智能優化算法改進：從入門到MATLAB、Python編程實踐

"陳克偉，原陸軍裝甲兵學院兵器與控制系講師。2006年7月畢業於西安交通大學電氣工程學院，獲工學學士學位；2008年12月畢業於國防科技大學智能科學學院（原機電工程與自動化學院），獲工學碩士學位。主要研究電氣工程與智能控制。出版圖書4本，發表論文20余篇，授權發明專利20余項，獲軍隊科技進步二等獎2項。魏曙光，原陸軍裝甲兵學院兵器與控制系副教授。1998年畢業於原裝甲兵工程學院，2013年獲工學博士學位，主要從事電氣工程與智能控制，車輛綜合電力等方面的研究工作。出版專著/教材7本，發表論文50余篇，授權發明專利20余項，曾獲國家科技進步二等獎1項，軍隊科技進步一等獎3項。範旭，國內某芯片公司高級工程師，畢業於西南交通大學獲工學碩士學位。主要專註圖像算法，優化算法，圖形架構設計領域，出版圖書3本。"

目錄

第 1 章 粒子群算法原理及其編程實現 1

1.1 粒子群算法的基本原理 1

1.2 粒子算法的 MATLAB 實現 3

1.2.1 種群初始化 3

1.2.2 適應度函數 5

1.2.3 邊界檢查和約束函數 6

1.2.4 粒子群算法代碼 7

1.3 粒子群算法的 Python 實現 9

1.3.1 種群初始化 9

1.3.2 適應度函數 11

1.3.3 邊界檢查和約束函數 12

1.3.4 粒子群算法代碼 13

1.4 基於粒子群算法的函數尋優 14

1.4.1 問題描述 14

1.4.2 適應度函數設計 16

1.4.3 主函數設計 16

第 2 章 智能優化算法基準測試集 19

2.1 基準測試集簡介 19

2.2 基準測試函數繪圖以及測試函數代碼編寫 21

2.2.1 F1 函數 21

2.2.2 F2 函數 23

2.2.3 F3 函數 24

2.2.4 F4 函數 26

2.2.5 F5 函數 28

2.2.6 F6 函數 30

2.2.7 F7 函數 32

2.2.8 F8 函數 33

2.2.9 F9 函數 35

2.2.10 F10 函數 37

2.2.11 F11 函數 39

2.2.12 F12 函數 41

2.2.13 F13 函數 43

2.2.14 F14 函數 46

2.2.15 F15 函數 48

2.2.16 F16 函數 50

2.2.17 F17 函數 52

2.2.18 F18 函數 53

2.2.19 F19 函數 55

2.2.20 F20 函數 58

2.2.21 F21 函數 60

2.2.22 F22 函數 62

2.2.23 F23 函數 64

第 3 章 智能優化算法評價指標 67

3.1 平均值 67

3.2 標準差 67

3.3 最優值和最差值 68

3.4 Wilcoxon 秩和檢驗 69

3.5 Friedman 秩和檢驗 70

3.6 收斂曲線 71

第 4 章 混沌映射理論 73

4.1 Chebyshev 混沌映射 73

4.1.1 基本原理 73

4.1.2 代碼實現 74

4.2 Circle 混沌映射 75

4.2.1 基本原理 75

4.2.2 代碼實現 75

4.3 Gauss 混沌映射 77

4.3.1 基本原理 77

4.3.2 代碼實現 77

4.4 Iterative 混沌映射 79

4.4.1 基本原理 79

4.4.2 代碼實現 79

4.5 Logistic 混沌映射 81

4.5.1 基本原理 81

4.5.2 代碼實現 81

4.6 Piecewise 混沌映射 83

4.6.1 基本原理 83

4.6.2 代碼實現 83

4.7 Sine 混沌映射 85

4.7.1 基本原理 85

4.7.2 代碼實現 85

4.8 Singer 混沌映射 87

4.8.1 基本原理 87

4.8.2 代碼實現 87

4.9 Sinusoidal 混沌映射 89

4.9.1 基本原理 89

4.9.2 代碼實現 89

4.10 Tent 混沌映射 91

4.10.1 基本原理 91

4.10.2 代碼實現 91

4.11 Fuch 混沌映射 93

4.11.1 基本原理 93

