Кластерный разведка и ее применение
Цена: 1 444руб. (¥68.3)
Артикул: 599746479289
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товараПродавец:当当网官方旗舰店
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥43.3915руб.
¥2104 438руб.
¥85.361 804руб.
¥28.6605руб.
Выбор редактора
интеллектуальный контроль
Оглавление
Оглавление
Предисловие
**Часть обзора алгоритмов интеллектуальной оптимизации кластера
Глава 1. Обзор исследования алгоритмов оптимизации 3
1.1 **Проблема 3
1.2 ** Метод оптимизации 3
1.2.1 Детерминированный алгоритм 5
1.2.2 Алгоритм случайности 5
1.2.3 Алгоритм интеллектуальной оптимизации кластера 6
1.3 Характеристики различных методов оптимизации 7
1.3.1 Характеристики традиционных методов оптимизации 7
1.3.2 Характеристики и преимущества алгоритма интеллектуальной оптимизации кластера 8
1.4 Исследования, состояние применения и перспективы алгоритмов интеллектуальной оптимизации кластеров 10
1.4.1 Исследования по улучшению алгоритмов 10
1.4.2 Текущий статус применения алгоритма 12
1.4.3 Перспективы исследования алгоритмов 13
Ссылки 14
Глава 2 Алгоритм интеллектуальной оптимизации кластера 16
2.1 Эволюционные вычисления 16
2.1.1 Генетический алгоритм 16
2.1.2 Алгоритм дифференциальной эволюции 18
2.1.3 Культурный алгоритм 20
2.1.4 Генетическое программирование 22
2.1.5 Стратегия эволюции 22
2.2 Кластерный интеллект 23
2.2.1 Алгоритм оптимизации роя частиц 24
2.2.2 Алгоритм оптимизации муравьиной колонии 26
2.2.3 Алгоритм оптимизации микробных колоний 27
2.2.4 Алгоритм искусственной пчелиной семьи 30
2.2.5 Алгоритм Светлячка 33
2.2.6 Алгоритм искусственного роя рыб 35
2.3 Другие алгоритмы 36
2.3.1 Нейронная сеть 36
2.3.2 Искусственная иммунная система 37
2.3.3 ДНК-вычисления 38
2.3.4 Расчет мембраны 39
2.3.5 Алгоритм самоорганизующейся миграции 39
2.4 Коллекция алгоритмов кластерного интеллекта 40
Ссылки 43
Часть 2. Исследования по улучшению алгоритмов
Глава 3. Алгоритм колонии, основанный на ** указании направления 47
3.1 Алгоритм оптимизации бактериального поиска пищи 47
3.1.1 Текущий статус исследования алгоритмов 47
3.1.2 Текущий статус применения алгоритма 48
3.2 Алгоритм колонии, основанный на указании направления 49
3.2.1 Теория группового поиска пищи 49
3.2.2 Механизм определения кворума бактерий 50
3.2.3 Механизм группового обнаружения, основанный на указании направления 50
3.2.4 Этапы реализации алгоритма ** направления 52
3.3 Экспериментальные исследования и обсуждения 53
3.3.1 Однокритериальная функция неограниченного тестирования 53
3.3.2 Экспериментальные исследования и обсуждения 58
Ссылки 61
Глава 4. Алгоритм поиска группы жизненного цикла 63
4.1 Основы алгоритмической биологии 63
4.1.1 Теория жизненного цикла 63
4.1.2 Теория хаоса 67
4.2 Алгоритм поиска по группе биологического жизненного цикла 68
4.2.1 Описание алгоритма 68
4.2.2 Этапы реализации алгоритма 71
4.2.3 Анализ индивидуальных траекторий движения 71
4.3 Задача ограниченной оптимизации 75
4.3.1 Определение и описание 75
4.3.2 Трудности задач оптимизации с ограничениями 76
4.3.3 Стандартная тестовая функция с однокритериальными ограничениями 76
