《面向复杂系统的群集智能》从复杂性科学的视角出发，系统阐述了面向复杂系统的群集智能理论与方法。全书内容共分为8章。作为绪论的第1章综述了群集智能的研究进展并描述了全书的概貌，起到导引的作用。第2～5章是《面向复杂系统的群集智能》的主要内容，其中，前两章分别探讨群集智能中的优化和广义优化（进化）问题，属于“方法导向研究”；后两章分别探讨群集智能中的分工合作和结构涌现问题，属于“问题导向研究”；上述4章构成了《面向复杂系统的群集智能》的主体篇。第6～8章是对群集智能的拓展性研究，它们共同构成《面向复杂系统的群集智能》的扩展篇，其中，第6章讨论模拟人类群体情感的社会情感计算，第7章阐述群集智能与人工神经网络和人工免疫系统的关系，第8章进一步给出了不同方法的融合范例。
《面向复杂系统的群集智能》适于从事智能科学和复杂性研究的科技工作者阅读使用，也可作为高等院校智能科学与技术、系统工程、管理科学与工程等信息类和管理类相关专业研究生和本科生的教学参考书。

《信息科学技术学术著作丛书》序
序一
序二
前言
第一篇 导引篇
第1章 绪论
1.1 引言
1.2 群集智能行为的生物原型
1.2.1 蚁群觅食
1.2.2 鸟群觅食
1.2.3 蚁群劳动分工
1.2.4 蚁群墓地构造
1.2.5 蜂群筑巢
1.3 群集智能研究进展
1.3.1 群集智能系统结构 《信息科学技术学术著作丛书》序
序一
序二
前言
第一篇 导引篇
第1章 绪论
1.1 引言
1.2 群集智能行为的生物原型
1.2.1 蚁群觅食
1.2.2 鸟群觅食
1.2.3 蚁群劳动分工
1.2.4 蚁群墓地构造
1.2.5 蜂群筑巢
1.3 群集智能研究进展
1.3.1 群集智能系统结构
1.3.2 群集智能模型与算法
1.3.3 群集智能典型应用
1.3.4 群集智能发展展望
1.4 群集智能特性分析及其对复杂系统研究的意义
1.4.1 群集智能特性分析
1.4.2 群集智能对复杂系统研究的意义
1.5 本书的主要内容
1.6 本书的篇章结构
参考文献
第二篇 主体篇
第2章 群集智能优化的算法理论与算法改进
2.1 群集智能优化概述
2.2 群集智能优化算法及其理论分析
2.2.1 微粒群算法
2.2.2 蚁群算法
2.2.3 人工蜂群算法
2.2.4 微粒群算法的理论分析
2.3 微粒群算法的稳定性
2.3.1 生物学背景
2.3.2 带被动c-聚集的微粒群算法
2.3.3 近邻个体交互微粒群算法
2.3.4 近邻个体交互微粒群算法的李雅普诺夫稳定性分析
2.3.5 带主动c-聚集的微粒群算法
2.3.6 PSOAC算法的一致渐近稳定性分析
2.3.7 基于群体决策信息的微粒群算法
2.4 最大速度上限的改进策略
2.4.1 最大速度常数的研究现状
2.4.2 最大速度上限的作用
2.4.3 最大速度上限的随机策略
2.5 具有确定认知策略的混合微粒群算法
2.5.1 标准微粒群算法的局部收敛性能分析
2.5.2 具有确定认知策略的混合微粒群算法原理
2.5.3 非稳定线性系统逼近问题
2.6 自适应分工微粒群算法
2.6.1 微粒群算法中的自适应分工原理
2.6.2 局部环境因子和种群自适应分工策略
2.6.3 ADPSO算法的结构与实现
2.6.4 ADPSO算法的性能分析
2.7 群集智能优化方法的综合应用实例
2.7.1 问题的描述
2.7.2 并行公差优化设计问题的模型转换
2.7.3 面向并行公差优化设计的混合群集智能算法
2.7.4 综合求解实例
2.8 小结
参考文献
第3章 基于群集智能的复杂系统共进化
3.1 引言
3.2 复杂系统的共进化机制分析
3.2.1 生物系统中的进化与共进化
3.2.2 基于遗传算法的共进化机制
3.2.3 群集智能中的共进化机制
3.2.4 复杂系统共进化的研究思路
3.3 共进化问题求解的基本原理
3.3.1 复杂问题求解的一般过程
3.3.2 “问题空间-算子空间-解空间”的共进化求解原理
3.3.3 问题空间与解空间的共进化
3.3.4 算子空间与解空间的共进化
3.3.5 问题空间与算子空间的共进化
3.4 基于群集智能的多目标共进化优化方法
3.4.1 多目标优化问题及其求解分析
