《智能优化算法改进：从入门到MATLAB、Python编程实践》陈克伟，魏曙光，范旭 清华大学出版社 2024/12/1

内容简介：

《智能优化算法改进：从入门到MATLAB、Python编程实践》以粒子群算法为切入点，系统介绍多种常用的智能算法改进策略与思路，旨在帮助读者掌握优化算法的改进方法。读者可结合具体问题，参考本书为不同智能优化算法筛选并应用合适的改进策略。同时，本书特别呈现了多种相对复杂的改进粒子群算法实例，供读者深入学习和借鉴。书中所有算法均提供MATLAB和Python双语言实现，方便不同语言背景的读者参考。全书共分7章：第1章详解粒子群算法原理及其编程实现；第2章阐释智能优化算法基准测试集；第3章介绍智能优化算法评价指标；第4章探讨混沌映射理论；第5章展示基于混沌映射理论的算法改进；第6章分析基于随机变异改进的粒子群算法；第7章研究多策略改进的粒子群算法。

目录：

目录
第 1 章 粒子群算法原理及其编程实现 1
1.1 粒子群算法的基本原理 1
1.2 粒子算法的 MATLAB 实现 3
1.2.1 种群初始化 3
1.2.2 适应度函数 5
1.2.3 边界检查和约束函数 6
1.2.4 粒子群算法代码 7
1.3 粒子群算法的 Python 实现 9
1.3.1 种群初始化 9
1.3.2 适应度函数 11
1.3.3 边界检查和约束函数 12
1.3.4 粒子群算法代码 13
1.4 基于粒子群算法的函数寻优 14
1.4.1 问题描述 14
1.4.2 适应度函数设计 16
1.4.3 主函数设计 16
第 2 章 智能优化算法基准测试集 19
2.1 基准测试集简介 19
2.2 基准测试函数绘图以及测试函数代码编写 21
2.2.1 F1 函数 21
2.2.2 F2 函数 23
2.2.3 F3 函数 24
2.2.4 F4 函数 26
2.2.5 F5 函数 28
2.2.6 F6 函数 30
2.2.7 F7 函数 32
2.2.8 F8 函数 33
2.2.9 F9 函数 35
2.2.10 F10 函数 37
2.2.11 F11 函数 39
2.2.12 F12 函数 41
2.2.13 F13 函数 43
2.2.14 F14 函数 46
2.2.15 F15 函数 48
2.2.16 F16 函数 50
2.2.17 F17 函数 52
2.2.18 F18 函数 53
2.2.19 F19 函数 55
2.2.20 F20 函数 58
2.2.21 F21 函数 60
2.2.22 F22 函数 62
2.2.23 F23 函数 64
第 3 章 智能优化算法评价指标 67
3.1 平均值 67
3.2 标准差 67
3.3 值和最差值 68
3.4 Wilcoxon 秩和检验 69
3.5 Friedman 秩和检验 70
3.6 收敛曲线 71
第 4 章 混沌映射理论 73
4.1 Chebyshev 混沌映射 73
4.1.1 基本原理 73
4.1.2 代码实现 74
4.2 Circle 混沌映射 75
4.2.1 基本原理 75
4.2.2 代码实现 75
4.3 Gauss 混沌映射 77
4.3.1 基本原理 77
4.3.2 代码实现 77
4.4 Iterative 混沌映射 79
4.4.1 基本原理 79
4.4.2 代码实现 79
4.5 Logistic 混沌映射 81
4.5.1 基本原理 81
4.5.2 代码实现 81
4.6 Piecewise 混沌映射 83
4.6.1 基本原理 83
4.6.2 代码实现 83
4.7 Sine 混沌映射 85
4.7.1 基本原理 85
4.7.2 代码实现 85
4.8 Singer 混沌映射 87
4.8.1 基本原理 87
4.8.2 代码实现 87
4.9 Sinusoidal 混沌映射 89
4.9.1 基本原理 89
4.9.2 代码实现 89
4.10 Tent 混沌映射 91
4.10.1 基本原理 91
4.10.2 代码实现 91
4.11 Fuch 混沌映射 93