4.4. Экспериментальные исследования и обсуждение задач оптимизации с ограничениями 80
4.4.1 Настройка параметров 80
4.4.2 Анализ производительности алгоритма в автономном режиме 81
4.4.3 Онлайн-анализ производительности алгоритма 84
4.5 Задача многокритериальной оптимизации 85
4.5.1 Описание задачи многокритериальной оптимизации 85
4.5.2 Многокритериальная функция неограниченного тестирования 86
4.5.3 Методы оценки 87
4.6 Алгоритм поиска группы жизненного цикла для решения многокритериальных задач 88
4.6.1 Основной алгоритм решения задач многокритериальной оптимизации 88
4.6.2 Алгоритм поиска группы жизненного цикла на основе недоминируемой сортировки 89
4.6.3 Экспериментальные исследования и обсуждения 91
Ссылка 93
Часть 3. Исследование применения алгоритмов
Глава 5 Исследования по оптимальному проектированию механической конструкции 97
5.1 Оптимизация механических ограничений 97
5.1.1 Himmelblau’s функция 97
5.1.2 Сосуды под давлением 97
5.1.3 Пружина сжатия 98
5.1.4 Сварная консольная балка 99
5.2 Стандартный алгоритм поиска группы 100
5.2.1 Обмен информацией 100
5.2.2 Визуальное сканирование 100
5.2.3 Описание алгоритма и этапы реализации 101
5.3 Алгоритм поиска кооперативной группы подгруппы 102
5.3.1 Кооперативная эволюция 102
5.3.2 Метод обработки ограниченной оптимизации 103
5.3.3 Принцип алгоритма совместного поиска подгрупп 104
5.4 Экспериментальные исследования и обсуждения 106
Ссылки 110
Глава 6. Прикладные исследования задачи выбора маршрута транспортного средства 112
6.1 Проблема выбора маршрута транспортного средства 112
6.1.1 Введение в задачу выбора маршрута транспортного средства 112
6.1.2 Сложность проблемы 113
6.1.3 Математическая модель задачи выбора маршрута транспортных средств с ограничениями по пропускной способности 114
6.1.4 Описание проблемы выбора маршрута транспортного средства с временным окном 115
6.2 Двухэтапный генетический алгоритм для решения CVRP 115
6.2.1 Описание алгоритма 115
6.2.2 Этапы реализации алгоритма 119
6.2.3 Анализ временной сложности алгоритма 119
6.2.4 Экспериментальные исследования и обсуждения: примеры мелкомасштабных испытаний 120
6.2.5 Экспериментальные исследования и обсуждения: примеры испытаний среднего и крупного масштаба 123
6.3 Решить алгоритм поиска группы жизненного цикла VRPTW 125
6.3.1 Этапы реализации алгоритма 125
6.3.2 Экспериментальные исследования и обсуждения 126
Ссылки 129
Глава 7. Исследование приложений когнитивного радио 130
7.1 Когнитивное радио 130
7.2 Когнитивная машина 132
7.2.1 Введение в когнитивный движок 132
7.2.2 Когнитивная машина AICE 134
7.3 Применение кластерного интеллекта в когнитивном радио 136
7.3.1 Измерение спектра 136
7.3.2 Распределение спектра 137
7.3.3 Принятие решений по спектру 138
7.4 Задача оптимизации 1: Распределение спектра 139
7.4.1 Модель распределения спектра 139
7.4.2 Модель раскраски теории графов 139
7.4.3 Функция выгоды от распределения спектра** 141
7.5 Задача оптимизации 2: Решение по спектру 141
7.5.1 *Функция минимизации частоты ошибок по битам 142
7.5.2 *Функция минимизации энергопотребления 143
