Python 智能優化算法：從原理到代碼實現與應用

目　　錄 第1章 黏菌算法及其Python實現 1 1.1 黏菌算法的基本原理 1 1.1.1 接近食物階段 1 1.1.2 包圍食物階段 2 1.1.3 抓取食物階段 2 1.1.4 黏菌算法流程 3 1.2 黏菌算法的Python實現 4 1.2.1 種群初始化 4 1.2.2 適應度函數 5 1.2.3 邊界檢查和約束函數 6 1.2.4 黏菌算法代碼 7 1.3 黏菌算法的應用案例 10 1.3.1 求解函數極值 10 1.3.2 基於黏菌算法的壓力容器 設計 12 1.3.3 基於黏菌算法的三桿桁架 設計 15 1.3.4 基於黏菌算法的拉壓彈簧 設計 18 參考文獻 21 第2章 人工蜂群算法及其Python 實現 22 2.1 人工蜂群算法的基本原理 22 2.1.1 種群初始化 23 2.1.2 引領蜂搜索 24 2.1.3 跟隨蜂搜索 24 2.1.4 偵察蜂搜索 25 2.1.5 人工蜂群算法流程 25 2.2 人工蜂群算法的Python實現 26 2.2.1 種群初始化 26 2.2.2 適應度函數 28 2.2.3 邊界檢查和約束函數 28 2.2.4 輪盤賭策略 29 2.2.5 人工蜂群算法代碼 30 2.3 人工蜂群算法的應用案例 34 2.3.1 求解函數極值 34 2.3.2 基於人工蜂群算法的壓力 容器設計 36 2.3.3 基於人工蜂群算法的三桿 桁架設計 39 2.3.4 基於人工蜂群算法的拉壓 彈簧設計 42 參考文獻 45 第3章 蝗蟲優化算法及其Python 實現 46 3.1 蝗蟲優化算法的基本原理 46 3.1.1 蝗蟲優化算法數學模型 46 3.1.2 社會相互作用力 47 3.1.3 蝗蟲優化算法流程 50 3.2 蝗蟲優化算法的Python實現 50 3.2.1 種群初始化 50 3.2.2 適應度函數 52 3.2.3 邊界檢查和約束函數 52 3.2.4 社會相互作用力函數 53 3.2.5 蝗蟲優化算法代碼 54 3.3 蝗蟲優化算法的應用案例 57 3.3.1 求解函數極值 57 3.3.2 基於蝗蟲優化算法的壓力 容器設計 59 3.3.3 基於蝗蟲優化算法的三桿 桁架設計 62 3.3.4 基於蝗蟲優化算法的拉壓彈 簧設計 65 參考文獻 68 第4章 蝴蝶優化算法及其Python 實現 69 4.1 蝴蝶優化算法的基本原理 69 4.1.1 蝴蝶的香味 69 4.1.2 蝴蝶的移動與迭代 70 4.1.3 蝴蝶優化算法流程 71 4.2 蝴蝶優化算法的Python實現 72 4.2.1 種群初始化 72 4.2.2 適應度函數 73 4.2.3 邊界檢查和約束函數 74 4.2.4 蝴蝶優化算法代碼 75 4.3 蝴蝶優化算法的應用案例 77 4.3.1 求解函數極值 77 4.3.2 基於蝴蝶優化算法的壓力容 器設計 80 4.3.3 基於蝴蝶優化算法的三桿 桁架設計 83 4.3.4 基於蝴蝶優化算法的拉壓彈 簧設計 86 參考文獻 89 第5章 飛蛾撲火優化算法及其Python 實現 90 5.1 飛蛾撲火優化算法的基本 原理 90 5.1.1 飛蛾與火焰 90 5.1.2 飛蛾撲火行為 91 5.1.3 飛蛾撲火優化算法流程 93 5.2 飛蛾撲火優化算法的Python 實現 95 5.2.1 種群初始化 95 5.2.2 適應度函數 96 5.2.3 邊界檢查和約束函數 97 5.2.4 飛蛾撲火優化算法代碼 98 5.3 飛蛾撲火優化算法的應用 案例 100 5.3.1 求解函數極值 100 5.3.2 基於飛蛾撲火優化算法的 壓力容器設計 103 5.3.3 基於飛蛾撲火優化算法的 三桿桁架設計 106 5.3.4 基於飛蛾撲火優化算法的 拉壓彈簧設計 109 參考文獻 112 第6章 海鷗優化算法及其Python 實現 113 6.1 海鷗優化算法的基礎原理 113 6.1.1 海鷗遷徙 113 6.1.2 海鷗攻擊獵物 114 6.1.3 海鷗優化算法流程 114 6.2 海鷗優化算法的Python實現 115 6.2.1 種群初始化 115 6.2.2 適應度函數 117 6.2.3 邊界檢查和約束函數 117 6.2.4 海鷗優化算法代碼 118 6.3 海鷗優化算法的應用案例 121 6.3.1 求解函數極值 121 6.3.2 基於海鷗優化算法的壓力 容器設計 123 6.3.3 基於海鷗優化算法的三桿 桁架設計 126 6.3.4 基於海鷗優化算法的拉壓 彈簧設計 129 參考文獻 132 第7章 麻雀搜索算法及其Python 實現 133 7.1 麻雀搜索算法的基本原理 133 7.1.1 