粒子群优化(Particle Swarm Optimization，PSO)算法是在鸟群、鱼群及人类的行为规律的启发下提出的，具有概念简单、控制参数少、易于实现等优点。PSO自提出以来受到了研究者的广泛关注，并在诸多领域获得了成功应用。但是，PSO研究也存在亟需解决的问题，如优化过程中容易出现早期收敛或停滞的现象，无法促使种群进化发展；粒子的信息加工方式与优化性能的关系；运动方程中学习参数的设置对群体进化的影响；如何平衡进化过程中收敛速度和收敛精度等问题。针对这些问题，本书提出了相应的理论分析和改进算法，并将改进算法应用于实际问题。 由申元霞所著的《新型粒子群优化模型及应用》可以作为高等院校计算机科学与技术、控制科学与工程、应用数学、运筹与管理等相关专业高年级本科生和研究生的教材，也可供从事群体智能研究的科研人员参考。

前言
第1章 绪论
1.1 优化理论的基本概念
1.2 群体智能概述
1.3 PSO模型
1.3.1 PSO模型的思想来源
1.3.2 PSO模型的基本原理
1.4 PSO的研究现状
1.4.1 PSO的优化性能
1.4.2 PSO的理论分析
1.4.3 PSO的应用研究
1.5 本书的组织结构
参考文献
第2章 粒子群优化算法
2.1 带线性惯性权重的PSO算法
2.2 时变加速系数PSO算法
2.3 骨干PSO算法
2.4 全信息PSO算法
2.5 广泛学习PSO算法
2.6 本章小结
参考文献
第3章 PSO算法的学习参数与种群多样性关系
3.1 引言
3.2 种群多样性的定义
3.3 种群多样性的期望
3.4 学习参数与种群多样性的关系
3.4.1 惯性权重对多样性期望的影响
3.4.2 加速系数对多样性期望的影响
3.4.3 惯性权重和加速系数对多样性期望的共同影响。
3.5 本章小结
参考文献
第4章 相关性PSO模型
4.1 引言
4.2 随机因子的认知分析
4.3 基于Copula的相关性PSO模型
4.3.1 关联因子及其度量
4.3.2 C',opula函数
4.3.3 模型描述
4.3.4 模型实现
4.4 相关性PSO模型的种群多样性分析
4.4.1 种群多样性的数学期望
4.4.2 实验分析
4.5 相关性PS0模型的收敛性分析
4.5.1 粒子位置收敛性分析
4.5.2 粒子位置方差收敛性分析
4.6 仿真实验
4.7 本章小结
参考文献
第5章 PSO学习参数的概率特性分析
5.1 引言
5.2 相关性PSO学习参数的概率特性
5.2.1 SPSO学习参数的概率特性及分析
5.2.2 PL.CPSO学习参数的概率特性及分析‘
5.2.3 NL.CPS()学习参数的概率特性及分析
5.3 自适应相关性PsO算法
5.3.1 算法原理
5.3.2 仿真实验
5.4 本章小结
参考文献
第6章 多学习模式相关性PSO算法
6.1 引言
6.2 双学习模式相关性PsO算法
6.2.1 全局学习模式
6.2.2 学习模式间的交互
6.2.3 双学习模式相关性PSO算法的描述
6.2.4 仿真实验
6.3 三学习模式相关性PsO算法
6.3.1 算法描述
6.3.2 仿真实验
6.4 本章小结
参考文献
第7章 求解多目标优化的问题
7.1 引言
7.2 多目标优化
7.2.1 多目标优化问题的数学描述
7.2.2 主要的多目标PS~)算法
7.3 多目标相关性PSO算法
7.3.1 策略设计
7.3.2 算法描述
7.4 仿真实验
7.4.1 实验设计
7.4.2 实验结果分析
7.5 本章小结
参考文献
第8章 改进的骨干粒子群算法
8.1 引言
8.2 BBPSO算法及其运动行为分析
8.2.1 BBPSO算法
8.2.2 BBPSO行为分析
8.3 并行协作BBPS0
8.3.1 主群的学习机制
8.3.2 从群的学习机制
8.3.3 交互机制
8.4 数值实验及分析
8.4.1 测试函数和参数设置
8.4.2 评价指标
8.4.3 算法的收敛精度和速度比较
8.5 本章小结
参考文献
第9章 证券投资组合问题中的应用
9.1 引言
9.2 证券投资组合模型分析
9.2.1 证券投资组合的概率准则模型
9.2.2 多因素证券投资组合模型
9.3 相关性PSO求解证券投资组合问题
9.3.1 基于单目标的证券投资组合问题求解
9.3.2 基于多目标的证券投资组合问题求解
9.4 仿真实验
9.4.1 求解证券投资组合的概率准则模型实验
9.4.2 求解多因素证券投资组合问题实验
9.5 本章小结
参考文献
第10章 基于骨干粒子群算法的图像分割方法
10.1 引言
10.2 最佳阈值选取
10.3 基于BBPS0的多阈值分割算法
10.4 仿真实验与性能测试
10.4.1 参数设置
10.4.2 实验结果
10.5 本章小结
参考文献
附录1
附录2