱼群算法的基本原理
47.4人工鱼群算法的数学描述
47.5人工鱼群算法的流程
第48章大马哈鱼洄游算法
48.1大马哈鱼洄游算法的提出
48.2大马哈鱼的洄游习性
48.3大马哈鱼洄游算法的优化原理
48.4大马哈鱼洄游算法的描述
48.5大马哈鱼洄游算法的实现步骤
及流程
第49章鲸鱼优化算法
49.1鲸鱼优化算法的提出
49.2鲸鱼的泡泡网觅食行为
49.3鲸鱼优化算法的优化原理
49.4鲸鱼优化算法的数学描述
49.5鲸鱼优化算法的实现步骤及流程
第50章海洋捕食者算法
50.1海洋捕食者算法的提出
50.2海洋捕食者觅食的轨迹特征
50.3海洋捕食者算法的优化原理
50.4海洋捕食者算法的数学描述
50.5海洋捕食者算法的伪代码及实现
流程
第51章爬行动物搜索算法
51.1爬行动物搜索算法的提出
51.2鳄鱼狩猎的习性
51.3爬行动物搜索算法的数学描述
51.4爬行动物搜索算法的伪代码及实现
流程
第52章蝠鲼觅食优化算法
52.1蝠鲼觅食优化算法的提出
52.2蝠鲼的觅食行为
52.3蝠鲼觅食优化算法的优化原理
52.4蝠鲼觅食优化算法的数学描述
52.5蝠鲼觅食优化算法的伪代码实现
第53章绯鲵鲣算法
53.1绯鲵鲣算法的提出
53.2绯鲵鲣的习性及狩猎行为
53.3绯鲵鲣算法的优化原理
53.4绯鲵鲣算法的数学描述
53.5绯鲵鲣算法的实现步骤及伪代码
第54章被囊群算法
54.1被囊群算法的提出
54.2被囊动物的习性
54.3被囊群算法的优化原理
54.4被囊群算法的数学描述
54.5被囊群算法的实现步骤及流程
第55章人工水母搜索优化算法
55.1人工水母搜索优化算法的提出
55.2水母的习性及觅食行为
55.3人工水母搜索优化算法的优化原理
55.4人工水母搜索优化算法的数学描述
55.5人工水母搜索优化算法的实现步骤
第56章磷虾群算法
56.1磷虾群算法的提出
56.2磷虾群算法的优化原理
56.3磷虾群算法的数学描述
56.4磷虾群算法的实现步骤及流程
第57章藤壶交配优化算法
57.1藤壶交配优化算法的提出
57.2藤壶的习性及交配行为
57.3哈迪温伯格原理
57.4藤壶交配优化算法的数学描述
57.5藤壶交配优化算法的伪代码实现
第58章口孵鱼算法
58.1口孵鱼算法的提出
58.2口孵鱼的习性
58.3口孵鱼算法的优化原理
58.4口孵鱼算法的数学描述
58.5口孵鱼算法的伪代码实现
第59章河豚圆形结构算法
59.1河豚圆形结构算法的提出
59.2河豚的习性
59.3河豚建造圆形结构的过程
59.4河豚圆形结构算法的数学描述
59.5河豚圆形结构算法的伪代码实现
第60章樽海鞘群算法
60.1樽海鞘群算法的提出
60.2樽海鞘的生活习性
60.3樽海鞘群觅食的优化机制
60.4樽海鞘群算法的数学描述
60.5樽海鞘群算法的实现步骤
及伪代码
第61章珊瑚礁优化算法
61.1珊瑚礁优化算法的提出
61.2珊瑚虫生活习性及珊瑚礁筑成
61.3珊瑚礁优化算法的优化原理
61.4珊瑚礁优化算法的数学描述
61.5珊瑚礁优化算法的实现步骤及流程
第62章海豚回声定位优化算法
62.1海豚回声定位优化算法的提出
62.2海豚的生活习性
62.3海豚回声定位的优化原理
62.4海豚回声定位优化算法的数学描述
62.5海豚回声定位优化算法的实现步骤及
流程
第63章海豚群算法
63.1海豚群算法的提出
63.2海豚群算法的优化原理
63.3海豚群算法的数学描述
63.4海豚群算法的实现步骤
第64章海鸥优化算法
64.1海鸥优化算法的提出
