《基于微生物行为机制的粒子群优化算法》从微生物的行为特征及生物学结构入手，深入探索细菌群体中个体与个体、个体与环境之间的信息传递与共享机制，系统分析大肠杆菌（E.Coli）趋向性行为、聚集行为、繁殖行为和迁徙行为的生物学原理，并将之嵌入粒子群优化算法中，形成微生物与高等生物相互依存的生物共生体系，最终构建基于主从式结构的多子群差分进化模型。

　　《基于微生物行为机制的粒子群优化算法》：
　　3.平均位移法
　　平均位移法是在假设嵌入维数已知的前提下，通过确定嵌入窗宽求出延迟时间。其基本思想是通过引入平均位移（AD）的概念来度量状态点从对角线扩展的程度，在冗余误差和不相关误差之间寻找一个折中点，使二者的总误差达到最小。实际操作时，通常将平均位移曲线的斜率减少到初始值的40％时，对应的τ作为所求的延迟时间。
　　3.1.4 混沌理论在粒子群优化算法中的应用
　　目前将混沌理论与粒子群优化算法结合在一起，对求解优化问题的算法加以改进的方式主要有以下几种：
　　（1）利用混沌迭代产生粒子的初始位置和速度，利用混沌的遍历性提高种群的多样性，使粒子初始值有一个较好的分布，同时，也不违背粒子随机初始化的要求；
　　（2）当粒子出现停滞时，利用混沌产生一系列不重复的点帮助粒子摆脱局部极值；
　　（3）在算法运行过程中，根据需要随时产生混沌序列帮助更新部分粒子。
　　3.2遗传算法
　　3.2.1 遗传算法基本思想
　　美国密西根大学的Holland教授在20世纪70年代初首先创立了遗传算法（geneticalgorithm，简记为GA），其基本思想是模拟生物进化的机制来构造人工系统模型，是一种基于生物自然选择和基因遗传机制的随机搜索方法。达尔文进化论中适者生存的原理在遗传算法中得到了充分的体现。众所周知，在自然进化过程中，生物的优良基因被不断地继承下来，而坏的特性会逐渐地被淘汰。新一代群体中的个体不但包含着上一代个体的大量信息，而且新一代个体在总体特性上不断地超过旧的一代，从而使整个群体向更适应环境的品质发展。
　　……

第一章 引论
1.1 优化问题与优化方法
1.2 智能优化的基本思想和技术特征
1.3 觅食理论和微生物智能仿生技术
1.4 NFL定理和标准测试函数

第二章 标准粒子群算法与细菌觅食算法
2.1 粒子群优化算法
2.1.1 粒子群优化算法的产生与发展
2.1.2 粒子群优化算法的基本原理与计算流程
2.1.3 粒子群优化算法存在的问题与改进途径
2.2 细菌觅食算法
2.2.1 细菌觅食算法的仿生学基础
2.2.2 细菌觅食算法的基本原理与计算流程
2.2.3 细菌觅食算法的主要算子及其运算特征

第三章 基于混沌变异的小生境粒子群优化算法
3.1 混沌理论
3.1.1 混沌现象的定义
3.1.2 混沌现象的特征量
3.1.3 相空间重构方法
3.1.4 混沌理论在粒子群优化算法中的应用
3.2 遗传算法
3.2.1 遗传算法基本思想
3.2.2 编码方法与遗传算子
3.2.3 遗传算法的主要特性
3.2.4 遗传算法流程与步骤
3.3 粒子群算法与遗传算法及混沌算法的比较分析
3.3.1 粒子群算法与遗传算法的比较分析
3.3.2 粒子群算法与混沌算法的比较分析
3.4 粒子群算法混沌初始化
3.4.1 混沌运动遍历性的数学描述
3.4.2 粒子群算法混沌初始化程序
3.5 粒子群算法小生境进化策略
3.5.1 遗传算法中的小生境技术比较分析
3.5.2 小生境进化策略在粒子群算法中的应用设计
3.6 粒子群算法参数设计
3.6.1 适应度函数选择与尺度变换法则
3.6.2 学习因子实验设计与惯性权重自适应调整策略
3.7 基于混沌变异的小生境粒子群优化算法设计
3.8 基于标准测试函数的算法实验分析