麻雀種群 133 7.1.2 發現者位置更新 134 7.1.3 加入者位置更新 134 7.1.4 遇險應急的麻雀位置更新 134 7.1.5 麻雀搜索算法流程 135 7.2 麻雀搜索算法的Python實現 136 7.2.1 種群初始化 136 7.2.2 適應度函數 137 7.2.3 邊界檢查和約束函數 138 7.2.4 麻雀搜索算法代碼 139 7.3 麻雀搜索算法的應用案例 142 7.3.1 求解函數極值 142 7.3.2 基於麻雀搜索算法的壓力 容器設計 144 7.3.3 基於麻雀搜索算法的三桿 桁架設計 147 7.3.4 基於麻雀搜索算法的拉壓 彈簧設計 150 參考文獻 153 第8章 鯨魚優化算法及其Python 實現 154 8.1 鯨魚優化算法的基本原理 154 8.1.1 包圍獵物 154 8.1.2 氣泡網攻擊方式 155 8.1.3 尋找獵物 157 8.1.4 鯨魚優化算法流程 158 8.2 鯨魚優化算法的Python實現 159 8.2.1 種群初始化 159 8.2.2 適應度函數 161 8.2.3 邊界檢查和約束函數 161 8.2.4 鯨魚優化算法代碼 162 8.3 鯨魚優化算法的應用案例 165 8.3.1 求解函數極值 165 8.3.2 基於鯨魚優化算法的壓力 容器設計 167 8.3.3 基於鯨魚優化算法的三桿 桁架設計 170 8.3.4 基於鯨魚優化算法的拉壓 彈簧設計 173 參考文獻 176 第9章 黃金正弦算法及其Python 實現 177 9.1 黃金正弦算法的基本原理 177 9.1.1 正弦函數 177 9.1.2 黃金分割 177 9.1.3 初始化 178 9.1.4 黃金分割系數計算 178 9.1.5 位置更新 179 9.1.6 黃金分割系數更新 179 9.1.7 黃金正弦算法流程 179 9.2 黃金正弦算法的Python實現 180 9.2.1 種群初始化 180 9.2.2 適應度函數 182 9.2.3 邊界檢查和約束函數 182 9.2.4 黃金正弦算法代碼 183 9.3 黃金正弦算法的應用案例 186 9.3.1 求解函數極值 186 9.3.2 基於黃金正弦算法的壓力 容器設計 189 9.3.3 基於黃金正弦算法的三桿 桁架設計 192 9.3.4 基於黃金正弦算法的拉壓 彈簧設計 195 參考文獻 198 第10章 教與學優化算法及其Python 實現 199 10.1 教與學優化算法的基本原理 199 10.1.1 教學階段 200 10.1.2 學習階段 200 10.1.3 教與學優化算法流程 200 10.2 教與學優化算法的Python 實現 202 10.2.1 種群初始化 202 10.2.2 適應度函數 203 10.2.3 邊界檢查和約束函數 204 10.2.4 教與學優化算法代碼 205 10.3 教與學優化算法的應用 案例 208 10.3.1 求解函數極值 208 10.3.2 基於教與學優化算法的 壓力容器設計 210 10.3.3 基於教與學優化算法的三桿 桁架設計 213 10.3.4 基於教與學優化算法的 拉壓彈簧設計 216 參考文獻 219 第11章 智能優化算法基準測試集 220 11.1 基準測試集簡介 220 11.2 基準測試函數繪圖與測試 函數代碼編寫 222 11.2.1 函數F1 222 11.2.2 函數F2 223 11.2.3 函數F3 224 11.2.4 函數F4 226 11.2.5 函數F5 227 11.2.6 函數F6 229 11.2.7 函數F7 230 11.2.8 函數F8 232 11.2.9 函數F9 234 11.2.10 函數F10 235 11.2.11 函數F11 237 11.2.12 函數F12 238 11.2.13 函數F13 240 11.2.14 函數F14 242 11.2.15 函數F15 244 11.2.16 函數F16 246 11.2.17 函數F17 248 11.2.18 函數F18 249 11.2.19 函數F19 251 11.2.20 函數F20 252 11.2.21 函數F21 254 11.2.22 函數F22 256 11.2.23 函數F23 258 第12章 智能優化算法性能測試 260 12.1 智能優化算法性能測試 方法 260 12.1.1 平均值 260 12.1.2 標準差 260 12.1.3 最優值和最差值 261 12.1.4 收斂曲線 262 12.2 測試案例 262 12.2.1 測試函數信息 262 12.2.2 測試方法及參數設置 263 12.2.3 測試結果 263