相關商品
商品簡介
名人/編輯推薦
目次
書摘/試閱
商品簡介
田雨波編著的《粒子群優化算法及電磁應用》在論述粒子群優化算法基本原理的基礎上，介紹有關改進設計，同時給出各種改進設計在電磁場工程問題中的應用。從內容上看，全書分為兩個部分：第一部分為第2～12章，主要論述粒子群優化算法，包括標準粒子群優化算法、粒子群優化算法的物理基礎、粒子群優化算法的邊界條件、量子粒子群優化算法、云粒子群優化算法、簡化粒子群優化算法、蛙跳粒子群優化算法、小波粒子群優化算法、二進制粒子群優化算法及基于粒子群優化算法的神經網絡和神經網絡集成等；第二部分為13～18章，主要論述粒子群優化算法在電磁工程中的應用，包括電磁問題中的復超越方程求解、濾波器設計、微帶天線設計、諧振頻率建模、吸波材料設計和天線陣綜合等。
《粒子群優化算法及電磁應用》可供智能優化算法、計算電磁學、電磁場工程等領域從事研究和開發工作的科技人員及高校教師參考閱讀，也可作為高等院校相關專業高年級本科生和研究生的教學參考用書。
《粒子群優化算法及電磁應用》可供智能優化算法、計算電磁學、電磁場工程等領域從事研究和開發工作的科技人員及高校教師參考閱讀，也可作為高等院校相關專業高年級本科生和研究生的教學參考用書。
名人/編輯推薦
田雨波編著的《粒子群優化算法及電磁應用》在論述粒子群優化算法及其各種改進設計的同時，重點給出其在電磁工程中的應用，這也是本書的另外一個主要特點。本書是作者及作者指導的研究生在粒子群優化算法和電磁工程建模及優化方面的科研工作的系統總結。全書分為兩個部分：第一部分為第2～12章，主要論述粒子群優化算法。第二部分為第13～18章，主要論述粒子群優化算法在電磁工程中的應用。
目次
緒論
第1章緒論
1.1優化方法
1.1.1優化的基本概念
1.1.2優化問題的分類
1.1.3優化算法的復雜度
1.2智能優化方法
1.2.1智能優化方法的基本概念
1.2.2智能優化方法的特點
1.2.3智能優化方法的哲學定理
1.3粒子群優化算法
1.4粒子群優化算法的電磁應用
參考文獻
第一部分粒子群優化算法
第2章標準粒子群優化算法
2.1 引言
2.2算法概述
2.2.1 算法原理
2.2.2算法數學描述
2.2.3算法流程
2.2.4算法參數
2.3算法模型
2.3.1算法模型分析
2.3.2算法拓撲結構
2.3.3算法鄰域結構
2.4算法優點和局限性
2.4.1算法的優點
2.4.2算法的局限性
2.5粒子更新方法研究
2.6算法應用及展望
2.6.1算法的應用
2.6.2算法的研究方向
參考文獻
第3章粒子群優化算法的物理基礎
3.1 引言
3.2分子動力學理論
3.2.1保守PSO環境
3.2.2耗散PSO環境
3—3 PS0環境的熱動力學分析
3.3.1熱力學平衡
3.3.2能量因素
3.3.3動力學特性
3.4 PSO算法的擴散模型
3.5 PSO算法的馬爾可夫模型
3.5.1基于概率理論的更新方程
3.5.2馬爾可夫鏈模型
3.5.3廣義PSO算法
參考文獻
第4章粒子群優化算法的邊界條件
4.1 引言
4.2邊界條件分類
4_3數值仿真實驗
4.3.1測試函數
4.3.2仿真結果及分析
參考文獻
第5章量子粒子群優化算法
5.1 引言
5.2算法概述
5.2.1 算法原理
5.2.2算法流程和框圖
5.2.3壓縮擴張因子的選取
5.3算法優點及局限性
5.4基于微分進化算子和混沌序列的量子粒子群優化算法
5.4.1微分進化算子
5.4.2混沌擾動
5.4.3算法流程及框圖
5.4.4數值仿真實驗
5.5基于反向學習機制的量子粒子群優化算法
5.5.1算法改進思想
5.5.2數值仿真實驗
參考文獻
第6章云粒子群優化算法
6.1 引言
6.2云模型概述
6.2.1云模型的概念
6.2.2云模型的定義
6.2.3云模型的數字特征
6.2.4云發生器
6.2.5正態云的統計分析
6.3云自適應粒子群優化算法
6.3.1基于云變異的云自適應粒子群算法
6.3.2數值仿真實驗
參考文獻
第7章簡化粒子群優化算法
7.1 引言
7.2算法概述
7.2.1粒子群優化算法中速度的分析
7.2.2簡化粒子群優化算法的實現