64.2海鸥的习性及迁徙和攻击行为
64.3海鸥优化算法的数学描述
64.4海鸥优化算法的实现步骤及伪代码
第65章乌燕鸥优化算法
65.1乌燕鸥优化算法的提出
65.2乌燕鸥的特征及习性
65.3乌燕鸥优化算法的优化原理
65.4乌燕鸥优化算法的数学描述
65.5乌燕鸥优化算法的实现步骤
及伪代码
第66章白骨顶鸡优化算法
66.1白骨顶鸡优化算法的提出
66.2白骨顶鸡的习性
66.3白骨顶鸡优化算法的优化原理
66.4白骨顶鸡优化算法的数学描述
66.5白骨顶鸡优化算法的伪代码实现
第67章细菌觅食优化算法
67.1细菌觅食优化算法的提出
67.2大肠杆菌的结构及觅食行为
67.3细菌觅食优化算法的原理
67.4细菌觅食优化算法的数学描述
67.5细菌觅食优化算法的实现步骤
及流程
第68章细菌(群体)趋药性算法
68.1细菌(群体)趋药性算法的提出
68.2细菌趋药性算法的优化原理
68.3细菌趋药性算法的数学描述
68.4细菌群体趋药性算法的基本思想
68.5细菌群体趋药性算法的数学描述
68.6细菌群体趋药性算法的实现步骤
第69章细菌菌落优化算法
69.1细菌菌落优化算法的提出
69.2细菌的生长、繁殖、死亡过程
69.3细菌菌落优化算法的优化原理
69.4细菌菌落优化算法的设计
69.5细菌菌落优化算法的实现步骤
及流程
第70章病毒种群搜索算法
70.1病毒种群搜索算法的提出
70.2病毒及其生存策略
70.3病毒种群搜索算法的优化原理
70.4病毒种群搜索算法的数学描述
70.5病毒种群搜索算法实现的伪代码
及算法流程
第71章黏菌算法
71.1黏菌算法的提出
71.2黏菌的智能觅食行为
71.3黏菌算法的优化原理
71.4黏菌算法的数学描述
第72章猫群优化算法
72.1猫群优化算法的提出
72.2猫的生活习性
72.3猫群优化算法的优化原理
72.4猫群优化算法的数学描述
72.5猫群优化算法的实现步骤
72.6猫群优化算法实现的程序流程
第73章鼠群优化算法
73.1鼠群优化算法的提出
73.2鼠群优化算法的优化原理
73.3鼠群优化算法及其环境描述
73.4鼠群优化算法的实现步骤
第74章猫鼠种群算法
74.1猫鼠种群算法的提出
74.2猫鼠种群算法的优化原理
74.3猫鼠种群算法的数学描述
74.4猫鼠种群算法的实现步骤及流程
第75章鸡群优化算法
75.1鸡群优化算法的提出
75.2鸡群优化算法的基本思想
75.3鸡群优化算法的数学描述
75.4鸡群优化算法的实现步骤及流程
第76章猴群算法
76.1猴群算法的提出
76.2猴群算法的优化原理
76.3猴群算法的数学描述
76.4猴群算法的实现步骤及流程
第77章蜘蛛猴优化算法
77.1蜘蛛猴优化算法的提出
77.2蜘蛛猴习性及裂变融合结构的觅食
行为
77.3蜘蛛猴优化算法的优化原理
77.4蜘蛛猴优化算法的数学描述
77.5蜘蛛猴优化算法的实现步骤
第78章斑鬣狗优化算法
78.1斑鬣狗优化算法的提出
78.2斑鬣狗的社会等级及捕食行为
78.3斑鬣狗优化算法的优化原理
78.4斑鬣狗优化算法的数学描述
78.5斑鬣狗优化算法的实现步骤及流程
第79章狼群算法
79.1狼群算法的提出
79.2狼的习性及狼群特征
79.3狼群算法的优化原理
79.4狼群算法的数学描述
79.5狼群算法的实现步骤及流程
第80章灰狼优化算法
80.1灰狼优化算法的提出
80.2灰狼的社会等级及狩猎行为
80.3灰狼优化算法的数学描述
80.4灰狼优化算法的实现步骤及流程
第81章狮子优化算法