3.4.2 面向离散变量的CACSM算法
3.4.3 面向连续变量的MOPSO算法
3.5 基于群集智能的多群体共进化优化方法
3.5.1 问题求解背景
3.5.2 面向问题的多群体共进化蚁群优化方法
3.5.3 问题空间-解空间共进化优化的应用实例
3.6 小结
参考文献
第4章 蚁群劳动分工建模与仿真
4.1 引言
4.1.1 蚁群劳动分工模型研究概述
4.1.2 应用背景分析
4.2 蚁群劳动分工模型
4.2.1 群体动力学模型
4.2.2 固定响应阈值模型
4.2.3 时变响应阈值模型
4.2.4 分析说明
4.3 多任务蚁群劳动分工建模与仿真
4.3.1 研究背景
4.3.2 多任务蚁群劳动分工模型的设计与实现
4.3.3 供应链式虚拟企业仿真
4.3.4 组织虚拟式虚拟企业仿真
4.3.5 分析讨论
4.4 多状态蚁群劳动分工建模与仿真
4.4.1 研究背景
4.4.2 多状态蚁群劳动分工模型的设计与实现
4.4.3 基于多状态蚁群劳动分工模型的仿真实例
4.5 多项目调度蚁群劳动分工模型建立及其求解
4.5.1 多项目调度问题描述
4.5.2 多项目调度蚁群劳动分工模型的设计与实现
4.5.3 基于多项目调度蚁群劳动分工模型的仿真实例
4.6 基于精英策略的蚁群劳动分工模型优化
4.6.1 研究思路
4.6.2 基于精英策略的蚁群劳动分工模型优化方法与实现
4.7 小结
参考文献
第5章 群集智能作用下的结构涌现
5.1 引言
5.2 基于蚁群墓地构造的聚类模型及其应用
5.2.1 基于蚁群墓地构造的聚类模型
5.2.2 蚁群聚类模型的并行化及有关说明
5.2.3 基于蚁群聚类模型的机构轨迹综合
5.3 基于蜂群筑巢的实体结构涌现模型及其应用
5.3.1 社会性昆虫群体的筑巢行为
5.3.2 基于群集智能的筑巢模型及其实现算法
5.3.3 基于筑巢模型的结构涌现仿真分析
5.4 基于元胞自动机的实体结构涌现模型及其应用
5.4.1 基于元胞自动机的连续结构涌现模型
5.4.2 基于元胞自动机的连续结构涌现模型的相关性能分析
5.4.3 基于连续结构涌现模型的拓扑优化设计实例
5.5 基于社会网络的虚拟结构涌现模型及其应用
5.5.1 社会网络结构涌现的有关说明
5.5.2 社会网络的结构涌现
5.5.3 社会网络中社区结构涌现的实例分析
5.6 小结
参考文献
第三篇 扩展篇
第6章 群集智能的新发展——社会情感计算
6.1 引言
6.2 社会情感优化算法概述
6.2.1 社会情感理论
6.2.2 标准社会情感优化算法
6.3 基于情感强度第三定律的社会情感优化算法
6.4 引入情绪调整策略的小世界社会情感优化算法
6.4.1 算法思路
6.4.2 数值实验仿真
6.4.3 人工神经网络的训练
6.5 社会情感优化算法的适应值预测策略
6.5.1 引言
6.5.2 基于适应值的加权平均预测思想
6.5.3 基于适应值的加权平均预测公式
6.5.4 预测的比例讨论
6.6 小结
参考文献
第7章 群集智能与人工神经网络和人工免疫系统的关系
7.1 引言
7.2 人工神经网络与人工免疫网络概述
7.2.1 人工神经网络生物原型与算法
7.2.2 人工免疫系统生物原型与算法
7.3 群集智能与人工神经网络的相似性
7.3.1 系统结构的相似性
7.3.2 学习机制的相似性
7.3.3 反馈机制的对比分析
7.3.4 问题求解的对比分析
7.4 群集智能与人工免疫系统的关联性
7.4.1 相似性分析
7.4.2 差异性分析
7.4.3 问题求解的对比分析
7.5 小结
参考文献
第8章 人工蜂群算法与人工免疫网络系统的融合
8.1 引言
8.2 人工蜂群算法概述
8.2.1 基本人工蜂群算法
8.2.2 人工蜂群算法模型
8.3 人工蜂群算法与人工免疫算法的融合机理
8.4 混合算法在工程约束优化参数设计中的应用
8.4.1 约束优化问题的数学模型
8.4.2 仿真实验
8.4.3 仿真结果分析
8.5 具有多峰特性的多项目调度问题的混合算法求解
8.5.1 问题背景
8.5.2 MRCMPSP问题数学模型及其约束简化
8.5.3 混合算法对MRCMPSP问题的求解
8.5.4 数值实例
8.6 小结
参考文献
索引
后记