群智能优化算法作为一种新兴的智能优化技术和诸多交叉学科研究领域的前沿，受到了越来越多研究者的关注。这些算法受自然界生物进化过程和生物群体行为规律的启发，吸收和融合了运筹学、生物学、物理学、计算数学、计算机科学、人工智能和控制论等学科思想和方法，在没有集中控制且不提供全局信息的条件下，为求解传统优化方法难以解决的非线性、不可微、不确定、多目标、分布式复杂优化问题提供了新思路和新手段，在诸多学科领域得到了成功应用。本书选取了具有代表性的遗传算法、差分进化算法、人工免疫算法、粒子群优化算法、蚁群优化算法、人工蜂群算法、细菌觅食优化算法、人工鱼群算法、混合蛙跳算法、萤火虫算法、布谷鸟搜索算法、狼群算法、秃鹰搜索优化算法、蝠鲼觅食优化算法、野狗优化算法和沙丘猫群优化算法16种群智能优化算法，重点讲述了这些算法的基本原理、运算流程、主要参数和应用实例，特别是对每个应用实例都给出了详细的MATLAB实现参考程序。本书可作为高校本科生、研究生相关课程的教材或参考书，也可供相关工程技术人员自学参考。

智能优化算法在解决大空间、非线性、全局寻优、组合优化等复杂问题方面具有独特的优势，使其受到国内外学者的广泛关注，并在信号处理、图像处理、生产调度、任务分配、模式识别、自动控制和机械设计等众多领域得到了成功应用。本书介绍了8种经典智能优化算法——遗传算法、差分进化算法、免疫算法、蚁群算法、粒子群算法、模拟退火算法、禁忌搜索算法和神经网络算法的来源、原理、算法流程和关键参数说明，并给出了具体的MATLAB仿真实例。对于要使用这些算法工具来解决具体问题的理论研究人员和工程技术人员，通过本书可以节省大量查询资料和编写程序的时间，通过仿真实例可以更深入地理解、快速地掌握这些算法。

智能优化算法在解决大空间、非线性、全局寻优、组合优化等复杂问题方面具有独特的优势，因而得到了国内外学者的广泛关注，并在信号处理、图像处理、生产调度、任务分配、模式识别、自动控制和机械设计等众多领域得到了成功应用。本书介绍了8种经典智能优化算法——遗传算法、差分进化算法、免疫算法、蚁群算法、粒子群算法、模拟退火算法、禁忌搜索算法和神经网络算法的来源、原理、算法流程和关键参数说明，并给出了具体的MATLAB仿真实例。对于要用这些算法工具来解决具体问题的理论研究和工程技术人员，通过本书可以节省大量查询资料和编写程序的时间，通过仿真实例可以更深入地理解、快速地掌握这些算法。

本书在现有智能优化方法的基础上，探索学习型智能优化方法的基本框架。书中采用智能优化模型和知识模型相结合的集成建模思路，总结了精英个体知识、构件知识、算子知识和参数知识4种知识形式，构建了用于实现学习型智能优化方法的8类典型知识，以此辅助学习型智能优化方法高效地求解复杂优化问题。针对连续优化的问题、离散优化的问题（非对称旅行商问题、双层CARP优化问题、柔性作业车间调度问题）和实际工程问题（体系仿真优化问题、卫星地面站系统任务调度问题、多星任务规划问题），分别设计了若干种学习型智能优化算法，并对优化结果进行了分析和解释。本书主要面向在运筹学领域研究智能优化方法的企业、高校与科研院所的研究人员，帮助读者了解学习型智能优化算法的基本原理与框架流程，提高读者对学习型智能优化算法的实践与应用能力，促进学习型智能优化算法的发展与完善。

本书涵盖了五类重要的智能算法：搜索、推荐、聚类、分类和分类器组合，并结合具体的案例讨论了它们在Web应用中的角色及要注意的问题。除了第1章的概要性介绍以及第7章对所有技术的整合应用外，第2～6章以代码示例的形式分别对这五类算法进行了介绍。 本书面向的是广大普通读者，特别是对算法感兴趣的工程师与学生，所以对于读者的知识背景并没有过多的要求。本书中的例子和思想应用广泛，所以对于希望从业务角度更好地理解有关技术的技术经理、产品经理和管理层来说，本书也有一定的价值。