7.5.3 ** Функция оптимизации скорости передачи данных 143
7.5.4 **Функция оптимального использования спектра 144
7.5.5 *Минимизация функции спектральных помех 144
7.5.6 Метод многокритериальной обработки 145
7.6 Автономные эволюционные вычисления 146
7.7 Экспериментальные исследования и обсуждения 146
7.7.1 Проблема принятия решений по использованию спектра 146
7.7.2 Вопросы распределения спектра 150
Ссылка 152
Часть 4. Алгоритм оптимизации динамики кластера
Глава 8 Модель динамики кластера 157
8.1 Системная динамика 157
8.1.1 Принципы системной динамики 157
8.1.2 Модель системной динамики 157
8.1.3 Этапы моделирования системной динамики 158
8.2 Модель демографической динамики 159
8.2.1 Модель динамики отдельной популяции 159
8.2.2 Модель многопопуляционной динамики 160
8.3 Динамическая модель группового поведения животных 162
8.3.1 Модель Боида 162
8.3.2 Модель Вичека 164
8.4 Динамика сложной сети 165
8.4.1 Случайные сети 165
8.4.2 Малая всемирная сеть 166
8.4.3 Безмасштабные сети 166
8.4.4 Булевы сети 167
8.5“Притяжение/отталкивание”Модель 168
8.5.1 Метод A/R 169
8.5.2 Метод мимической физики 170
8.5.3 Внешние силы 176
8.6 Модель и платформа моделирования поведения кластера 177
8.6.1 Знакомство с платформой моделирования 178
8.6.2 Роевая платформа 179
8.6.3 Клеточные автоматы 182
8.7 Метод моделирования математическими уравнениями 185
8.7.1 Лагранжев метод 185
8.7.2 Метод Эйлера 185
Ссылки 188
Глава 9. Моделирование сложных биологических систем 190.
9.1 Комплексный биологический контроль 190
9.1.1 Сложные адаптивные системы 190
9.1.2 Сложные биологические системы 191
9.1.3 Сложные системы и кибернетика 192
9.1.4 Винеровская кибернетика 193
9.1.5 Интеллектуальный сенсорный блок 194
9.2 Метод моделирования перцептивной модели 195
9.3 Диапазон восприятия 197
9.3.1 Глобальный диапазон измерения 197
9.3.2 Ограниченный диапазон срабатывания 197
9.3.3 Модель ограниченного восприятия с нормальным распределением 199
9.4 Метод разработки алгоритма оптимизации динамики кластера 200
Ссылки 202
Глава 10. Примеры алгоритмов оптимизации динамики кластера 203
10.1 Алгоритм адаптивной оптимизации размера популяции 203
10.1.1 Метод популяционного адаптивного увеличения/удаления особей 203
10.1.2 Внешнее воздействие на окружающую среду 205
10.1.3 Описание алгоритма адаптивной оптимизации роя частиц по размеру популяции 206
10.1.4 Экспериментальные исследования и обсуждения 206
10.2 Алгоритм оптимизации роевого интеллекта, основанный на динамике биологического поиска пищи 209
10.2.1 Модель динамики биологического кормодобывания 209
10.2.2 Принцип алгоритма оптимизации динамики биологического кормодобывания 210
10.2.3 Экспериментальные исследования и обсуждения 211
Ссылки 216
Приложение 217
Приложение 1. Исходный код генетического алгоритма 217
Приложение 2. Исходный код алгоритма дифференциальной эволюции 219
Приложение 3. Исходный код культурного алгоритма 221
Приложение 4. Алгоритм оптимизации роя частиц. Исходный код 224.
Приложение 5. Исходный код алгоритма оптимизации колонии муравьев 225.
Приложение 6. Исходный код алгоритма колонии 228.
