群体智能预测与优化【2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载】

群体智能预测与优化PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1 群体智能的基本概念1

1.2 群体智能面临的两类问题2

1.2.1 预测模型3

1.2.2 优化问题4

1.3 群体智能解决问题的途径5

1.3.1 群体预测和个体预测的区别与联系5

1.3.2 群体优化和个体优化的区别与联系7

1.4 群体智能的一般框架7

1.4.1 群体智能遵循的原则和特点7

1.4.2 群体智能的一般框架8

1.5 群体智能的研究途径10

1.5.1 研究视角10

1.5.2 研究方法11

第2章 生物群体与群体智能13

2.1 生物学与群体智能13

2.1.1 生物学的几个分支13

2.1.2 生物学对人工群体智能的启示14

2.2 典型的生物群体17

2.2.1 集群微生物和集群无脊椎动物18

2.2.2 社会昆虫21

2.2.3 非人类的脊椎动物23

2.2.4 人类社会25

2.2.5 其他27

2.2.6 社会与智能28

2.3 生物群体的社会性28

2.3.1 群体组织结构29

2.3.2 个体间的交互30

2.3.3 群体发展动力33

2.3.4 小结34

2.4 群体智能的共性要素34

2.4.1 时空环境34

2.4.2 组织结构35

2.4.3 通信与语言37

2.4.4 竞争与合作38

2.4.5 记忆与学习38

2.4.6 决策与智慧39

第3章 学习意义下的广义群体智能框架40

3.1 群体智能与进化40

3.2 群体智能与学习41

3.3 学习意义下的广义群体智能框架42

3.4 构建有效的群体智能算法45

3.4.1 群体智能系统设计的一般原理45

3.4.2 构建有效的群体智能预测算法46

3.4.3 构建有效的群体智能优化算法48

第4章 神经网络集成概述50

4.1 集成学习概述50

4.1.1 集成学习的概念和核心思想50

4.1.2 个体学习器与集成的性能指标51

4.2 集成学习方法中的群体智能思想54

4.2.1 Bagging方法54

4.2.2 Boosting方法55

4.2.3 Stacking方法56

4.2.4 选择性集成57

4.2.5 构造型集成58

4.3 神经网络集成概述59

4.3.1 神经网络集成的提出59

4.3.2 集成中个体网络的生成方法60

4.3.3 集成的结论生成方法61

4.4 建立预测模型时存在的问题61

第5章 神经网络集成改进方法研究63

5.1 群体神经网络中的选择63

5.1.1 选择的准则63

5.1.2 选择的方法及存在的问题64

5.1.3 基于改进贪心法的个体网络选择方法65

5.1.4 仿真实例68

5.1.5 小结72

5.2 群体神经网络的多层结构73

5.2.1 选择性神经网络二次集成概述73

5.2.2 两次集成中选择方法的匹配74

5.2.3 基于GF方法的神经网络二次集成的实现75

5.2.4 仿真实验76

5.2.5 小结79

5.3 群体神经网络的结论决策80

5.3.1 常用结论生成方法及存在的问题80

5.3.2 基于改进的粒子群优化（PSO）算法的结论生成方法83

5.3.3 基于改进PSO算法的仿真实验研究92

5.3.4 基于改进PSO算法的结论生成方法小结96

5.4 基于混合算法的神经网络集成96

5.4.1 GF方法和改进PSO算法的结合97

5.4.2 基于GF方法—改进PSO算法的实例仿真实验99

5.4.3 讨论与结论102

5.5 小结102

第6章 神经网络集成应用实例104

6.1 构效关系预测模型104

6.1.1 引言104

6.1.2 基于随机采样技术和GFA方法的选择性神经网络二次集成104

6.1.3 苯乙酰胺类除草剂QSAR的神经网络集成模型105

6.2 物流中心选址模型108

6.2.1 引言108

6.2.2 基于Bootstrap采样技术和PSO算法的神经网络二次集成模型109

6.2.3 物流中心选址实例研究109

6.3 发射药近红外光谱定量分析预测模型114

6.3.1 研究的背景114

6.3.2 发射药成分的近红外光谱分析115

6.3.3 单个神经网络在建模中存在的问题117

6.3.4 基于小波变换——神经网络集成的预测模型117

6.3.5 基于改进神经网络集成的发射药近红外光谱定量分析预测模型119

6.4 疾病诊断预测模型121

6.4.1 研究的背景和意义121

6.4.2 单个网络建立诊断模型时存在的问题122

6.4.3 基于神经网络集成的疾病诊断123

6.4.4 改进的神经网络集成方法在乳腺癌诊断中的应用123

第7章 粒子群优化算法概述125

7.1 基本PSO算法125

7.2 性能评价与“探索—开发”的平衡126

7.2.1 性能评价126

7.2.2 “探索—开发”的平衡127

7.3 群体智能框架下的PSO算法分析与改进128

7.3.1 社会结构和通信方式128

7.3.2 学习与记忆130

7.3.3 群体策略行动133

第8章 基于集成学习的粒子群算法134

8.1 粒子个体的抽象134

8.2 集成学习的基本应用135

8.2.1 个体的集成学习135

8.2.2 算法测试环境136

8.3 粒子级上的集成混合算法138

8.3.1 基于粒子级上的集成方法EPSO-P138

8.3.2 阶段性的EPSO Tc-P141

8.4 维度级上的集成145

8.4.1 基于维度级上的集成方法EPSO-D145

8.4.2 子种群策略148

8.4.3 随机性集成150

8.4.4 扩展引导者的自适应集成152

8.4.5 基于趋势的混合学习161

第9章 基于多智体和多软件人系统协调的展望168

9.1 多智体的信息结构和协调策略168

9.1.1 多智体的信息结构168

9.1.2 多智体系统的协调策略169

9.2 “多软件人系统”中的协调机制170

9.2.1 “软件人”自律协调机制170

9.2.2 “软件人”群的协商与协作171

9.3 群体智能发展展望172

参考文献174

后记184

致谢185