粒子群优化算法及电磁应用 [平装]

本书在论述粒子群优化算法基本原理的基础上，介绍了有关改进设计，同时给出各种改进设计在电磁场工程问题中的应用。全书分为两个部分，共计十八章。第二章到第十二章是第一部分，主要讲述粒子群优化算法，包括标准粒子群优化算法、粒子群优化算法的物理基础、粒子群优化算法的边界条件、量子粒子群优化算法、云粒子群优化算法、简化粒子群优化算法、蛙跳粒子群优化算法、小波粒子群优化算法、二进制粒子群优化算法以及基于粒子群优化算法的神经网络和神经网络集成等；第十三章到第十八章是第二部分，主要讲述粒子群优化算法在电磁工程中的应用，包括电磁问题中的复超越方程求解、滤波器设计、微带天线设计、谐振频率建模、吸波材料设计和天线阵综合等。田雨波编著的《粒子群优化算法及电磁应用》在论述粒子群优化算法及其各种改进设计的同时，重点给出其在电磁工程中的应用，这也是本书的另外一个主要特点。本书是作者及作者指导的研究生在粒子群优化算法和电磁工程建模及优化方面的科研工作的系统总结。全书分为两个部分：第一部分为第2～12章，主要论述粒子群优化算法。第二部分为第13～18章，主要论述粒子群优化算法在电磁工程中的应用。 绪论 第1章绪论 1.1优化方法 1.1.1优化的基本概念 1.1.2优化问题的分类 1.1.3优化算法的复杂度 1.2智能优化方法 1.2.1智能优化方法的基本概念 1.2.2智能优化方法的特点 1.2.3智能优化方法的哲学定理 1.3粒子群优化算法 1.4粒子群优化算法的电磁应用 参考文献 第一部分粒子群优化算法 第2章标准粒子群优化算法 2.1 引言 2.2算法概述 2.2.1 算法原理 2.2.2算法数学描述 2.2.3算法流程 2.2.4算法参数 2.3算法模型 2.3.1算法模型分析 2.3.2算法拓扑结构 2.3.3算法邻域结构 2.4算法优点和局限性 2.4.1算法的优点 2.4.2算法的局限性 2.5粒子更新方法研究 2.6算法应用及展望 2.6.1算法的应用 2.6.2算法的研究方向 参考文献 第3章粒子群优化算法的物理基础 3.1 引言 3.2分子动力学理论 3.2.1保守PSO环境 3.2.2耗散PSO环境 3—3 PS0环境的热动力学分析 3.3.1热力学平衡 3.3.2能量因素 3.3.3动力学特性 3.4 PSO算法的扩散模型 3.5 PSO算法的马尔可夫模型 3.5.1基于概率理论的更新方程 3.5.2马尔可夫链模型 3.5.3广义PSO算法 参考文献 第4章粒子群优化算法的边界条件 4.1 引言 4.2边界条件分类 4_3数值仿真实验 4.3.1测试函数 4.3.2仿真结果及分析 参考文献 第5章量子粒子群优化算法 5.1 引言 5.2算法概述 5.2.1 算法原理 5.2.2算法流程和框图 5.2.3压缩扩张因子的选取 5.3算法优点及局限性 5.4基于微分进化算子和混沌序列的量子粒子群优化算法 5.4.1微分进化算子 5.4.2混沌扰动 5.4.3算法流程及框图 5.4.4数值仿真实验 5.5基于反向学习机制的量子粒子群优化算法 5.5.1算法改进思想 5.5.2数值仿真实验 参考文献 第6章云粒子群优化算法 6.1 引言 6.2云模型概述 6.2.1云模型的概念 6.2.2云模型的定义 6.2.3云模型的数字特征 6.2.4云发生器 6.2.5正态云的统计分析 6.3云自适应粒子群优化算法 6.3.1基于云变异的云自适应粒子群算法 6.3.2数值仿真实验 参考文献 第7章简化粒子群优化算法 7.1 引言 7.2算法概述 7.2.1粒子群优化算法中速度的分析 7.2.2简化粒子群优化算法的实现 7.2.3简化粒子群优化算法的收敛性 7.3两种简化粒子群优化算法 7.3.1 带极值扰动的简化粒子群优化算法 7.3.2惯性和经验相互影响的简化粒子群优化算法 7.4数值仿真实验 7.4.1 待测算法 7.4.2测试结果及分析 参考文献 第8章蛙跳粒子群优化算法 8.1 引言 8.2混合蛙跳算法概述 8.2.1混合蛙跳算法基本概念 8.2.2混合蛙跳算法数学模型 8.2.3混合蛙跳算法基本步骤 8.3蛙跳粒子群优化算法 8.3.1算法实现 8.3.2数值仿真试验 参考文献 第9章小波粒子群优化算法 9.1 引言 9.2小波分析概述 9.2.1 小波分析常用记号 9.2.2连续小波变换 9.2.3离散小波变换 9.2.4多分辨率分析 9.2.5小波变换的性质 9.3小波粒子群优化算法原理及实现 9.3.1算法实现 9.3.2数值仿真实验 参考文献 第10章二进制粒子群优化算法 10.1 引言 10.2二进制粒子群优化算法概述 10.2.1基本二进制粒子群优化算法 10.2.2二进制与十进制之问的转换 10.2.3 数值实验用测试函数 10.3基于次优活跃点的二进制粒子群优化算法 10—3.1算法描述 10.3.2算法流程 10.3.3 算法参数的均匀设计 10.4鲶鱼二进制粒子群优化算法 10.4.1鲶鱼效应 10.4.2算法描述 10.4.3算法流程 10.4.4算法参数的确定 10.5两种二进制粒子群优化算法的数值仿真试验 参考文献 第11章粒子群神经网络 11.1引言 11.2神经网络概述 11.2.1神经网络的概念与分类 11.2.2神经网络的基本特征和基本功能 11.2.3神经网络的基本性质、优点及其应用 11.2.4神经网络的性能指标及研究内容 11.2.5 BP神经网络 11.3粒子群神经网络原理及实现 11.3.1粒子群优化算法与神经网络的融合 11.3.2粒子群算法优化神经网络的权值 11.3.3粒子群算法优化神经网络的结构 11.3.4粒子群算法同时优化神经网络的结构和权值 11.4粒子群神经网络应用 11.4.1函数优化问题 11.4.2分类问题 11.4.3 LED问题 11.4.4广义异或问题 参考文献 第12章粒子群神经网络集成 12.1 引言 12.2神经网络集成概述 12.2.1基本概念 12.2.2实现方法 12.2.3存在问题 12.2.4 Iris分类问题试验 12.3 基于粒子群优化算法的选择性神经网络集成方法 12.3.1 基于粒子群优化算法的神经网络集成方法 12.3.2数值仿真实验 参考文献 第二部分粒子群优化算法的电磁应用 版权页： 插图： 基于次优点的二进制粒子群优化算法使用10个粒子，进行100次迭代，每种情况运行20次，试验结果见图10.2，具体数据见表10.4。从图10.2和表10.4可以看出，12组数据中，3种测试函数的结果不完全相同。对于Rosenbrock来说，第9组、第5组和第6组效果比较好，而对于Rastigrin和Griewank来说，第6组效果最好。从图10.2也可以很客观地看到综合三个函数的测试结果，第6组参数组合获得的性能最好。