4.11.1 基本原理 93
4.11.2 代码实现 93
4.12 SPM 混沌映射 95
4.12.1 基本原理 95
4.12.2 代码实现 95
4.13 ICMIC 混沌映射 97
4.13.1 基本原理 97
4.13.2 代码实现 97
4.14 Tent-Logistic-Cosine 混沌映射 99
4.14.1 基本原理 99
4.14.2 代码实现 99
4.15 Logistic-Sine-Cosine 混沌映射 101
4.15.1 基本原理 101
4.15.2 代码实现 101
4.16 Sine-Tent-Cosine 混沌映射 103
4.16.1 基本原理 103
4.16.2 代码实现 103
4.17 Henon 混沌映射 105
4.17.1 基本原理 105
4.17.2 代码实现 105
4.18 Cubic 混沌映射 107
4.18.1 基本原理 107
4.18.2 代码实现 107
4.19 Logistic-Tent 混沌映射 109
4.19.1 基本原理 109
4.19.2 代码实现 109
4.20 Bernoulli 混沌映射 111
4.20.1 基本原理 111
4.20.2 代码实现 111
第 5 章 基于混沌映射理论的算法改进 113
5.1 种群初始化改进 113
5.1.1 基于混沌映射改进种群初始化的粒子群算法 113
5.1.2 基于混沌映射改进种群初始化的粒子群算法的寻优求解 150
5.2 种群内部扰动 170
5.2.1 基于混沌映射改进的粒子群算法 170
5.2.2 基于混沌映射改进的粒子群算法的寻优求解 204
第 6 章 基于随机变异改进的粒子群算法 218
6.1 基于高斯变异改进的粒子群算法 218
6.1.1 高斯变异 218
6.1.2 基于高斯变异改进的粒子群算法代码实现 219
6.2 基于柯西变异改进的粒子群算法 223
6.2.1 柯西变异 223
6.2.2 基于柯西变异改进的粒子群算法代码实现 224
6.3 基于 t 分布变异改进的粒子群算法 228
6.3.1 t 分布变异 228
6.3.2 基于 t 分布变异改进的粒子群算法代码实现 229
6.4 基于反向学习改进的粒子群算法 233
6.4.1 反向学习策略 233
6.4.2 基于反向学习改进的粒子群算法代码实现 233
6.5 基于透镜反向学习改进的粒子群算法 237
6.5.1 透镜反向学习策略 237
6.5.2 基于透镜反向学习改进的粒子群算法代码实现 238
6.6 基于 Levy 飞行改进的粒子群算法 243
6.6.1 Levy 飞行 243
6.6.2 基于 Levy 飞行改进的粒子群算法代码实现 244
6.7 基于随机变异改进的粒子群算法测试 248
6.7.1 函数封装 248
6.7.2 代码实现 249
6.7.3 寻优求解 254
第 7 章 多策略改进的粒子群算法 260
7.1 曲线递增策略的自适应粒子群算法 260
7.1.1 曲线递增策略 260
7.1.2 代码实现 261
7.1.3 寻优求解对比 265
7.2 加权变异的粒子群算法 269
7.2.1 自适应权重和自适应学习因子 269
7.2.2 加权变异 269
7.2.3 高斯扰动 270
7.2.4 代码实现 271
7.2.5 寻优求解对比 276
7.3 具备自纠正和逐维学习能力的粒子群算法 279
7.3.1 纠正策略 279
7.3.2 Pbest 指导 Gbest 的逐维学习策略 280
7.3.3 具备自纠正和逐维学习能力的粒子群算法 281
7.3.4 代码实现 282
7.3.5 寻优求解对比 287
7.4 基于竞争学习的粒子群优化算法 290
7.4.1 竞争学习机制 290
7.4.2 代码实现 292
7.4.3 寻优求解对比 296
7.5 基于紧凑度和调度处理的粒子群优化算法 300
7.5.1 紧凑度 300
7.5.2 粒子调度处理的方法 301
7.5.3 代码实现 302
7.5.4 寻优求解对比 307
参考文献 311