Предисловие
**Часть обзора алгоритмов интеллектуальной оптимизации кластера
Глава 1. Обзор исследования алгоритмов оптимизации 3
1.1 **Проблема 3
1.2 ** Метод оптимизации 3
1.2.1 Детерминированный алгоритм 5
1.2.2 Алгоритм случайности 5
1.2.3 Алгоритм интеллектуальной оптимизации кластера 6
1.3 Характеристики различных методов оптимизации 7
1.3.1 Характеристики традиционных методов оптимизации 7
1.3.2 Характеристики и преимущества алгоритма интеллектуальной оптимизации кластера 8
1.4 Исследования, состояние применения и перспективы алгоритмов интеллектуальной оптимизации кластеров 10
1.4.1 Исследования по улучшению алгоритмов 10
1.4.2 Текущий статус применения алгоритма 12
1.4.3 Перспективы исследования алгоритмов 13
Ссылки 14
Глава 2 Алгоритм интеллектуальной оптимизации кластера 16
2.1 Эволюционные вычисления 16
2.1.1 Генетический алгоритм 16
2.1.2 Алгоритм дифференциальной эволюции 18
2.1.3 Культурный алгоритм 20
2.1.4 Генетическое программирование 22
2.1.5 Стратегия эволюции 22
2.2 Кластерный интеллект 23
2.2.1 Алгоритм оптимизации роя частиц 24
2.2.2 Алгоритм оптимизации муравьиной колонии 26
2.2.3 Алгоритм оптимизации микробных колоний 27
2.2.4 Алгоритм искусственной пчелиной семьи 30
2.2.5 Алгоритм Светлячка 33
2.2.6 Алгоритм искусственного роя рыб 35
2.3 Другие алгоритмы 36
2.3.1 Нейронная сеть 36
2.3.2 Искусственная иммунная система 37
2.3.3 ДНК-вычисления 38
2.3.4 Расчет мембраны 39
2.3.5 Алгоритм самоорганизующейся миграции 39
2.4 Коллекция алгоритмов кластерного интеллекта 40
Ссылки 43
Часть 2. Исследования по улучшению алгоритмов
Глава 3. Алгоритм колонии, основанный на ** указании направления 47
3.1 Алгоритм оптимизации бактериального поиска пищи 47
3.1.1 Текущий статус исследования алгоритмов 47
3.1.2 Текущий статус применения алгоритма 48
3.2 Алгоритм колонии, основанный на указании направления 49
3.2.1 Теория группового поиска пищи 49
3.2.2 Механизм определения кворума бактерий 50
3.2.3 Механизм группового обнаружения, основанный на указании направления 50
3.2.4 Этапы реализации алгоритма ** направления 52
3.3 Экспериментальные исследования и обсуждения 53
3.3.1 Однокритериальная функция неограниченного тестирования 53
3.3.2 Экспериментальные исследования и обсуждения 58
Ссылки 61
Глава 4. Алгоритм поиска группы жизненного цикла 63
4.1 Основы алгоритмической биологии 63
4.1.1 Теория жизненного цикла 63
4.1.2 Теория хаоса 67
4.2 Алгоритм поиска по группе биологического жизненного цикла 68
4.2.1 Описание алгоритма 68
4.2.2 Этапы реализации алгоритма 71
4.2.3 Анализ индивидуальных траекторий движения 71
4.3 Задача ограниченной оптимизации 75
4.3.1 Определение и описание 75
4.3.2 Трудности задач оптимизации с ограничениями 76
4.3.3 Стандартная тестовая функция с однокритериальными ограничениями 76
4.4. Экспериментальные исследования и обсуждение задач оптимизации с ограничениями 80
4.4.1 Настройка параметров 80
4.4.2 Анализ производительности алгоритма в автономном режиме 81
4.4.3 Онлайн-анализ производительности алгоритма 84
4.5 Задача многокритериальной оптимизации 85
4.5.1 Описание задачи многокритериальной оптимизации 85
4.5.2 Многокритериальная функция неограниченного тестирования 86
4.5.3 Методы оценки 87
4.6 Алгоритм поиска группы жизненного цикла для решения многокритериальных задач 88
4.6.1 Основной алгоритм решения задач многокритериальной оптимизации 88
4.6.2 Алгоритм поиска группы жизненного цикла на основе недоминируемой сортировки 89
4.6.3 Экспериментальные исследования и обсуждения 91
Ссылка 93
Часть 3. Исследование применения алгоритмов
Глава 5 Исследования по оптимальному проектированию механической конструкции 97
5.1 Оптимизация механических ограничений 97
