群智能算法及化工优化问题-网络科技-文化科教-太极之巅书单号

书刊介绍

群智能算法及化工优化问题目录

概论
**章化工优化模型
1．1 数学模型
1．2 化工问题的数学模型
1．3 化工优化问题的数学模型
1．4 本章小结
第二章优化问题的回顾与分析
2．1 优化问题的概论
2．1．1 概述
2．1．2 优化问题的数学模型
2．1．3 优化问题的分类
2．2 优化问题的求解
2．2．1 优化问题的全局*优解与局部*优解
2．2．2 全局*优解与局部*优解的关系
2．2．3 求解全局*优解的困难所在
2．2．4 优化问题的求解方法
2．3 优化问题及求解方法的演变分析
2．4 全局优化算法的分类
2．5 传统优化算法的不足
2．6 本章小结
第三章信息原理与群搜索
3．1 引言
3．2 信息
3．3 信息方法
3．3．1 信息方法的含义
3．3．2 信息方法的步骤
3．4 信息融合
3．5 基于信息方法的优化算法
3．5．1 遗传算法
3．5．2 蚁群算法
3．5．3 粒子群算法
3．6 搜索
3．6．1 搜索的相关概念
3．6．2 单点搜索
3．6．3 群搜索
3．6．4 群搜索算法研究解决的问题及其发展前景
3．6．4．1 算法设计及改进研究
3．6．4．2 算法的应用研究
3．7 本章小结
第四章群智能优化算法及其收敛研究
4．1 引言
4．2 粒子群算法的产生背景及基本模式
4．3 粒子群算法的拓扑结构和邻域结构
4．3．1 影响拓扑结构的主要因素
4．3．2 邻域结构和迭代式之间的对应关系
4．3．3 几种典型的拓扑结构
4．3．4 不同拓扑结构的效果比较
4．4 粒子的运动分析
4．4．1 PSO的Gbest粒子运动分析
4．4．2 PSO的Pbest粒子运动分析
4．4．3 PSO的Common粒子运动分析
4．4．4 PSD分析
4．5 人工鱼群算法
4．6 人工萤火虫算法
4．6．1 GS0算法
4．6．1．1 算法的数学描述与分析
4．6．1．2 算法流程
4．6．2 FA算法
4．6．2．1 算法的数学描述与分析
4．6．2．2 算法步骤
4．7 蝙蝠算法
4．7．1 蝙蝠算法的原理与数学描述
4．7．2 蝙蝠算法基本流程
4．8 本章小结
第五章粒子群优化算法求解多目标优化问题
5．1 引言
5．2 多目标优化问题的数学描述与一般的求解法
5．2．1 多目标优化问题的数学描述
5．2．2 多目标优化问题的解法
5．2．2．1 基于单目标的多目标求解方法
5．2．2．2 基于进化计算的多目标求解方法
5．3 粒子群优化算法求解多目标优化问题的理想有效解
5．3．1 多目标优化问题的理想有效解
5．3．2 粒子群优化算法求多目标优化问题的理想有效解
5．3．2．1 算法的基本思想
5．3．2．2 算法流程
5．3．2．3 算法的测试
5．3．2．4 算法性能分析
5．4 粒子群优化算法求解多目标优化问题的应用
5．5 本章小结
第六章改进粒子群算法求解动态优化问题
6．1 引言
6．2 动态优化的数学描述与分类
6．2．1 动态优化的数学描述
6．2．2 动态优化的分类
6．3 动态优化的一般解析方法
6．3．1 变分法或基于极大值原理的解法
6．3．2 基于*优原理的动态规划方法
6．4 求解动态优化问题的现行数值方法
6．4．1 梯度法
6．4．2 动态规划方法
6．5 改进的粒子群算法求解动态优化问题
6．5．1 混沌粒子群算法求解边值不确定的动态优化问题
6．5．2 混沌在求解优化问题中的应用
6．5．3 混沌粒子群优化算法
6．5．4 混沌粒子群算法求解动态优化问题的一般步骤
6．5．5 混沌粒子群算法求解动态优化问题的应用
6．5．6 粒子群优化法求解边值给定的动态优化问题
6．6 本章小结
第七章共轭粒子群优化算法与二进制粒子群优化算法
7．1 引言
7．2 粒子群算法的数学分析
7．3 共轭粒子群优化算法
7．3．1 共轭方向法
7．3．2 共轭方向粒子群算法
7．3．3 算法的性能测试
7．3．4 算法的性能分析
7．4 共轭粒子群算法的应用
7．4．1 PSO与CDPSO对模型参数的估计
7．4．2 结果分析
7．5 二进制表示的粒子群优化算法
7．5．1 二进制粒子群优化算法提出的原理
7．5．2 二进制粒子群优化算法的基本步骤
7．5．3 二进制粒子群优化算法的性能测试与分析
7．6 BPSO在求解换热网络优化问题（HEN problem）中的应用
7．7 本章小结
第八章自适应布谷鸟算法及其在化工优化中的应用
8．1 引言
8．2 动态优化问题的描述
8．3 变步长自适应cs算法
8．3．1 基本CS算法
8．3．2 变步长策略
8．3．3 变步长自适应CS（VSACS）算法流程
8．4 函数测试
8．4．1 标准测试函数
8．4．2 测试结果
8．5 变步长自适应布谷鸟搜索算法（VSACS）在化工动态优化中的应用
8．5．1 批式反应器
8．5．2 管式反应器
8．5．3 ParlkRamirez生物反应器（PRb）
8．5．4 实验结果及讨论
8．6 本章小结
符号说明
参考文献

群智能算法及化工优化问题内容简介

数学建模方法是研究化工过程的一种有效方法，由于化工过程影响因素多、波动大、反应机理复杂，因此，所建立的模型大多比较复杂，用传统的数学方法很难求解，而人工智能在该领域大有用武之地。诸如高炉炼铁和石油裂解等融进各种优化模型的专家系统很早就出现在了化工冶金企业中，人工智能优化正在为这些领域带来新的发展动力。通过数学建模方法分析化工过程所得到的优化方案可以直接由生产过程检验，因而上马容易，见效迅速，且通过对参数的调整可以不必改进设备。因此，该领域是研究的热点。该领域内容丰富，发展迅猛，《群智能算法及化工优化问题》仅是抛砖引玉。《群智能算法及化工优化问题》可供化学工程、计算智能工作者，科研人员及大学生有关专业高年级学生、研究生、教师使用。