第四章 基于群体协作的细菌觅食优化算法
4.1 高等生物的群体协作优化模型
4.1.1 群体协作优化建模的思想
4.1.2 群体协作优化模型的算法分析
4.2 基于环境感知的细菌觅食优化算法设计
4.2.1 算法基本思想
4.2.2 算法程序设计
4.2.3 算法数值实验和结果讨论
4.2.4 算法效果评价
4.3 基于协同效应的细菌觅食优化算法设计
4.3.1 算法基本思想
4.3.2 算法程序设计
4.3.3 算法数值实验和结果讨论
4.3.4 算法效果评价

第五章 基于生物进化的细菌觅食优化算法
5.1 生物进化理论的优化建模
5.1.1 生物进化的优化原理
5.1.2 生物进化的遗传算法模型
5.1.3 生物进化算法的特性分析
5.2 基于差分进化的细菌觅食优化算法设计
5.2.1 算法基本思想
5.2.2 算法程序设计
5.2.3 算法数值实验和结果讨论
5.2.4 算法效果评价
5.3 基于免疫进化的细菌觅食优化算法设计
5.3.1 算法基本思想
5.3.2 算法程序设计
5.3.3 算法数值实验和结果讨论
5.3.4 算法效果评价

第六章 基于分布估计的细菌觅食优化算法
6.1 分布估计算法的原理与流程
6.1.1 分布估计算法的基本原理
6.1.2 分布估计算法的逻辑流程
6.1.3 分布估计算法的趋势分析
6.2 基于高斯分布估计的细菌觅食优化算法设计
6.2.1 算法基本思想
6.2.2 算法程序设计
6.2.3 算法参数分析
6.2.4 算法数值实验和结果讨论
6.2.5 算法效果评价
6.3 基于菌落生态自由分布的细菌觅食优化算法设计
6.3.1 算法基本思想
6.3.2 算法程序设计
6.3.3 算法参数分析
6.3.4 算法数值实验和结果讨论
6.3.5 算法效果评价

第七章 基于微生物共生机制的粒子群优化算法
7.1 基于微生物寄生行为的双种群PSO算法
7.1.1 生物寄生行为
7.1.2 PSOPB算法模型
7.1.3 测试函数
7.1.4 参数设置
7.1.5 结果分析
7.2 模拟生物理想自由分布模型的.PS（）算法
7.2.1 最优觅食理论
7.2.2 理想自由分布模型
7.2.3 IFDPS~）算法模型
7.2.4 IFDPS~）的流程
7.2.5 实验参数设置
7.2.6 实验结果分析
7.3 基于.Predator-Prey行为的双种群PSO算法
7.3.1 引言
7.3.2 PPPSO算法模型
7.3.3 PPPSO计算流程
7.3.4 实验参数设置
7.3.5 实验结果分析
7.4 基于微生物群体感应的粒子群优化算法
7.4.1 微生物群体感应
7.4.2 PSOQS算法模型
7.4.3 实验参数设置
7.4.4 实验结果分析
7.4.5 群体感应频率的实验分析
7.4.6 群体感应种群规模的实验分析
7.5 基于微生物寄生免疫的粒子群优化算法
7.5.1 寄生免疫机理分析
7.5.2 寄生免疫粒子群优化算法
7.5.3 免疫逃避粒子群优化算法

第八章 粒子群神经网络在电信业务预测中的应用
8.1 神经网络的基本属性与存在的问题
8.2 粒子群算法与神经网络的结合方式
8.3 粒子群神经网络的拓扑结构与学习算法
8.3.1 粒子群神经网络的拓扑结构
8.3.2 粒子群神经网络的学习算法
8.4 粒子群神经网络的模型设计和算法程序
8.5 电信业务预测指标及其影响因素
8.6 电信业务样本采集与数据统计分析
8.6.1 电信业务样本采集
8.6.2 样本数据统计分析
8.7 基于电信业务样本的粒子群神经网络设计
8.7.1 粒子群神经网络拓扑结构与基本参数
8.7.2 粒子群神经网络训练误差
8.8 电信业务预测模型实验结果的比较分析
8.8.1 电信业务的测试样本
8.8.2 预测结果的比较分析
8.9 初步结论

附录1 混沌变异小生境粒子群算法计算程序
附录2 粒子群神经网络预测模型计算程序
附录3 细菌觅食算法主程序
附录4 群体感应粒子群算法计算程序
附录5 寄生免疫粒子群算法计算程序
附录6 免疫逃避粒子群算法计算程序
参考文献