5.1.1 Himmelblau’s функция 97
5.1.2 Сосуды под давлением 97
5.1.3 Пружина сжатия 98
5.1.4 Сварная консольная балка 99
5.2 Стандартный алгоритм поиска группы 100
5.2.1 Обмен информацией 100
5.2.2 Визуальное сканирование 100
5.2.3 Описание алгоритма и этапы реализации 101
5.3 Алгоритм поиска кооперативной группы подгруппы 102
5.3.1 Кооперативная эволюция 102
5.3.2 Метод обработки ограниченной оптимизации 103
5.3.3 Принцип алгоритма совместного поиска подгрупп 104
5.4 Экспериментальные исследования и обсуждения 106
Ссылки 110
Глава 6. Прикладные исследования задачи выбора маршрута транспортного средства 112
6.1 Проблема выбора маршрута транспортного средства 112
6.1.1 Введение в задачу выбора маршрута транспортного средства 112
6.1.2 Сложность проблемы 113
6.1.3 Математическая модель задачи выбора маршрута транспортных средств с ограничениями по пропускной способности 114
6.1.4 Описание проблемы выбора маршрута транспортного средства с временным окном 115
6.2 Двухэтапный генетический алгоритм для решения CVRP 115
6.2.1 Описание алгоритма 115
6.2.2 Этапы реализации алгоритма 119
6.2.3 Анализ временной сложности алгоритма 119
6.2.4 Экспериментальные исследования и обсуждения: примеры мелкомасштабных испытаний 120
6.2.5 Экспериментальные исследования и обсуждения: примеры испытаний среднего и крупного масштаба 123
6.3 Решить алгоритм поиска группы жизненного цикла VRPTW 125
6.3.1 Этапы реализации алгоритма 125
6.3.2 Экспериментальные исследования и обсуждения 126
Ссылки 129
Глава 7. Исследование приложений когнитивного радио 130
7.1 Когнитивное радио 130
7.2 Когнитивная машина 132
7.2.1 Введение в когнитивный движок 132
7.2.2 Когнитивная машина AICE 134
7.3 Применение кластерного интеллекта в когнитивном радио 136
7.3.1 Измерение спектра 136
7.3.2 Распределение спектра 137
7.3.3 Принятие решений по спектру 138
7.4 Задача оптимизации 1: Распределение спектра 139
7.4.1 Модель распределения спектра 139
7.4.2 Модель раскраски теории графов 139
7.4.3 Функция выгоды от распределения спектра** 141
7.5 Задача оптимизации 2: Решение по спектру 141
7.5.1 *Функция минимизации частоты ошибок по битам 142
7.5.2 *Функция минимизации энергопотребления 143
7.5.3 ** Функция оптимизации скорости передачи данных 143
7.5.4 **Функция оптимального использования спектра 144
7.5.5 *Минимизация функции спектральных помех 144
7.5.6 Метод многокритериальной обработки 145
7.6 Автономные эволюционные вычисления 146
7.7 Экспериментальные исследования и обсуждения 146
7.7.1 Проблема принятия решений по использованию спектра 146
7.7.2 Вопросы распределения спектра 150
Ссылка 152
Часть 4. Алгоритм оптимизации динамики кластера
Глава 8 Модель динамики кластера 157
8.1 Системная динамика 157
8.1.1 Принципы системной динамики 157
8.1.2 Модель системной динамики 157
8.1.3 Этапы моделирования системной динамики 158
8.2 Модель демографической динамики 159
8.2.1 Модель динамики отдельной популяции 159
8.2.2 Модель многопопуляционной динамики 160
8.3 Динамическая модель группового поведения животных 162
8.3.1 Модель Боида 162
8.3.2 Модель Вичека 164
8.4 Динамика сложной сети 165
8.4.1 Случайные сети 165
8.4.2 Малая всемирная сеть 166
8.4.3 Безмасштабные сети 166
8.4.4 Булевы сети 167
8.5“Притяжение/отталкивание”Модель 168
8.5.1 Метод A/R 169
8.5.2 Метод мимической физики 170
8.5.3 Внешние силы 176
8.6 Модель и платформа моделирования поведения кластера 177
8.6.1 Знакомство с платформой моделирования 178
8.6.2 Роевая платформа 179
8.6.3 Клеточные автоматы 182
8.7 Метод моделирования математическими уравнениями 185
8.7.1 Лагранжев метод 185
8.7.2 Метод Эйлера 185
Ссылки 188
Глава 9. Моделирование сложных биологических систем 190.