81.1狮子优化算法的提出
81.2狮子的生活习性
81.3狮子优化算法的优化原理
81.4狮子优化算法的数学描述
81.5狮子优化算法的伪代码实现
第82章野马优化算法
82.1野马优化算法的提出
82.2野马的特征及习性
82.3野马优化算法的优化原理
82.4野马优化算法的数学描述
82.5野马优化算法的伪代码及实现流程
第83章蜜獾算法
83.1蜜獾算法的提出
83.2蜜獾的特征及习性
83.3蜜獾算法的优化原理
83.4蜜獾算法的数学描述
83.5蜜獾算法的伪代码实现
第84章沙丘猫群优化算法
84.1沙丘猫群优化算法的提出
84.2沙丘猫的习性及捕食行为
84.3沙丘猫群优化算法的数学描述
84.4SCSO算法的伪代码及实现流程
84.5随机变异和精英协作的沙丘猫群
优化算法
84.6SESCSO算法的伪代码及实现流程
第85章耳廓狐优化算法
85.1耳廓狐优化算法的提出
85.2耳廓狐的习性
85.3耳廓狐优化算法的基本思想
85.4耳廓狐优化算法的数学描述
85.5耳廓狐优化算法的伪代码及实现
流程
第86章金豺优化算法
86.1金豺优化算法的提出
86.2金豺的习性及其特点
86.3单目标金豺优化算法的数学描述
86.4多目标金豺优化算法的数学描述
86.5多目标金豺优化算法的实现步骤
第87章蛇优化算法
87.1蛇优化算法的提出
87.2蛇的习性及独特的交配行为
87.3蛇优化算法的优化原理
87.4蛇优化算法的数学描述
87.5蛇优化算法的伪代码及实现流程
第88章探路者优化算法
88.1探路者优化算法的提出
88.2探路者优化算法的基本思想
88.3探路者优化算法的数学描述
88.4探路者算法的实现步骤及伪代码
第89章帝企鹅优化算法
89.1帝企鹅优化算法的提出
89.2帝企鹅的生活习性
89.3帝企鹅优化算法的基本思想
89.4帝企鹅优化算法的数学描述
89.5帝企鹅优化算法的实现步骤、
伪代码及流程
第90章北极熊优化算法
90.1北极熊优化算法的提出
90.2北极熊的生活习性及捕猎行为
90.3北极熊优化算法的优化原理
90.4北极熊优化算法的数学描述
90.5北极熊优化算法的实现步骤
及伪代码
第91章浣熊优化算法
91.1浣熊优化算法的提出
91.2浣熊的生活习性及特征
91.3浣熊优化算法的优化原理
91.4浣熊优化算法的数学描述
91.5浣熊优化算法的伪代码及实现流程
第92章浣熊族优化算法
92.1浣熊族优化算法的提出
92.2浣熊家族及其社会行为
92.3浣熊族优化算法的基本思想
92.4浣熊族优化算法的数学描述
92.5浣熊族优化算法的实现流程
第93章大猩猩部队优化算法
93.1大猩猩部队优化算法的提出
93.2大猩猩的特征及习性
93.3大猩猩部队优化算法的原理
93.4大猩猩部队优化算法的数学描述
93.5大猩猩部队优化算法的伪代码实现
第94章黑猩猩优化算法
94.1黑猩猩优化算法的提出
94.2黑猩猩的特征及习性
94.3黑猩猩优化算法的原理
94.4黑猩猩优化算法的数学描述
94.5黑猩猩优化算法的伪代码实现
第95章大象放牧优化算法
95.1大象放牧优化算法的提出
95.2大象的生活习性
95.3大象放牧优化算法的优化原理
95.4大象放牧优化算法的数学描述
95.5大象放牧优化算法的实现步骤
及伪代码
95.6二进制象群优化算法的原理及伪代码
实现
第96章象群水搜索算法
96.1象群水搜索算法的提出
96.2大象的特征及其水搜索策略
96.3象群水搜索算法设计的基本规则
96.4象群水搜索算法的数学描述
