群智能优化方法作为一种新兴的演化计算技术已经成为越来越多研究者关注的焦点.目前,群智能优化方法已经广泛应用于模式识别、图像处理、系统工程、生物信息、控制理论等相关工程和科学研究领域本书将从读者的角度出发,提供一本通俗易懂、由浅入深的研究性著作,而不仅仅是将其核心集中在某一专题做过多的深入理论讨论本书共9章,第1章介绍群智能优化方法的产生与发展;第2章介绍最优化模型建模的一般方法和步骤;第3章~第5章介绍较为成熟的几种群智能优化方法,分别是遗传算法、粒子群优化算法、蚁群算法.第6章~第9章介绍近年来热点研究的人工免疫算法、文化算法、微分进化、模拟退火算法本书可作为高等院校计算机科学与技术、电子信息工程、生物医学工程、控制科学与工程等学科的本科生、研究生以及广大研究群智能优化方法的科技工作者的参考书。

前言
第1章 绪论
1.1 最优化方法的意义
1.2 最优化方法的分类
1.3 群智能优化方法的产生与发展
1.4 怎样学习群智能优化方法
参考文献
第2章 最优化模型
2.1 单变量最优化
2.2 多变量最优化
2.3 传统的优化计算方法
2.3.1 拉格朗日乘子法
2.3.2 牛顿迭代法
2.3.3 最速下降法
参考文献
第3章 遗传算法
3.1 导言
3.2 基本原理
3.2.1 基本思想
3.2.2 组成要素
3.2.3 算法流程
3.3 遗传算法的数学机理
3.3.1 模式的概念
3.3.2 模式定理
3.4 实力分析
3.4.1 非线性约束优化问题
3.4.2 多目标优化问题
3.4.3 图像分割问题
参考文献
第4章 粒子群优化算法
4.1 导言
4.2 基本原理
4.2.1 基本粒子群优化算法
4.2.2 标准粒子群优化算法
4.2.3 组成要素
4.3 数学机理
4.3.1 复杂度分析
4.3.2 收敛性分析
4.4 实例分析
4.4.1 基于多样性反馈的粒子群优化算法
4.4.2 基于离散式多样性评价策略的自适应粒子群优化算法
4.4.3 双中心粒子群优化算法
参考文献
第5章 蚁群算法
5.1 导言
5.2 基本原理
5.2.1 蚁群觅食的特性
5.2.2 蚂蚁系统模型
5.2.3 蚁群算法的实现
5.3 复杂度及收敛性分析
5.3.1 复杂度分析
5.3.2 收敛性分析
5.4 蚁群算法的改进
5.4.1 蚁群算法的改进思路
5.4.2 最大最小蚁群系统（MMAS)
5.4.3 分段算法
5.4.4 小窗口蚁群算法
5.4.5 智能蚂蚁算法
5.4.6 自适应蚁群算法
5.4.7 具有变异和分工特征的蚁群算法
5.5 实例分析
5.5.1 旅行商问题
5.5.2 聚类问题
5.5.3 边缘检测问题
参考文献
第6章 人工免疫算法
6.1 导言
6.2 基本原理
6.2.1 生物免疫系统的基本概念
6.2.2 免疫系统的功能原理
6.2.3 人工免疫算法基本流程
6.3 免疫算法的分类
6.3.1 基于信息熵的免疫算法
6.3.2 基于免疫特性的否定选择算法
6.3.3 基于克隆选择学说的克隆选择算法
6.3.4 基于免疫网络理论的免疫算法
6.3.5 基于疫苗的免疫规划算法
6.4 实例分析
6.4.1 免疫算法与蚁群算法的混合
6.4.2 基于免疫算法的图像分割方法
参考文献
第7章 文化算法
7.1 导言
7.2 基本原理
7.3 文化算法的设计
7.3.1 群体空间
7.3.2 信度空间
7.3.3 接受函数
7.3.4 影响函数
7.4 实例分析
7.4.1 进化规划文化算法解决约束优化问题
7.4.2 改进进化规划文化算法
参考文献
第8章 微分进化
8.1 导言
8.2 基本原理
8.2.1 基本思想
8.2.2 组成要素
8.2.3 DE算法的流程
8.3 改进的微分进化算法
8.3.1 MADE 算法
8.3.2 BinDE 算法
8.3.3 normDE 算法
8.3.4 基于极大、极小距离密度的多目标微分进化算法
8.4 微分进化的几种优化策略
8.5 实例分析
8.5.1 微分进化文化算法
8.5.2 基于Pareto的双群体多目标微分进化算法
参考文献
第9章 模拟退火算法
9.1 导言
9.1.1 物理退火过程
9.1.2 退火与模拟退火
9.2 模拟退火的数学描述和统计特性
9.2.1 数学描述
9.2.2 统计特性
9.3 模拟退火算法的实现流程及性能分析
9.3.1 算法的计算步骤和流程图
9.3.2 算法的组成要素
9.3.3 算法性能分析
9.4 实例分析
9.4.1 最小优化问题
9.4.2 应急救援物资调度问题
参考文献