下载掌阅APP，畅读海量书库
立即打开
本书精选了群智能优化领域具有代表性的遗传算法、差分进化算法、人工免疫算法、粒子群优化算法、蚁群优化算法、人工蜂群算法、细菌觅食优化算法、人工鱼群算法、混合蛙跳算法、萤火虫算法、布谷鸟搜索算法、狼群算法、秃鹰搜索优化算法、蝠鲼觅食优化算法、野狗优化算法和沙丘猫群优化算法16种典型算法开展研究，重点讲述了这些算法的基本原理、特点分析、运算流程、主要参数和应用实例，并对每个应用实例都给出了详细的MATLAB参考程序。这些参考程序可以帮助读者深入理解算法的基本原理和实现方法，同时也有助于感兴趣的读者在此基础上开展更加深入的算法改进研究和不同算法的深度融合研究。
对于高年级本科生和研究生，刚接触群智能优化算法时，在理解算法原理和动手编程实现方面可能有一定难度，但入门后就不难发现，不同的群智能优化算法其实有许多相通之处，可以触类旁通、类比学习。在此给出一些学习建议。
（1）了解群智能优化算法的仿生学思想、算法设计的基本原理和位置更新操作算子，以及种群内部的信息交互机制、竞争选择机制和进化策略。
（2）掌握一门计算机编程语言工具，熟悉存放种群的数据结构和对种群个体的操作运算，具有较强的问题建模分析、逻辑思维和程序设计能力，能够利用计算机语言编写程序解决实际问题。
（3）在理解算法原理的基础上，能够根据算法的主要步骤和运行流程，亲自编写程序并调试，也可参考他人的程序进行改进，将算法用一段计算机语言代码予以实现。
（4）选择较为通用的测试函数和应用实例进行算法测试，以了解算法参数对其求解性能和精度的影响，根据一些经验初步选取参数，并深入研究不同参数取值组合对求解质量的影响，从而得到较为满意的算法参数。
（5）将算法应用到一些具体优化问题，在解决实际问题中分析算法的求解效果，对影响算法的关键因素进行分析，对操作算子、位置更新、惯性权重和步长权重、竞争选择机制等进行改进，进一步提高算法的性能。
（6）在学习和改进已有算法的过程中，对不同算法进行深度融合或受到某种思想的启发，可以创造性提出新的群智能优化算法。
随着时间推移，在智能优化领域会有更多的新算法被提出，需要对新算法及时跟踪学习，不断吸收新思想、扩展新思路、解决新问题。