4.11.2 代碼實現 93

4.12 SPM 混沌映射 95

4.12.1 基本原理 95

4.12.2 代碼實現 95

4.13 ICMIC 混沌映射 97

4.13.1 基本原理 97

4.13.2 代碼實現 97

4.14 Tent-Logistic-Cosine 混沌映射 99

4.14.1 基本原理 99

4.14.2 代碼實現 99

4.15 Logistic-Sine-Cosine 混沌映射 101

4.15.1 基本原理 101

4.15.2 代碼實現 101

4.16 Sine-Tent-Cosine 混沌映射 103

4.16.1 基本原理 103

4.16.2 代碼實現 103

4.17 Henon 混沌映射 105

4.17.1 基本原理 105

4.17.2 代碼實現 105

4.18 Cubic 混沌映射 107

4.18.1 基本原理 107

4.18.2 代碼實現 107

4.19 Logistic-Tent 混沌映射 109

4.19.1 基本原理 109

4.19.2 代碼實現 109

4.20 Bernoulli 混沌映射 111

4.20.1 基本原理 111

4.20.2 代碼實現 111

第 5 章 基於混沌映射理論的算法改進 113

5.1 種群初始化改進 113

5.1.1 基於混沌映射改進種群初始化的粒子群算法 113

5.1.2 基於混沌映射改進種群初始化的粒子群算法的尋優求解 150

5.2 種群內部擾動 170

5.2.1 基於混沌映射改進的粒子群算法 170

5.2.2 基於混沌映射改進的粒子群算法的尋優求解 204

第 6 章 基於隨機變異改進的粒子群算法 218

6.1 基於高斯變異改進的粒子群算法 218

6.1.1 高斯變異 218

6.1.2 基於高斯變異改進的粒子群算法代碼實現 219

6.2 基於柯西變異改進的粒子群算法 223

6.2.1 柯西變異 223

6.2.2 基於柯西變異改進的粒子群算法代碼實現 224

6.3 基於 t 分布變異改進的粒子群算法 228

6.3.1 t 分布變異 228

6.3.2 基於 t 分布變異改進的粒子群算法代碼實現 229

6.4 基於反向學習改進的粒子群算法 233

6.4.1 反向學習策略 233

6.4.2 基於反向學習改進的粒子群算法代碼實現 233

6.5 基於透鏡反向學習改進的粒子群算法 237

6.5.1 透鏡反向學習策略 237

6.5.2 基於透鏡反向學習改進的粒子群算法代碼實現 238

6.6 基於 Levy 飛行改進的粒子群算法 243

6.6.1 Levy 飛行 243

6.6.2 基於 Levy 飛行改進的粒子群算法代碼實現 244

6.7 基於隨機變異改進的粒子群算法測試 248

6.7.1 函數封裝 248

6.7.2 代碼實現 249

6.7.3 尋優求解 254

第 7 章 多策略改進的粒子群算法 260

7.1 曲線遞增策略的自適應粒子群算法 260

7.1.1 曲線遞增策略 260

7.1.2 代碼實現 261

7.1.3 尋優求解對比 265

7.2 加權變異的粒子群算法 269

7.2.1 自適應權重和自適應學習因子 269

7.2.2 加權變異 269

7.2.3 高斯擾動 270

7.2.4 代碼實現 271

7.2.5 尋優求解對比 276

7.3 具備自糾正和逐維學習能力的粒子群算法 279

7.3.1 糾正策略 279

7.3.2 Pbest 指導 Gbest 的逐維學習策略 280

7.3.3 具備自糾正和逐維學習能力的粒子群算法 281

7.3.4 代碼實現 282

7.3.5 尋優求解對比 287

7.4 基於競爭學習的粒子群優化算法 290

7.4.1 競爭學習機制 290

7.4.2 代碼實現 292

7.4.3 尋優求解對比 296

7.5 基於緊湊度和調度處理的粒子群優化算法 300

7.5.1 緊湊度 300

7.5.2 粒子調度處理的方法 301

7.5.3 代碼實現 302

7.5.4 尋優求解對比 307

參考文獻 311