群智能優化方法作為一種新興的演化計算技術已
經成為越來越多研究者關注的焦點。目前，群智能優
化方法已經廣泛應用於模式識別、圖像處理、繫統工
程、生物信息、控制理論等相關工程和科學研究領域
。湯可宗、楊靜宇編著的《群智能優化方法及應用》
將從讀者的角度出發，提供一本通俗易懂、由淺入深
的研究性著作，而不僅僅是將其核心集中在某一專題
做過多的深入理論討論。
本書共9章，第1章介紹群智能優化方法的產生與
發展；第2章介紹最優化模型建模的一般方法和步驟
；第3章～第5章介紹較為成熟的幾種群智能優化方法
，分別是遺傳算法、粒子群優化算法、蟻群算法。第
6章～第9章介紹近年來熱點研究的人工免疫算法、文
化算法、微分進化、模擬退火算法。本書可作為高等
院校計算機科學與技術、電子信息工程、生物醫學工
程、控制科學與工程等學科的本科生、研究生以及廣
大研究群智能優化方法的科技工作者的參考書。

前言
第1章 緒論
1.1 *優化方法的意義
1.2 *優化方法的分類
1.3 群智能優化方法的產生與發展
1.4 怎樣學習群智能優化方法
參考文獻
第2章 *優化模型
2.1 單變量*優化
2.2 多變量*優化
2.3 傳統的優化計算方法
2.3.1 拉格朗日乘子法
2.3.2 牛頓迭代法
2.3.3 *速下降法
參考文獻
第3章 遺傳算法
3.1 導言
3.2 基本原理
3.2.1 基本思想
3.2.2 組成要素
3.2.3 算法流程
3.3 遺傳算法的數學機理
3.3.1 模式的概念
3.3.2 模式定理
3.4 實例分析
3.4.1 非線性約束優化問題
3.4.2 多目標優化問題
3.4.3 圖像分割問題
參考文獻
第4章 粒子群優化算法
4.1 導言
4.2 基本原理
4.2.1 基本粒子群優化算法
4.2.2 標準粒子群優化算法
4.2.3 組成要素
4.3 數學機理
4.3.1 復雜度分析
4.3.2 收斂性分析
4.4 實例分析
4.4.1 基於多樣性反饋的粒子群優化算法
4.4.2 基於離散式多樣性評價策略的自適應粒子群優化算法
4.4.3 雙中心粒子群優化算法
參考文獻
第5章 蟻群算法
5.1 導言
5.2 基本原理
5.2.1 蟻群覓食的特性
5.2.2 螞蟻繫統模型
5.2.3 蟻群算法的實現
5.3 復雜度及收斂性分析
5.3.1 復雜度分析
5.3.2 收斂性分析
5.4 蟻群算法的改進
5.4.1 蟻群算法的改進思路
5.4.2 *大*小蟻群繫統（MMAS）
5.4.3 分段算法
5.4.4 小窗口蟻群算法
5.4.5 智能螞蟻算法
5.4.6 自適應蟻群算法
5.4.7 具有變異和分工特征的蟻群算法
5.5 實例分析
5.5.1 旅行商問題
5.5.2 聚類問題
5.5.3 邊緣檢測問題
參考文獻
第6章 人工免疫算法
6.1 導言
6.2 基本原理
6.2.1 生物免疫繫統的基本概念
6.2.2 免疫繫統的功能原理
6.2.3 人工免疫算法基本流程
6.3 免疫算法的分類
6.3.1 基於信息熵的免疫算法
6.3.2 基於免疫特性的否定選擇算法
6.3.3 基於克隆選擇學說的克隆選擇算法
6.3.4 基於免疫網絡理論的免疫算法
6.3.5 基於疫苗的免疫規劃算法
6.4 實例分析
6.4.1 免疫算法與蟻群算法的混合
6.4.2 基於免疫算法的圖像分割方法
參考文獻
第7章 文化算法
7.1 導言
7.2 基本原理
7.3 文化算法的設計
7.3.1 群體空間
7.3.2 信度空間
7.3.3 接受函數
7.3.4 影響函數
7.4 實例分析
7.4.1 進化規劃文化算法解決約束優化問題
7.4.2 改進進化規劃文化算法
參考文獻
第8章 微分進化
8.1 導言
8.2 基本原理
8.2.1 基本思想
8.2.2 組成要素
8.2.3 DE算法的流程
8.3 改進的微分進化算法
8.3.1 MADE算法
8.3.2 BinDE算法
8.3.3 normDE算法
8.3.4 基於極大、極小距離密度的多目標微分進化算法
8.4 微分進化的幾種優化策略
8.5 實例分析
8.5.1 微分進化文化算法
8.5.2 基於Pareto的雙群體多目標微分進化算法
參考文獻
第9章 模擬退火算法
9.1 導言
9.1.1 物理退火過程
9.1.2 退火與模擬退火
9.2 模擬退火的數學描述和統計特性
9.2.1 數學描述
9.2.2 統計特性
9.3 模擬退火算法的實現流程及性能分析
9.3.1 算法的計算步驟和流程圖
9.3.2 算法的組成要素
9.3.3 算法性能分析
9.4 實例分析
9.4.1 *小優化問題
9.4.2 應急救援物資調度問題
參考文獻