群体智能优化算法及其应用

《群体智能优化算法及其应用》面向智能信息处理研究的前沿领域，针对群体智能优化算法及其应用中的关键问题，系统地讨论了新型群体智能优化算法以及群体智能优化算法在三维模型处理和可信软件测试中的应用，比较全面地反映了国内外在三维模型智能处理和基于搜索的可信软件测试领域的新研究进展。《群体智能优化算法及其应用》主要内容包括经典群体智能优化算法、社会认知优化算法、自然社会认知优化算法、细菌群体趋药性算法、混沌细菌群体趋药算法、三维模型多特征提取、基于证据和区间数的智能三维模型融合匹配识别方法、基于群体智能的文物三维模型全局较优匹配算法、基于群体智能的三维模型配准算法、基于粒子群算法的测试数据生成及优化、基于改进粒子群优化的测试用例扩增方法和基于蚁群算法的组合测试数据生成与优化。

目录
前言
第1章 绪论 1
1.1 最优化问题及分类 1
1.2 典型启发式算法 3
1.2.1 遗传算法 4
1.2.2 模拟退火算法 6
1.2.3 禁忌搜索算法 10
1.3 群体智能算法 12
1.4 三维文物虚拟拼接处理中的问题 14
1.4.1 引言 14
1.4.2 多特征提取及融合匹配识别问题 16
1.4.3 多碎片的全局拼接问题 18
1.4.4 问题小结 20
1.5 可信软件自动化测试中的关键问题 21
1.5.1 基于搜索的可信软件自动化测试 21
1.5.2 组合测试用例生成 22
1.5.3 测试用例扩增 24
1.5.4 测试用例选择 25
1.5.5 问题小结 26
1.6 本书研究思路 26
1.7 本书的内容结构 27
参考文献 30
第2章 经典群体智能算法 36
2.1 粒子群优化算法 36
2.1.1 粒子群优化算法简介 36
2.1.2 基本粒子群优化算法 37
2.1.3 粒子群优化算法的特点 38
2.1.4 离散粒子群优化算法 39
2.1.5 粒子群优化算法的研究现状 39
2.2 蚁群优化算法 43
2.2.1 蚁群优化算法的起源与发展 43
2.2.2 蚁群算法的基本原理 45
2.2.3 蚁群算法的研究进展 47
参考文献 48
第3章 社会认知优化算法 52
3.1 社会认知优化算法简介 52
3.1.1 社会学习理论 52
3.1.2 社会认知理论 53
3.1.3 社会认知优化 54
3.1.4 SCO算法基本概念 55
3.1.5 SCO算法步骤 56
3.1.6 SCO算法研究进展 57
3.2 求解非线性方程组的社会认知算法 59
3.2.1 问题描述 59
3.2.2 SCO算法用于求解非线性方程组 59
3.2.3 数值试验与仿真 60
3.2.4 SCO算法求解非线性方程组问题总结 62
3.3 求解非线性互补问题的熵函数认知优化算法 62
3.3.1 问题描述 62
3.3.2 非线性互补问题的熵函数法 63
3.3.3 用SCO算法求解非线性互补问题 64
3.3.4 数值试验与仿真 64
3.3.5 结论 66
3.4 求解软件可靠性分配问题的社会认知算法 66
3.4.1 问题描述 66
3.4.2 多模块软件可靠性分配模型 66
3.4.3 数值试验与仿真 68
3.4.4 结论 70
3.5 求解组合Web服务选择问题的认知优化算法 70
3.5.1 问题描述 70
3.5.2 研究进展 70
3.5.3 基本概念 71
3.5.4 组合服务选择模型 72
3.5.5 极大熵函数法 74
3.5.6 组合服务选择算法 75
3.5.7 算法实现 77
3.5.8 实验与分析 79
3.5.9 总结 82
参考文献 82
第4章 新型社会认知优化算法 86
4.1 社会认知优化理论 86
4.2 SCO算法的收敛性分析 86
4.2.1 随机算法的收敛准则 87
4.2.2 SCO算法收敛性证明 88
4.3 自然社会认知优化算法 89
4.3.1 智商分布统计理论 89
4.3.2 混沌优化算法 90
4.3.3 精英策略 91
4.3.4 HSCO算法步骤 92
4.3.5 HSCO算法的全局收敛性 93
4.3.6 数值实验分析 94
4.4 具有量子行为的SCO算法 97
4.4.1 具有量子行为的SCO算法简介 97
4.4.2 实验分析及收敛证明 98
4.5 本章小结 100
本章附录 100
参考文献 104
第5章 细菌群体趋药性算法及改进 106
5.1 细菌群体趋药性算法 106
5.1.1 算法原理 106
5.1.2 BCC算法步骤 106
5.1.3 BCC算法研究进展 108
5.2 混沌细菌群体趋药优化算法 109
5.2.1 BC算法简介 110
5.2.2 BC算法及收敛性分析 110
5.2.3 BCC算法及收敛性分析 111
5.2.4 CBCC算法 111
5.2.5 CBCC算法步骤及收敛性证明 113
5.2.6 数值实验分析 114
5.3 本章小结 120
参考文献 121
第6章 三维碎片模型特征提取 123
6.1 引言 123
6.2 特征轮廓线提取技术 124
6.2.1 主轮廓线提取 125
6.2.2 次轮廓线提取 126
6.2.3 特征轮廓线生成 130
6.2.4 实验分析 131
6.3 厚度直方图算法 132
6.3.1 厚度直方图算法描述 132
6.3.2 厚度直方图相似性度量 133
6.4 自旋图提取算法 134
6.4.1 自旋图生成 134
6.4.2 顶点归一化 134
6.4.3 自旋图相似性度量 135
