本书的章节安排体现从经典算法到新兴算法、从单点搜索到群体搜索、从算法原理到算法应用。全书共9章。第1章介绍优化问题、求解优化问题的思路和优化算法；第2章用较小篇幅介绍Python语言基础，为未接触过Python语言的读者提供帮助；第3章至第9章针对智能优化代表性算法（群智能优化算法），从算法提出、生物学基础、算法原理、算法描述、算法案例、算法改进、算法应用及Python实现等方面加以介绍。章节安排层层递进。 本书既可作为高等院校计算机、自动化、人工智能等学科和专业本科生、研究生的教材，也可供高职院校相关专业学生学习参考。

王之仓，男，西安邮电大学教授，硕士生导师，专业负责人，中国自动化学会会员，中国仿真学会会员。主要从事智能计算、信息安全等领域研究，参与完成国家自然基金项目和省部级科研项目10余项，省级重点科研项目1项，发明专利2项，在International Journal of Pattern Recognition and Articial Intelligence 、Neurocomputing、Security and Communication Networks等刊物发表论文20余篇。目前开展人工智能、机器人领域教学工作，获省级教学奖励2次，主持完成省级精品课程建设项目1项，出版教材2部，目前参与教育部新工科建设项目1项、省级教育教学改革研究项目1项，担任中国智能机器人格斗及竞技大赛技术委员。本人所在西安邮电大学自动化学院智能科学与技术专业获批第一批国家级一流专业。

前言
第1章绪论
11优化问题
111优化问题的数学模型
112生活中优化问题的数学描述
113描述优化问题的基本概念
114优化问题的分类
12传统优化方法
13智能优化算法
131智能优化算法发展历史
132智能优化算法求解复杂问题的思路
133智能优化算法求解复杂问题的步骤
14智能优化算法性能测试
141IEEE CEC基准测试
142TSP测试集
15智能优化算法与传统优化方法的比较
16智能优化算法的应用案例
161拉伸/压缩弹簧设计问题
162压力容器设计问题
163悬臂梁设计问题
164齿轮传动设计问题
165工字梁设计问题
17习题
18参考文献
第2章Python语言基础
21Python概述
211Python简介
212Python开发工具
213第一个Python程序
22Python语言基础知识
221基础数据类型
222保留字与标识符
223运算符
224数据输入输出
23流程控制语句
231顺序语句
232选择语句
233循环语句
24列表
241创建与删除列表
242添加与修改列表元素
243对列表进行统计和计算
244其他操作
25NumPy数组
251创建NumPy数组
252NumPy数组的基本操作
26Python函数
261参数传递
262变量的作用域
263函数的返回值与递归
264匿名函数
27模块
28文件
29习题
第3章禁忌搜索算法
31局部搜索
311邻域的概念
312局部搜索算法
32禁忌搜索算法概述
321禁忌搜索算法的提出
322禁忌搜索算法的基本原理
33禁忌搜索算法描述
331禁忌搜索算法的关键参数和操作
332禁忌搜索算法的步骤、流程和伪代码
34禁忌搜索算法案例
341求解CEC2005-F2函数
342求解CEC2005-F3函数
35禁忌搜索算法的改进
351动态禁忌表管理
352并行禁忌搜索策略
36禁忌搜索算法应用及Python实现
361问题描述
362解决过程
363Python实现及结果分析
37习题
38参考文献
第4章模拟退火算法
41模拟退火算法概述
411模拟退火算法的热力学基础
412模拟退火算法的原理
42模拟退火算法描述
421模拟退火算法的构成要素
422模拟退火算法的步骤、流程和伪代码
43模拟退火算法案例
431求解CEC2005-F5函数
432求解CEC2005-F8函数
44模拟退火算法的改进
441采用新的温度更新函数及相应概率密度函数的模拟退火全局优化算法
442模拟退火算法和遗传算法的混合算法
443基于粒子群优化算法与模拟退火算法的协同进化方法
45模拟退火算法应用及Python实现
451问题描述
452解决过程
453Python实现及结果分析
46习题
47参考文献
第5章遗传算法
51遗传算法概述
511遗传算法的提出
512遗传算法的生物学基础
513遗传算法的基本原理
52遗传算法描述
521遗传算法的基本要素
522遗传算法的步骤、流程和
伪代码
53遗传算法案例
531求解McCormick函数
532求解Bohachevsky函数
54遗传算法的改进
541精英保留策略
542自适应遗传算法
543基于共享机制的小生境遗传算法
544其他遗传算法
55遗传算法应用及Python实现
551问题描述
552解决过程
553Python实现及结果分析
56习题
57参考文献
第6章蚁群优化算法
61蚁群优化算法概述
611蚁群优化算法的提出
612蚁群优化算法的生物学基础
62蚁群优化算法描述
621蚁群优化算法数学模型构建过程的复现
622蚁群优化算法的基本操作
623蚁群优化算法的步骤、流程和伪代码
624蚁群优化算法的关键参数
63蚁群优化算法案例
631求解CEC2017-Zakharov函数
632求解CEC2005-F9函数
64蚁群优化算法的改进
641精英蚂蚁系统
642最大最小蚂蚁系统
643基于排序的蚂蚁系统
65蚁群优化算法应用及Python实现
651问题描述
652解决过程
653Python实现及结果分析
66习题
67参考文献
第7章粒子群优化算法
71粒子群优化算法概述
711粒子群优化算法的提出
712粒子群优化算法的生物学基础
72粒子群优化算法描述
721粒子群优化算法数学模型构建过程的复现
722粒子群优化算法的步骤、流程和伪代码
723粒子群优化算法的重要参数
73粒子群优化算法案例
731求解Schaffer’s F6测试函数
732求解Bent Cigar测试函数
74粒子群优化算法的改进
741标准粒子群优化算法
742带收缩因子的粒子群优化算法
743离散粒子群优化算法
75粒子群优化算法应用及Python实现
751问题描述
752解决过程
753Python实现及结果分析
76习题
77参考文献
第8章差分进化算法
81差分进化算法概述
811差分进化算法的提出
812差分进化算法的基本原理
82基本差分进化算法描述
821差分进化算法的基本操作
822差分进化算法的数学模型
823基本差分进化算法的步骤、流程和伪代码
83差分进化算法案例
831求解Himmelblau函数
832求解CEC2005-F6函数
84差分进化算法的改进
841采用随机比例因子的差分进化算法
842采用时变比例因子的差分进化算法
85差分进化算法应用及Python实现
851问题描述
852解决过程
853Python实现及结果分析
86习题
87参考文献
第9章新型仿生智能算法
91黑翅鸢优化算法
911黑翅鸢优化算法的提出
912黑翅鸢优化算法的生物学基础
913黑翅鸢优化算法的基本原理
914黑翅鸢优化算法的数学模型
915黑翅鸢优化算法的描述
916案例：求解CEC2017-F4函数
917黑翅鸢优化算法应用及Python实现
92哈里斯鹰优化算法
921哈里斯鹰优化算法的提出
922哈里斯鹰优化算法的生物学基础
923哈里斯鹰优化算法的基本原理
924哈里斯鹰优化算法的数学模型
925哈里斯鹰优化算法的描述
926求解CEC2017-F5函数
927哈里斯鹰优化算法应用及Python实现
93习题
94参考文献
附录
附录ACEC2017测试函数
附录BCEC2021测试函数
附录CCEC2022测试函数
附录D习题参考答案