96.5象群水搜索算法的伪代码实现
第97章自私兽群优化算法
97.1自私兽群优化算法的提出
97.2自私兽群优化算法的优化原理
97.3自私兽群优化算法的数学描述
97.4自私兽群优化算法的实现步骤及
流程
第98章捕食搜索算法
98.1捕食搜索算法的提出
98.2动物捕食策略
98.3捕食搜索算法的基本思想
98.4捕食搜索算法的数学描述
98.5捕食搜索算法的实现步骤及流程
第99章自由搜索算法
99.1自由搜索算法的提出
99.2自由搜索算法的优化原理
99.3自由搜索算法的数学描述
99.4自由搜索算法的实现步骤及流程
第100章食物链算法
100.1食物链算法的提出
100.2捕食食物链
100.3人工生命捕食策略
100.4人工生命食物链的基本思想
100.5食物链算法的数学描述
100.6食物链算法的实现步骤及流程
第101章共生生物搜索算法
101.1共生生物搜索算法的提出
101.2共生生物搜索算法的优化原理
101.3共生生物搜索算法的数学描述
101.4SOS算法的实现步骤及流程
第102章生物地理学优化算法
102.1生物地理学优化算法的提出
102.2生物地理学的基本概念及生物物种
迁移模型
102.3生物地理学优化算法的优化原理
102.4生物地理学优化算法的数学描述
102.5生物地理学优化算法的实现步骤及
流程
第103章竞争优化算法
103.1竞争优化算法的提出
103.2竞争优化算法的优化原理
103.3竞争优化算法的描述
103.4竞争优化算法的实现步骤及流程
第104章动态群协同优化算法
104.1动态群协同优化算法的提出
104.2动态群协同优化算法的基本原理
104.3动态群协同优化算法的数学描述
104.4动态群协同优化算法的实现步骤
及伪代码
第105章梯度优化算法
105.1梯度优化算法的提出
105.2梯度优化算法的基本思想
105.3梯度优化算法的数学描述
105.4梯度优化算法的伪代码实现
第106章猎人猎物优化算法
106.1猎人猎物优化算法的提出
106.2猎人猎物优化算法的基本思想
106.3猎人猎物优化算法的数学描述
106.4猎人猎物优化算法的实现流程
附录A智能优化算法的理论基础：
复杂适应系统理论
参考文献
智能计算和智能优化正在成为新一代人工智能科学与技术革命中最活跃的前沿领域。为了及时反映国内外大量原创智能优化算法的研究成果，本书作者出版了《智能优化算法与涌现计算》(清华大学出版社，ISBN 9787302517429)，优选了106种原创智能算法，全书600余页； 2022年出版了第2版(清华大学出版社，ISBN 9787302603993)，共包括159种智能算法，全书近850页……但一本书难以承载太多的内容。
为什么新算法像雨后春笋般涌现出来呢？1997年Wolperthe Macready在研究最优理论时，在IEEE Transactions on Evolutionary Computation上发表了论文No Free Lunch Theorems for Optimization，称无免费午餐定理，又称NFL定理。通俗地讲，没有一种算法能够在所有优化问题的性能上都优于其他算法。因此，NFL定理就激励着广大科研人员设计、创造出更多的智能优化算法，以满足人们对科学、工程、经济、管理等更复杂的优化问题的迫切需要。
从人工智能到计算智能，再到智能计算