本书涵盖了五类重要的智能算法：搜索、推荐、聚类、分类和分类器组合，并结合具体的案例讨论了它们在Web应用中的角色及要注意的问题。除了第1章的概要性介绍以及第7章对所有技术的整合应用外，第2～6章以代码示例的形式分别对这五类算法进行了介绍。 本书面向的是广大普通读者，特别是对算法感兴趣的工程师与学生，所以对于读者的知识背景并没有过多的要求。本书中的例子和思想应用广泛，所以对于希望从业务角度更好地理解有关技术的技术经理、产品经理和管理层来说，本书也有一定的价值。

本书深入地介绍了实用算法优化的相关内容，讲述了解决各种问题的计算方法，包括搜索高维空间、处理存在多个竞争目标的问题以及兼顾指标中的不确定性。全书主要涵盖以下主题：多维导数及其生成，局部下降和一阶、二阶方法，将随机性引入优化过程的随机方法，目标函数和约束都为线性时的线性约束优化，基于种群的方法，代理模型、概率代理模型以及使用代理模型进行优化的方法，不确定性下的优化，不确定性传播，表达式优化，多学科优化。附录简要介绍了本书使用的Julia 编程语言、评估算法性能的测试函数、与导数和优化方法相关的数学概念。 　　　　 本书适合高等院校数学、统计学、计算机科学等专业的本科生和研究生学习，也可用作相关领域的参考资料。

智能优化算法以其解决实际问题的有效性而快速发展起来，凭借着算法简单、容易实现、易与其他学科相结合等优点，智能优化算法被越来越多的专家与学者所认可并应用。首先，本书阐述了优化理论的相关内容，然后对智能优化算法进行综述，并重点介绍了粒子群优化算法与和声搜索算法。其次，将局部寻优能力较好的变尺度法与粒子群算法结合，提出了基于变尺度的粒子群优化算法，同时将其应用于非线性方程组的求解。然后，将改进后的算法应用于偏微分方程的求解中，将传统的有限差分法进行改进，并与改进后的粒子群算法进行结合求解偏微分方程，通过数值算例对其进行验证。再次，将和声搜索算法与局部搜索能力较好的变尺度法相结合，提出了基于变尺度的和声搜索算法。通过数值实验验证改进后的算法寻优能力较强，鲁棒性较好，而且方法容易实现。最后，探讨了将微分方程转化为变分问题的方法，将求解微分方程的权余量方法与标准粒子群算法进行结合，提出了一种新的求解优化问题的方法。同时，在结合传统的最小二乘近似解法与粒子群算法的基础上，提出了结合粒子群算法和最小二乘法求解变分优化问题的新方法。给出改进思路、计算流程后，通过仿真实验发现改进的两种变分优化算法有较强的适用性。

智能优化算法以其解决实际问题的有效性而快速发展起来，凭借着算法简单、容易实现、易与其他学科相结合等优点，智能优化算法被越来越多的专家与学者所认可并应用。首先，本书阐述了优化理论的相关内容，然后对智能优化算法进行综述，并重点介绍了粒子群优化算法与和声搜索算法。其次，将局部寻优能力较好的变尺度法与粒子群算法结合，提出了基于变尺度的粒子群优化算法，同时将其应用于非线性方程组的求解。然后，将改进后的算法应用于偏微分方程的求解中，将传统的有限差分法进行改进，并与改进后的粒子群算法进行结合求解偏微分方程，通过数值算例对其进行验证。再次，将和声搜索算法与局部搜索能力较好的变尺度法相结合，提出了基于变尺度的和声搜索算法。通过数值实验验证改进后的算法寻优能力较强，鲁棒性较好，而且方法容易实现。最后，探讨了将微分方程转化为变分问题的方法，将求解微分方程的权余量方法与标准粒子群算法进行结合，提出了一种新的求解优化问题的方法。同时，在结合传统的最小二乘近似解法与粒子群算法的基础上，提出了结合粒子群算法和最小二乘法求解变分优化问题的新方法。给出改进思路、计算流程后，通过仿真实验发现改进的两种变分优化算法有较强的适用性。

本书主要包括利用改进的卷积神经网络实现合成孔径雷达目标识别，提出了改进的群智能算法，并结合机器学习实现合成孔径雷达目标识别、MEMS矢量水听器信号的去噪估计、癌症分类、传染病预测、空气质量指数预测与等级分类、机器人转向分类和地质水水质分类。本书有较强的实用性和应用性，既结合实际应用的需要，又从理论上加以指导。本书可作为应用数学、信号处理、图像处理、优化算法、预测与分类等方向研究生学习，还可供从事机器学习的科研工作者参考。