前言

群体智能算法是一门新兴的优化计算方法，自20世纪80年代出现以来，引起了众多研究人员的关注，已经成为优化技术领域的一个研究热点，是人工智能以及经济、社会、生物等交叉学科的热点和前沿领域。群体智能算法是基于群体行为对给定的目标进行寻优的启发式搜索算法，其寻优过程体现了随机、并行和分布式等特点。

粒子群优化(Particle Swarm Optimization,PSO)算法是群体智能算法的典型代表之一。PSO算法于1995年由美国社会心理学家Kennedy博士和电气工程师Eberhart博士提出，算法的主要思想来源于对鸟类群体行为的研究。PSO算法自提出以来，由于其计算简单、易于实现、控制参数少等特点，引起了国内外相关领域众多学者的关注和研究，在算法的理论分析、性能改进以及应用等方面取得了丰硕的成果。

本书作者及其所在的课题组在近年来一直专注于PSO算法的研究，在PSO算法基本原理的基础上提出从量子力学的角度出发，利用量子测不准原理来描述粒子的运动状态，建立了一种新的PSO算法模型，即量子行为粒子群优化(Quantum-behaved PSO,QPSO)算法模型，该研究成果于2004年IEEE进化计算国际会议和IEEE控制论与智能系统国际会议发表。QPSO算法在提出之初就得到了PSO算法发明人之一的Kennedy博士的关注，在其综述性的一篇文献中，他将QPSO算法看做是一种新的、能对PSO算法未来发展方向产生影响的概率算法之一。目前，经过课题组所有成员的努力，发表了有关QPSO算法和PSO算法研究论文近90篇，三大检索论文近70篇,其中30多篇被SCI(E)检索，包括在“IEEE Transactions on Circuits and Systems Ⅱ”,“IEEE Transactions on Instrumentation and Measurement”,“Energy Conversion and Management”,“Physics Letters A”,“Journal of Theoretical Biology”，“EURASIP Journal on Advances in Signal Processing”，“IETE Technical Review”,“物理学报”，“控制与决策”等国内外权威期刊发表多篇论文。其中的6篇论文已被引用600余次(Google Scholar)，SCI源刊论文被引用20多篇，共60余篇次。这表明作者和课题组的前期研究工作得到了本领域同行和其他领域研究人员的认可。目前QPSO算法由于其优良的性能和通用性，受到了国内外研究人员的关注。该算法已被广泛应用于图像处理、系统辨识、生物信息、生化过程优化与控制、计算物理等领域。

本书将课题组多年来在QPSO算法上的研究成果进行了提炼和总结，对QPSO算法的理论框架首次通过数学分析方法对其做出了严格的理论证明，通过深入浅出的表达方式讨论QPSO算法在函数优化及多个工程优化领域的应用。

本书系统地介绍了QPSO算法的思想来源、理论依据、实现方法以及在函数优化、系统辨识、生物信息、图像处理、工程优化中的应用，全书共分为9章，基本构成了一个完整的体系，本书的各章节内容安排如下。

第1章首先分析了最优化问题的定义，对解决最优化问题的一些非随机优化方法作了讨论； 而后阐述了群体智能的定义和特征，描述了群体智能算法的两类典型方法，即ACO算法和PSO算法，初步阐述了QPSO算法的思想内容； 然后评述了PSO算法和QPSO算法的研究现状。

第2章首先回顾了PSO算法的基本思想，包括由Kennedy和Eberhart提出的基本PSO算法，由Shi和Eberhart提出的标准PSO算法（Standard PSO）以及由M. Clerc提出的有压缩因子的PSO算法； 然后对几种典型的PSO算法改进作了阐述，包括全信息PSO(FIPS)算法、合作PSO(CPSO)算法、理解学习PSO(CLPSO)算法等。

第3章首先给出了QPSO算法的量子力学背景，继而对QPSO算法的思想来源作了详细的分析，讨论了QPSO算法的两种势阱模型，对粒子的基本收敛条件作了证明； 而后给出了QPSO算法的进化方程，分析了QPSO算法的两种搜索策略，给出了单个粒子的收敛性的仿真测试； 分析了QPSO算法的社会学习模式和粒子等待效应，最后还对PSO算法和QPSO算法作了比较。本章是QPSO算法机理的基本分析部分，是理解QPSO算法和应用QPSO算法的重要前提。

第4章重点研究了QPSO算法的全局收敛性和收敛率，从概率测度和离散吸收Markov过程等角度进行了系统的研究。本章是全书的理论基础部分，可以从数学意义上来理解QPSO算法，从而指导算法的改进，并且可以为算法在实际问题中的应用提供理论依据和指导。

第5章～第9章介绍QPSO算法的应用。其中，第5章涉及如何应用QPSO算法求解函数优化问题，研究了包括整数规划、多峰函数的多值优化以及非线性约束优化在内的几种典型优化问题； 第6章详细探讨了QPSO算法在系统辨识中的应用，分别研究了数字滤波器优化设计、混沌系统参数辨识、非线性系统辨识等方面算法的应用； 第7章是QPSO算法在生物信息学方面的应用研究，其应用方向包括生物多序列比对、基因表达数据的聚类分析、生化过程代谢途径的参数辨识和代谢通量分析； 第8章介绍了QPSO算法在图像分割、图像融合和图像纹理合成等图像处理领域中的应用； 第9章对QPSO算法在电力系统调度、移动机器人轨迹跟踪控制、算法的硬件实现等其他工程方面的应用进行了探讨。

在附录部分提供了QPSO算法的C++语言和Matlab语言的两种版本的程序源代码。

本书可以作为计算机、自动化、应用数学、管理、机械等相关学科的教师、学生和研究开发技术人员的参考书。由于作者水平有限，本书许多内容还有待完善和深入研究，对于不足之处，诚望读者批评指正。

借本书出版之际，作者感谢南京理工大学杨静宇教授、南京大学周志华教授和江南大学王士同教授等给予的关心、指导和帮助，感谢清华大学出版社的大力支持。同时，对课题组参与相关研究工作的冯斌博士、丁彦蕊博士、蔡宇杰博士、赵吉博士、龙海侠博士、罗晓清博士、陈伟博士、周頔博士、田娜博士、高翠芳博士、冯振华博士、柴志雷博士、刘龙博士、刘静博士、奚茂龙博士、高浩博士以及陈庆芳、刘琼、余永红、陈亮、周超硕士表示衷心感谢。最后，感谢教育部新世纪优秀人才支持计划（编号： NCET-06-0487）、国家自然科学基金（编号： 60572034，60973094）、江苏省自然科学基金（BK2006081，BK2010143）、江南大学创新团队研究计划(JNIRT0702)和中央高校基本科研业务费专项资金(JUSRP21012，JUSRP11023，JUSRP30901)等项目对相关研究工作的资助。

作者

2010年7月