本书面向智能信息处理研究的前沿领域,针对群体智能优化算法及其应用中的关键问题,系统地讨论了新型群体智能优化算法以及群体智能优化算法在三维模型处理和可信软件测试中的应用,比较全面地反映了国内外在三维模型智能处理和基于搜索的可信软件测试领域的最新研究进展。本书主要内容包括经典群体智能优化算法、社会认知优化算法、自然社会认知优化算法、细菌群体趋药性算法、混沌细菌群体趋药算法、三维模型多特征提取、基于证据和区间数的智能三维模型融合匹配识别方法、基于群体智能的文物三维模型全局最优匹配算法、基于群体智能的三维模型配准算法、基于粒子群算法的测试数据生成及优化、基于改进粒子群优化的测试用例扩增方法和基于蚁群算法的组合测试数据生成与优化。
本书取材新颖、内容深入浅出,可作为计算机智能信息处理相关专业研究生及高年级本科生的教材,也可作为三维模型处理和软件工程研究人员的参考用书,还可供从事相关领域研究的教师和科技工作者参考使用。

前言
第1章 绪论
1.1 最优化问题及分类
1.2 典型启发式算法
1.2.1 遗传算法
1.2.2 模拟退火算法
1.2.3 禁忌搜索算法
1.3 群体智能算法
1.4 三维文物虚拟拼接处理中的问题
1.4.1 引言
1.4.2 多特征提取及融合匹配识别问题
1.4.3 多碎片的全局拼接问题
1.4.4 问题小结
1.5 可信软件自动化测试中的关键问题
1.5.1 基于搜索的可信软件自动化测试
1.5.2 组合测试用例生成
1.5.3 测试用例扩增
1.5.4 测试用例选择
1.5.5 问题小结
1.6 本书研究思路
1.7 本书的内容结构
参考文献
第2章 经典群体智能算法
2.1 粒子群优化算法
2.1.1 粒子群优化算法简介
2.1.2 基本粒子群优化算法
2.1.3 粒子群优化算法的特点
2.1.4 离散粒子群优化算法
2.1.5 粒子群优化算法的研究现状
2.2 蚁群优化算法
2.2.1 蚁群优化算法的起源与发展
2.2.2 蚁群算法的基本原理
2.2.3 蚁群算法的研究进展
参考文献
第3章 社会认知优化算法
3.1 社会认知优化算法简介
3.1.1 社会学习理论
3.1.2 社会认知理论
3.1.3 社会认知优化
3.1.4 SCO算法基本概念
3.1.5 SCO算法步骤
3.1.6 SCO算法研究进展
3.2 求解非线性方程组的社会认知算法
3.2.1 问题描述
3.2.2 SCO算法用于求解非线性方程组
3.2.3 数值试验与仿真
3.2.4 SCO算法求解非线性方程组问题总结
3.3 求解非线性互补问题的熵函数认知优化算法
3.3.1 问题描述
3.3.2 非线性互补问题的熵函数法
3.3.3 用SCO算法求解非线性互补问题
3.3.4 数值试验与仿真
3.3.5 结论
3.4 求解软件可靠性分配问题的社会认知算法
3.4.1 问题描述
3.4.2 多模块软件可靠性分配模型
3.4.3 数值试验与仿真
3.4.4 结论
3.5 求解组合Web服务选择问题的认知优化算法
3.5.1 问题描述
3.5.2 研究进展
3.5.3 基本概念
3.5.4 组合服务选择模型
3.5.5 极大熵函数法
3.5.6 组合服务选择算法
3.5.7 算法实现
3.5.8 实验与分析
3.5.9 总结
参考文献
第4章 新型社会认知优化算法
4.1 社会认知优化理论
4.2 SCO算法的收敛性分析
4.2.1 随机算法的收敛准则
4.2.2 SCO算法收敛性证明
4.3 自然社会认知优化算法
4.3.1 智商分布统计理论
4.3.2 混沌优化算法
4.3.3 精英策略
4.3.4 HSCO算法步骤
4.3.5 HSCO算法的全局收敛性
4.3.6 数值实验分析
4.4 具有量子行为的SCO算法
4.4.1 具有量子行为的SCO算法简介
4.4.2 实验分析及收敛证明
4.5 本章小结
本章附录
参考文献
第5章 细菌群体趋药性算法及改进
5.1 细菌群体趋药性算法
5.1.1 算法原理
5.1.2 BCC算法步骤
5.1.3 BCC算法研究进展
5.2 混沌细菌群体趋药优化算法
5.2.1 BC算法简介
5.2.2 BC算法及收敛性分析
5.2.3 BCC算法及收敛性分析
5.2.4 CBCC算法
5.2.5 CBCC算法步骤及收敛性证明
5.2.6 数值实验分析
5.3 本章小结
参考文献
第6章 三维碎片模型特征提取
6.1 引言
6.2 特征轮廓线提取技术
6.2.1 主轮廓线提取
6.2.2 次轮廓线提取
6.2.3 特征轮廓线生成
6.2.4 实验分析
6.3 厚度直方图算法
6.3.1 厚度直方图算法描述
6.3.2 厚度直方图相似性度量
6.4 自旋图提取算法
6.4.1 自旋图生成
6.4.2 顶点归一化
6.4.3 自旋图相似性度量
6.5 本章小结
参考文献
第7章 基于证据和区间数的多特征智能融合识别方法
7.1 引言
7.2 D-S证据合并理论模型
7.3 区间数理论
7.4 区间数生成BPA
7.4.1 生成原理分析
7.4.2 用区间数生成BPA
7.5 D-S的权重值优化
7.5.1 证据合成理论的权值统一
7.5.2 D-S权重值优化算法
7.5.3 权重优化模型
7.5.4 HSCO算法原理
7.5.5 HSCO算法优化权重
7.6 实验分析
7.7 本章小结
参考文献
第8章 基于离散自然社会认知优化算法的全局最优匹配
8.1 引言
8.2 基于群体智能的整体匹配原理
8.3 完全匹配的多碎片匹配算法模型
8.3.1 编码
8.3.2 适应值函数
8.3.3 离散HSCO算法迭代公式
8.4 部分匹配的多碎片匹配算法模型
8.4.1 编码
8.4.2 迭代公式
8.5 基于DHSCO的全局匹配算法分析
8.6 实例分析
8.7 本章小结
参考文献
第9章 基于显著特征的智能配准算法
9.1 引言
9.2 显著特征点提取
9.2.1 点云法向量估计和调整
9.2.2 基于MLS面计算点云曲率
9.2.3 显著特征提取
9.3