9.1 Комплексный биологический контроль 190
9.1.1 Сложные адаптивные системы 190
9.1.2 Сложные биологические системы 191
9.1.3 Сложные системы и кибернетика 192
9.1.4 Винеровская кибернетика 193
9.1.5 Интеллектуальный сенсорный блок 194
9.2 Метод моделирования перцептивной модели 195
9.3 Диапазон восприятия 197
9.3.1 Глобальный диапазон измерения 197
9.3.2 Ограниченный диапазон срабатывания 197
9.3.3 Модель ограниченного восприятия с нормальным распределением 199
9.4 Метод разработки алгоритма оптимизации динамики кластера 200
Ссылки 202
Глава 10. Примеры алгоритмов оптимизации динамики кластера 203
10.1 Алгоритм адаптивной оптимизации размера популяции 203
10.1.1 Метод популяционного адаптивного увеличения/удаления особей 203
10.1.2 Внешнее воздействие на окружающую среду 205
10.1.3 Описание алгоритма адаптивной оптимизации роя частиц по размеру популяции 206
10.1.4 Экспериментальные исследования и обсуждения 206
10.2 Алгоритм оптимизации роевого интеллекта, основанный на динамике биологического поиска пищи 209
10.2.1 Модель динамики биологического кормодобывания 209
10.2.2 Принцип алгоритма оптимизации динамики биологического кормодобывания 210
10.2.3 Экспериментальные исследования и обсуждения 211
Ссылки 216
Приложение 217
Приложение 1. Исходный код генетического алгоритма 217
Приложение 2. Исходный код алгоритма дифференциальной эволюции 219
Приложение 3. Исходный код культурного алгоритма 221
Приложение 4. Алгоритм оптимизации роя частиц. Исходный код 224.
Приложение 5. Исходный код алгоритма оптимизации колонии муравьев 225.
Приложение 6. Исходный код алгоритма колонии 228.
Введение
«Кластерный интеллект и его приложения» представляет собой систематическое изложение результатов более чем десятилетних исследований автора по исследованиям кластерного интеллекта в области искусственного интеллекта. На основе обобщения текущего состояния развития этого направления исследований в стране и за рубежом, в нем представлены улучшения, прикладные исследования и новые направления исследований алгоритмов кластерного интеллекта. Улучшения включают в себя: алгоритм бактериальных колоний, основанный на ** руководстве по направлению, и алгоритм группового поиска, основанный на биологическом жизненном цикле, а также тестирование исследований, основанных на одноцелевых и многокритериальных задачах оптимизации тестов.Прикладные исследования включают в себя: прикладные исследования алгоритмов поиска кооперативных групп подгрупп и проблем проектирования оптимизации механической структуры, прикладные исследования двухэтапных генетических алгоритмов и проблем маршрутизации транспортных средств, а также прикладные исследования автономных эволюционных алгоритмов и проблем принятия решений и распределения спектра.*Наконец, мы концентрируемся на внедрении новых направлений исследований в области кластерного интеллекта.—&- Алгоритм оптимизации динамики кластера.