6.5 本章小结 135
参考文献 136
第7章 基于证据和区间数的多特征智能融合识别方法 138
7.1 引言 138
7.2 D-S证据合并理论模型 140
7.3 区间数理论 141
7.4 区间数生成BPA 142
7.4.1 生成原理分析 142
7.4.2 用区间数生成BPA 143
7.5 D-S的权重值优化 143
7.5.1 证据合成理论的权值统一 143
7.5.2 D-S权重值优化算法 144
7.5.3 权重优化模型 144
7.5.4 HSCO算法原理 145
7.5.5 HSCO算法优化权重 146
7.6 实验分析 146
7.7 本章小结 151
参考文献 151
第8章 基于离散自然社会认知优化算法的全局最优匹配 154
8.1 引言 154
8.2 基于群体智能的整体匹配原理 156
8.3 完全匹配的多碎片匹配算法模型 157
8.3.1 编码 157
8.3.2 适应值函数 159
8.3.3 离散HSCO算法迭代公式 160
8.4 部分匹配的多碎片匹配算法模型 160
8.4.1 编码 161
8.4.2 迭代公式 161
8.5 基于DHSCO的全局匹配算法分析 161
8.6 实例分析 162
8.7 本章小结 165
参考文献 165
第9章 基于显著特征的智能配准算法 167
9.1 引言 167
9.2 显著特征点提取 169
9.2.1 点云法向量估计和调整 169
9.2.2 基于MLS面计算点云曲率 170
9.2.3 显著特征提取 170
9.3 粗略配准 171
9.3.1 获取初始匹配点 171
9.3.2 约束剪枝 172
9.3.3 基于离散CBCC算法的粗匹配点对优化 172
9.4 精细配准 175
9.4.1 基于CBCC的最优变换求解 175
9.4.2 ICPIF精细配准 176
9.5 CBCC算法全局收敛性证明 176
9.6 实验分析 177
9.7 本章小结 180
参考文献 180
第10章 基于粒子群算法的测试数据的生成及优化 182
10.1 基于K-均值聚类粒子群优化算法的组合测试数据生成 182
10.1.1 组合测试数据生成 182
10.1.2 组合覆盖测试模型 183
10.1.3 基于K-均值的粒子群优化算法 184
10.1.4 基于K-PSO的组合测试数据生成 186
10.1.5 实例研究与分析 187
10.2 改进DPSO生成两两覆盖组合测试数据集 189
10.2.1 引言 189
10.2.2 基本概念 190
10.2.3 离散粒子群优化算法 190
10.2.4 改进的离散粒子群优化算法 191
10.2.5 实例研究 193
10.2.6 本节小结 194
10.3 改进粒子群算法求解测试用例最小化问题 194
10.3.1 引言 195
10.3.2 基本概念 195
10.3.3 测试用例最小化技术 196
10.3.4 粒子群优化算法 197
10.3.5 改进的粒子群优化算法 198
10.3.6 实例研究 200
10.3.7 本节小结 203
参考文献 203
第11章 基于进化算法的测试数据生成 205
11.1 基于改进异质协同演化的测试数据生成 205
11.1.1 异质协同演化算法 206
11.1.2 GADE算法的改进以及在测试数据生成中的应用 206
11.1.3 系统实现及结果分析 211
11.1.4 本节小结 213
11.2 基于Tent映射的分阶段组合测试数据生成 214
11.2.1 引言 214
11.2.2 测试数据生成问题 215
11.2.3 Tent映射及Tent序列 215
11.2.4 Tent映射分阶段生成测试数据 216
11.2.5 实例分析 220
11.2.6 本节小结 222
参考文献 222
第12章 基于自适应粒子群算法的测试数据扩增方法 224
12.1 引言 224
12.2 回归测试数据扩增的数学模型 225
12.2.1 基本概念 225
12.2.2 测试数据扩增的数学模型 226
12.3 回归测试数据集扩增方法 226
12.3.1 初始种群的选择 226
12.3.2 自适应粒子群算法 227
12.3.3 基于自适应粒子群算法的测试数据集扩增模型 228
12.3.4 算法步骤 229
12.4 实例分析 230
12.5 实验 231
12.5.1 实验设置 231
12.5.2 实验结果 232
12.6 本章小结 233
参考文献 233
第13章 基于蚁群算法的组合测试用例的生成与优化 235
13.1 基于序优化蚁群算法的成对交互测试用例集生成 235
13.1.1 引言 235
13.1.2 交互测试 235
13.1.3 成对交互测试用例集问题与蚁群算法表示 236
13.1.4 基于序优化蚂蚁系统的算法 237
13.1.5 仿真实验 239
13.2 基于蚁群算法生成三三交互测试用例集 242
13.2.1 引言 242
13.2.2 蚁群算法的启发信息改进 242
13.2.3 测试用例集的生成算法 244
13.2.4 算法仿真实验与分析 246
13.3 基于蚁群算法生成变强度交互测试用例集 247
13.3.1 引言 247
13.3.2 问题定义模型 249
13.3.3 变强度理论背景 251
13.3.4 变强度的起源与发展 252
13.3.5 AC-VSTG策略 254
参考文献 258
第1