7.2.3簡化粒子群優化算法的收斂性
7.3兩種簡化粒子群優化算法
7.3.1 帶極值擾動的簡化粒子群優化算法
7.3.2慣性和經驗相互影響的簡化粒子群優化算法
7.4數值仿真實驗
7.4.1 待測算法
7.4.2測試結果及分析
參考文獻
第8章蛙跳粒子群優化算法
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混合蛙跳算法數學模型
8.2.3混合蛙跳算法基本步驟
8.3蛙跳粒子群優化算法
8.3.1算法實現
8.3.2數值仿真試驗
參考文獻
第9章小波粒子群優化算法
9.1 引言
9.2小波分析概述
9.2.1 小波分析常用記號
9.2.2連續小波變換
9.2.3離散小波變換
9.2.4多分辨率分析
9.2.5小波變換的性質
9.3小波粒子群優化算法原理及實現
9.3.1算法實現
9.3.2數值仿真實驗
參考文獻
第10章二進制粒子群優化算法
10.1 引言
10.2二進制粒子群優化算法概述
10.2.1基本二進制粒子群優化算法
10.2.2二進制與十進制之問的轉換
10.2.3 數值實驗用測試函數
10.3基于次優活躍點的二進制粒子群優化算法
10—3.1算法描述
10.3.2算法流程
10.3.3 算法參數的均勻設計
10.4鯰魚二進制粒子群優化算法
10.4.1鯰魚效應
10.4.2算法描述
10.4.3算法流程
10.4.4算法參數的確定
10.5兩種二進制粒子群優化算法的數值仿真試驗
參考文獻
第11章粒子群神經網絡
11.1引言
11.2神經網絡概述
11.2.1神經網絡的概念與分類
11.2.2神經網絡的基本特征和基本功能
11.2.3神經網絡的基本性質、優點及其應用
11.2.4神經網絡的性能指標及研究內容
11.2.5 BP神經網絡
11.3粒子群神經網絡原理及實現
11.3.1粒子群優化算法與神經網絡的融合
11.3.2粒子群算法優化神經網絡的權值
11.3.3粒子群算法優化神經網絡的結構
11.3.4粒子群算法同時優化神經網絡的結構和權值
11.4粒子群神經網絡應用
11.4.1函數優化問題
11.4.2分類問題
11.4.3 LED問題
11.4.4廣義異或問題
參考文獻
第12章粒子群神經網絡集成
12.1 引言
12.2神經網絡集成概述
12.2.1基本概念
12.2.2實現方法
12.2.3存在問題
12.2.4 Iris分類問題試驗
12.3 基于粒子群優化算法的選擇性神經網絡集成方法
12.3.1 基于粒子群優化算法的神經網絡集成方法
12.3.2數值仿真實驗
參考文獻
第二部分粒子群優化算法的電磁應用
第1章緒論
1.1優化方法
1.1.1優化的基本概念
1.1.2優化問題的分類
1.1.3優化算法的復雜度
1.2智能優化方法
1.2.1智能優化方法的基本概念
1.2.2智能優化方法的特點
1.2.3智能優化方法的哲學定理
1.3粒子群優化算法
1.4粒子群優化算法的電磁應用
參考文獻
第一部分粒子群優化算法
第2章標準粒子群優化算法
2.1 引言
2.2算法概述
2.2.1 算法原理
2.2.2算法數學描述
2.2.3算法流程
2.2.4算法參數
2.3算法模型
2.3.1算法模型分析
2.3.2算法拓撲結構
2.3.3算法鄰域結構
2.4算法優點和局限性
2.4.1算法的優點
2.4.2算法的局限性
2.5粒子更新方法研究
2.6算法應用及展望
2.6.1算法的應用
2.6.2算法的研究方向
參考文獻
第3章粒子群優化算法的物理基礎
3.1 引言
3.2分子動力學理論
3.2.1保守PSO環境
3.2.2耗散PSO環境
3—3 PS0環境的熱動力學分析
3.3.1熱力學平衡
3.3.2能量因素
3.3.3動力學特性
3.4 PSO算法的擴散模型
3.5 PSO算法的馬爾可夫模型
3.5.1基于概率理論的更新方程
3.5.2馬爾可夫鏈模型
3.5.3廣義PSO算法
參考文獻
第4章粒子群優化算法的邊界條件
4.1 引言
4.2邊界條件分類
4_3數值仿真實驗
4.3.1測試函數
4.3.2仿真結果及分析
參考文獻
第5章量子粒子群優化算法
5.1 引言
5.2算法概述
5.2.1 算法原理
