粒子群算法是一種相對新的優化技術，它是通過模仿獸群、鳥群、魚群等群體行為來進行搜索，它具有概念簡單、控制參數少、易於實現以及有的並行性等特點，自提出以來便受到學術界廣泛關注，大量的研究論文及成果不斷出現，為古老的優化理論注入了新的生機和活力，推動了優化理論的發展，但是，由於粒子群算法是一種基於種群的搜索算法，在理論分析和應用研究等方面還處於初級階段，有很多問題值得研究，《新型粒子群算法理論與實踐》針對這些問題，提出了相應的改進算法，對算法的性能進行了討論和分析，並將改進算法用於實際問題。

《新型粒子群算法理論與實踐》可以作為應用數學、控制科學與工程、電腦科學與技術、運籌與管理等相關專業高年級本科生、研究生以及群智慧算法愛好者研究、學習的教材或參考書。

前言

第一部分 導引篇
第1章 緒論
1.1 問題的提出
1.2 優化算法及分類
1.3 關於優化理論的基本概念
1.3.1 優化問題的數學模型
1.3.2 全域優解和局部優解
1.4 本書的篇章結構
第2章 粒子群算法及其理論基礎
2.1 PSO的研究現狀
2.1.1 種群拓撲結構改進
2.1.2 粒子學習策略的研究
2.1.3 混合粒子群算法研究
2.1.4 PSO在多目標和約束優化問題中的研究
2.2 粒子群優化算法
2.2.1 原始粒子群算法
2.2.2 標準粒子群算法
2.2.3 兩種經典的拓撲結構引申的粒子群算法
2.3 粒子群算法的理論分析
2.3.1 粒子的線性離散系統構建
2.3.2 粒子群算法的收斂性分析

第二部分 算法改進篇
第3章 基於動態鄰居和廣義學習的粒子群算法
3.1 引言
3.2 動態鄰居拓撲結構的構建
3.2.1 動態鄰居拓撲結構的提出
3.2.2 種群多樣性的度量
3.2.3 粒子鄰居的重建代數
3.3 廣義學習策略及其搜索空間分析
3.3.1 廣義學習策略
3.3.2 搜索行為分析
3.4 變異操作及其分析
3.5 模擬實驗及其分析
3.5.1檢測函數
3.5.2 各種粒子群算法的參數設置
3.5.3 實驗結果及分析
3.6 帶有局部搜索的DNMPSO
3.6.1 擬牛頓算法
3.6.2 模擬實驗及其分析
3.7 小結
第4章 基於K均值聚類的動態多種群粒子群算法
4.1 引言
4.2 基於K均值聚類的多種群構建
4.2.1 動態多種群構建
4.2.2 種群多樣性分析
4.3 子群構建間隔代數（R）和子群數量（n）的確定
4.4 學習樣本的選擇
4.4.1 社會部分學習樣本的選擇
4.4.2 自知部分學習樣本的選擇
4.5 KDMSPSO與DNMPSO的比較
4.5.1 算法的收斂特徵曲線比較
4.5.2 種群多樣性比較
4.6 基於KDMSPSO求解約束優化問題
4.6.1 約束優化問題的數學描述
4.6.2 求解約束優化問題的方法分類
4.6.3 求解約束優化問題的DMCPSo
4.6.4 模擬實驗及其分析
4.7小結
第5章 多群體協同進化粒子群優化
5.1 引言
5.2 多群體協同進化

第三部分 算法應用篇
第四部分 結論與展望

參考文獻
附錄A 無約束優化測試函數
附錄B 多目標優化測試函數
附錄C 約束優化測試函數