粒子群优化算法是一种新的模仿鸟类群体行为的智能优化算法，是群体智能优化算法的一个重要分支，已成为国际上仿生智能计算领域里的研究热点和重点之一。
　　《仿生智能计算中的粒子群优化算法及应用》共6章，分别论述了优化问题和仿生智能计算、模仿鸟群觅食行为的粒子群优化算法、形式多样的粒子群优化算法、无速度项的粒子群优化算法、分布估计粒子群优化算法和粒子群优化算法的应用等内容。
　　《仿生智能计算中的粒子群优化算法及应用》可供计算机科学与技术、控制科学与工程等学科领域的高校师生阅读，也可供有关科研人员和工程技术人员参考。

　　高鹰，男，博士，教授，广州大学计算机科学与教育软件学院副院长，计算机应用技术研究所所长。现为国家科学技术奖励评审专家、教育部科技发展中心评审专家和广东省科技咨询专家。主要从事智能优化算法及其应用等方面的研究工作。主持、完成国家、省市级科研项目十余项，申请发明专利十余件，获得计算机软件著作权二十余项，发表学术论文六十余篇，其中被三大索引收录三十余篇，出版学术专著二部，主编教材二本。获教育部科技进步奖二等奖一项、广东省科学技术一等奖一项。
　　
　　高翔（Peter Xiang Gao）．男，博士，本、硕、博分别毕业于香港科技大学、加拿大滑铁卢大学和美国加利福尼亚大学伯克利分校，现工作于美国硅谷Google公司，主要从事云资源管理、高性能数据中心网络和内容分发网络优化等方面的研究工作，已发表学术论文十余篇，申清发明专利二件，曾获国家优秀自费留学生奖。

前言

第1章 优化问题和仿生智能计算
1．1 现实世界中优化问题的数学模型
1．2 解决优化问题的途径和方法
1．3 仿生智能计算
1．4 粒子群优化算法的起源、发展及应用

第2章 模仿鸟群觅食行为的粒子群优化算法
2．1 基本粒子群优化算法
2．2 标准粒子群优化算法
2．3 离散粒子群优化算法
2．4 粒子群优化算法的拓扑结构
2．5 粒子群优化算法中粒子的行为分析
2．6 标准粒子群优化算法的随机收敛性分析及参数选择

第3章 形式多样的粒子群优化算法
3．1 具有遗传特性的粒子群优化算法
3．2 自适应扩展粒子群优化算法
3．3 带免疫性质的粒子群优化算法
3．4 混沌粒子群优化算法
3．5 引入模拟退火机制的粒子群优化算法
3．6 多种群竞争粒子群优化算法
3．7 基于聚类的多子群粒子群优化算法
3．8 带极值扰动的自适应粒子群优化算法
3．9 分组粒子群优化算法
3．10 协同粒子群优化算法
3．11 带扰动因子的布尔型离散粒子群优化算法

第4章 无速度项的粒子群优化算法
4．1 Bare-Bones粒子群优化算法及分析
4．2 具有重心无速度项的粒子群优化算法
4．3 具有惯性遗忘因子和重心的粒子群优化算法
4．4 简化的粒子群优化算法
4．5 一般化的粒子群优化算法及分析
4．6 具有量子行为的粒子群优化算法

第5章 分布估计粒子群优化算法
5．1 分布估计算法
5．2 基于分布估计的离散粒子群优化算法
5．3 基于认知种群的分布估计粒子群优化算法
5．4 结合云模型的分布估计粒子群优化算法
5．5 基于Copula的分布估计粒子群优化算法

第6章 粒子群优化算法的应用
6．1 粒子群优化算法在盲信号分离中的应用
6．2 基于粒子群优化算法的隐马尔可夫模型优化
6．3 基于布尔型粒子群优化算法的网络编码优化
6．4 粒子群优化算法在股票价格预测中的应用
6．5 在多路回波消除中的应用
6．6 粒子群优化算法用于FIR SIMO信道盲辨识

参考文献

　　粒子群优化算法自1995年由R.Ebehtart和J.Kenndey首次提出以来，由于它直观的背景、简洁而容易实现的特点，以及对于不同类型函数广泛的适应性，逐渐引起了研究人员的注意。二十余年来，粒子群优化算法的理论与应用研究都取得了很大的进展，对于算法的原理已经有了一定的了解，算法的应用也已经在不同学科中得以实现。
　　粒子群优化算法是一种新的模仿鸟类群体行为的智能优化算法，是群体智能优化算法的一个重要分支，已成为国际上仿生智能计算领域研究热点和重点之一。作者在从事博士后研究期间，对粒子群优化算法及其应用进行了研究，并在相关项目的支持下，做了进一步的深入研究。经过十余年的研究，积累了包括作者等运用遗传、免疫、混沌、模拟退火、多种群竞争、聚类、极值扰动、分组、遗忘因子和重心、分布估计、云模型、Copula函数等思想方法对粒子群优化算法进行分析和探讨取得的成果，也包括作者建立的粒子群优化算法随机收敛性分析及参数选择方法。随着成果积累的越来越多，作者产生了集结成册出版的念想，由此形成了这部书稿，并申请获得广东科学技术学术专著项目资金，在科学出版社帮助与支持下得以出版面世，为科学了解、认识、研究和应用粒子群优化算法给出了一系列新的思想观点和独特的理论视野。
　　本书以粒子群优化算法的发展和作者对其研究与应用的成果为主线，点面结合，全面、准确地阐述了粒子群优化算法的基本理论和方法，敏锐、及时地反映了粒子群优化算法及其应用在国内外的先进成果和最新信息。同时，在介绍原有粒子群优化算法的基础上，运用遗传、免疫、混沌、模拟退火、多种群竞争、聚类、极值扰动、分组、遗忘因子和重心、分布估计、云模型、Copula函数等思想方法对粒子群优化算法进行了深入分析和探讨，建立了粒子群优化算法的随机收敛性分析及参数选择方法。在应用方面，针对盲信号分离问题、隐马尔可夫模型优化、网络编码优化等问题，阐述了作者应用粒子群优化算法解决这些问题的思想与方法，具有启发性，并可为解决其他问题提供借鉴。