5.2.2算法流程和框圖
5.2.3壓縮擴張因子的選取
5.3算法優點及局限性
5.4基于微分進化算子和混沌序列的量子粒子群優化算法
5.4.1微分進化算子
5.4.2混沌擾動
5.4.3算法流程及框圖
5.4.4數值仿真實驗
5.5基于反向學習機制的量子粒子群優化算法
5.5.1算法改進思想
5.5.2數值仿真實驗
參考文獻
第6章云粒子群優化算法
6.1 引言
6.2云模型概述
6.2.1云模型的概念
6.2.2云模型的定義
6.2.3云模型的數字特征
6.2.4云發生器
6.2.5正態云的統計分析
6.3云自適應粒子群優化算法
6.3.1基于云變異的云自適應粒子群算法
6.3.2數值仿真實驗
參考文獻
第7章簡化粒子群優化算法
7.1 引言
7.2算法概述
7.2.1粒子群優化算法中速度的分析
7.2.2簡化粒子群優化算法的實現
7.2.3簡化粒子群優化算法的收斂性
7.3兩種簡化粒子群優化算法
7.3.1 帶極值擾動的簡化粒子群優化算法
7.3.2慣性和經驗相互影響的簡化粒子群優化算法
7.4數值仿真實驗
7.4.1 待測算法
7.4.2測試結果及分析
參考文獻
第8章蛙跳粒子群優化算法
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混合蛙跳算法數學模型
8.2.3混合蛙跳算法基本步驟
8.3蛙跳粒子群優化算法
8.3.1算法實現
8.3.2數值仿真試驗
參考文獻
第9章小波粒子群優化算法
9.1 引言
9.2小波分析概述
9.2.1 小波分析常用記號
9.2.2連續小波變換
9.2.3離散小波變換
9.2.4多分辨率分析
9.2.5小波變換的性質
9.3小波粒子群優化算法原理及實現
9.3.1算法實現
9.3.2數值仿真實驗
參考文獻
第10章二進制粒子群優化算法
10.1 引言
10.2二進制粒子群優化算法概述
10.2.1基本二進制粒子群優化算法
10.2.2二進制與十進制之問的轉換
10.2.3 數值實驗用測試函數
10.3基于次優活躍點的二進制粒子群優化算法
10—3.1算法描述
10.3.2算法流程
10.3.3 算法參數的均勻設計
10.4鯰魚二進制粒子群優化算法
10.4.1鯰魚效應
10.4.2算法描述
10.4.3算法流程
10.4.4算法參數的確定
10.5兩種二進制粒子群優化算法的數值仿真試驗
參考文獻
第11章粒子群神經網絡
11.1引言
11.2神經網絡概述
11.2.1神經網絡的概念與分類
11.2.2神經網絡的基本特征和基本功能
11.2.3神經網絡的基本性質、優點及其應用
11.2.4神經網絡的性能指標及研究內容
11.2.5 BP神經網絡
11.3粒子群神經網絡原理及實現
11.3.1粒子群優化算法與神經網絡的融合
11.3.2粒子群算法優化神經網絡的權值
11.3.3粒子群算法優化神經網絡的結構
11.3.4粒子群算法同時優化神經網絡的結構和權值
11.4粒子群神經網絡應用
11.4.1函數優化問題
11.4.2分類問題
11.4.3 LED問題
11.4.4廣義異或問題
參考文獻
第12章粒子群神經網絡集成
12.1 引言
12.2神經網絡集成概述
12.2.1基本概念
12.2.2實現方法
12.2.3存在問題
12.2.4 Iris分類問題試驗
12.3 基于粒子群優化算法的選擇性神經網絡集成方法
12.3.1 基于粒子群優化算法的神經網絡集成方法
12.3.2數值仿真實驗
參考文獻
第二部分粒子群優化算法的電磁應用
書摘/試閱
基于次優點的二進制粒子群優化算法使用10個粒子，進行100次迭代，每種情況運行20次，試驗結果見圖10.2，具體數據見表10.4。從圖10.2和表10.4可以看出，12組數據中，3種測試函數的結果不完全相同。對于Rosenbrock來說，第9組、第5組和第6組效果比較好，而對于Rastigrin和Griewank來說，第6組效果最好。從圖10.2也可以很客觀地看到綜合三個函數的測試結果，第6組參數組合獲得的性能最好。
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。