人工智能(Artificial Intelligence，AI)的研究始于1956年，由年轻的美国学者麦卡锡(McCrthay)、明斯基(Minsky)、洛彻斯特(Lochester)和香农(Shannon)共同发起，邀请了莫尔(More)、塞缪尔(Samuel)、纽维尔(Newell)及西蒙(Simon)等在美国达特茅斯大学举办。这一关于用机器模拟人类智能问题的长达2个月的研讨会，开启了人工智能研究的先河。人类的智能主要表现在人脑的思维功能及人在和环境交互过程中的适应行为、学习行为、意识的能动性等。在对人工智能的长期研究过程中，逐渐形成了用机器模拟人类智能的符号主义、联结主义、行为主义。
计算智能(Computational Intelligence，CI)的研究始于1994年，IEEE在美国佛罗里达举办了模糊系统、神经网络和进化计算的首届计算智能大会，掀起了用计算机模拟生命、模拟自然等的计算智能研究热潮。计算智能是指用计算机通过某些优化算法来模拟生物及自然中蕴含的适应、进化、优化机制而体现出的智能。这种智能是在优化算法的执行计算过程及优化结果中表现出来的，即这种智能是靠算法计算出来的，故称为计算智能，因此这种优化算法也称为计算智能优化算法。计算是靠软件实现的，被扎德称为软计算。
人工智能和计算智能是两个密切相关又有区别的概念。它们都是用计算机模拟智能行为； 但是，人工智能侧重于模拟人类的智能行为，问题求解是传统人工智能的核心问题； 计算智能着重模拟生物、动植物、自然现象和自然系统等群体中蕴含的适应、进化、优化、灵性、智能性，问题优化是计算智能的核心问题。
智能计算(Intelligent Computing，IC)研究的重要标志性成果是始于2016年推出的AI围棋程序AlphaGo和AlphaZero，随着AlphaGo和AlphaZero相继战胜世界围棋大师，AI浪潮的发展被推向全新的高度； 另一个重要的标志性成果是大型预训练模型的出现，2022年，美国Open AI研发的聊天机器人程序ChatGPT，其中最具代表性的是自然语言处理模型GPT3，其所具有的高度结构复杂性和应用大量参数的大模型可以提高深度学习的性能。
科学家们从解决复杂的科学和社会问题的角度提出了智能计算的新定义： “智能计算是支撑万物互联的数字文明时代新的计算理论方法、架构体系和技术能力的总称。智能计算根据具体的实际需求，以最小的代价完成计算任务，匹配足够的计算能力，调用最好的算法，获得最优的结果。”从智能方面要求： 在更高智能层次上，包括理解、表达、抽象、推理、创造和反思等模拟人脑和群体的智能。从计算方面要求： 计算机的智能要成为通用智能。通用智能以硅基设施为载体，将由个体和群体计算设备产生的生物智能移植到计算机上的数据智能、感知智能、认知智能和自主智能。在智能计算的理论体系中，人类的智慧是智能的源泉，计算机智能是人类智能的赋能，称为通用智能。
智能优化算法的产生、种类及特点
基于精确模型的传统优化算法，当优化问题缺乏精确数学模型时，其应用就受到极大限制。然而，人们从自然界的各种植物、动物的生长、竞争过程中，以及各种自然现象生生不息、周而复始的变化中，发现了许多隐含在其中的信息存储、处理、适应、组织、进化的机制，其中蕴含着优化的机理。于是，人们从中获得了优化思想的设计灵感。
霍兰(Holland)创立的遗传算法奠定了智能优化算法的重要基础。意大利多利戈(Dorigo)博士1991年提出的模拟蚁群觅食行为的蚁群优化算法开辟了群智能优化算法的先河。1995年提出的模拟鸟类飞行觅食行为的粒子群优化算法进一步丰富了群智能优化算法的内涵，极大地推动了智能优化算法开发的速度、深度和广度。
近半个世纪以来，科学工作者提出了数以百计的不依赖被优化问题数学模型的优化算法，被称为元启发式算法、仿生计算、自然计算等。这些优化算法中有些在一定程度上模拟人的智能行为，有些模拟自然界中某些动物、植物生存过程的适应性、灵性、智慧性，本书将它们统称为智能优化算法。
国内外有关智能优化算法尚没有统一的分类标准。本书的分类是基于以下的基本原则： 按照优化算法所模拟的主体的智能性、生物属性、自然属性来归类。从生物层面划分，包括人类、动物、植物、微生物等。人类区别于其他动物的本质特征在于人有高度发达的大脑，是自然界智能水平最高的生命体。因此，把模拟人、人体系统、组织，人类社会、组织机构乃至国家等智能行为的相关优化算法归为智能计算和仿人智能优化算法。
根据作者上述的分类思想，将智能计算和优化算法划分为如下五大类。
(1) 智能计算与仿人优化算法： 模拟人脑思维、认知行为、人体系统、组织、细胞、基因等及人类社会进化、企业管理、团体竞争等过程中的智能行为。
(2) 进化算法： 模拟生物生殖、繁衍过程中的遗传、变异、竞争、优胜劣汰的进化行为。
(3) 群智能优化算法： 模拟群居昆虫、动物觅食、繁殖、捕猎、搜索策略的群智能行为。
(4) 植物生长算法： 模拟花、草、树的向光性、根吸水性、种子繁殖、花朵授粉、杂草生长等的适应行为。
(5) 自然计算： 模拟风、雨、云，基于数学、物理、化学定律，混沌现象、分形等的仿自然优化算法。
智能优化算法和传统的优化算法相比，智能优化算法主要具有如下优点。
(1) 不需要优化问题的精确数学模型。
(2) 一种智能优化算法往往可以用于多种问题求解，具有较好的通用性。
(3) 采用启发式规则和随机搜索能够获得全局最优解或准最优解，具有全局性。
(4) 适用于不同初始条件下的寻优，具有适应性。
(5) 群智能优化算法更适合于复杂大型系统问题的并行求解，具有并行性。
(6) 智能优化算法一般比传统优化算法的效率更高、速度更快。
智能算法原理与实现： 群智能优化算法
在自然界中，地上、地下、空中、水中、森林中、草原上分布着多种生物和动物，如昆虫、鸟类、鱼类、狼、狮子等。这些生物和动物群体都是由一些相对简单、低级智能的昆虫或动物的个体组成，大量个体在群体活动中的聚集、协同、适应等行为表现出了个体所不具有的较高级的群体智能行为，这种智能行为称为群体智能、群集智能、群聚智能，统称为群智能。
群智能优化算法是模拟自然界中的群居生物和动物在觅食、求偶、繁殖、迁徙、狩猎等过程中的群体智能行为及其蕴含的优化机制，实现对问题求解的一大类智能优化算法的统称。
近年来，不断涌现出的群智能优化新算法在智能优化算法中占有绝大部分。因此，本书介绍了精选的106种群智能优化算法，具有取材宽广、内容丰富新颖、多学科交叉融合、启迪创新思维等特点。
致谢
在本书的编写中，引用了原创算法作者发表的论文，还参考了国内外相关算法研究的重要文献及有价值的学位论文。为便于读者查阅，将这些主要论文一并列入本书的参考文献。在此，对被引用文献的作者表示衷心的感谢！
参加本书编写、提供素材或提供多种帮助的有宋申民、张秀杰、宁永臣、班晓军、李盼池、左兴权、黄金杰、袁丽英、赵宝江、柏继云、李浩、张逸达、王振杨、黄忠报、李世宏、栾秀春、章钱、郭成、郭玉、杨丹、张恒、徐保华等。
本书的出版始终得到清华大学出版社的大力支持，在此表示由衷的感谢！
编写这样一套全面反映智能算法原理与实现的原创性成果的专著，不仅篇幅大，而且内容涉及自然科学、社会科学和哲学等几乎所有学科门类，受编著者知识面所限，书中内容难免存在不足之处，恳请广大读者给予指正!
李士勇
2024年12月
于哈尔滨工业大学
评论
还没有评论。