多目標(biāo)智能優(yōu)化算法及其應(yīng)用

前言

　　大多數(shù)工程和科學(xué)問題都是多目標(biāo)優(yōu)化問題，存在多個(gè)彼此沖突的目標(biāo)，如何獲取這些問題的最優(yōu)解，一直都是學(xué)術(shù)界和工程界關(guān)注的焦點(diǎn)問題.與單El標(biāo)優(yōu)化問題不同，多目標(biāo)優(yōu)化的本質(zhì)在于，大多數(shù)情況下，某目標(biāo)的改善可能引起其他目標(biāo)性能的降低，同時(shí)使多個(gè)目標(biāo)均達(dá)到最優(yōu)是不可能的，只能在各目標(biāo)之間進(jìn)行協(xié)調(diào)權(quán)衡和折中處理，使所有目標(biāo)函數(shù)盡可能達(dá)到最優(yōu)，而且問題的最優(yōu)解由數(shù)量眾多，甚至無窮大的Pareto最優(yōu)解組成?！　≈悄軆?yōu)化算法是一類通過模擬某一自然現(xiàn)象或過程而建立起來的優(yōu)化方法’這類算法包括進(jìn)化算法、粒子群算法、禁忌搜索、分散搜索、模擬退火、人工免疫系統(tǒng)和蟻群算法等。和傳統(tǒng)的數(shù)學(xué)規(guī)劃法相比，智能優(yōu)化算法更適合求解多目標(biāo)優(yōu)化問題。首先，大多數(shù)智能優(yōu)化算法能同時(shí)處理一組解，算法每運(yùn)行一次，能獲得多個(gè)有效解。其次，智能優(yōu)化算法對(duì)Pareto最優(yōu)前端的形狀和連續(xù)性不敏感，能很好地逼近非凸或不連續(xù)的最優(yōu)前端。目前，智能優(yōu)化算法作為一類啟發(fā)式搜索算法，已被成功應(yīng)用于多目標(biāo)優(yōu)化領(lǐng)域，出現(xiàn)了一些熱門的研究方向，如進(jìn)化多目標(biāo)優(yōu)化，同時(shí)，多目標(biāo)智能優(yōu)化算法在電力系統(tǒng)、制造系統(tǒng)和控制系統(tǒng)等方面的應(yīng)用研究也取得了很大的進(jìn)展?！　”緯D全面總結(jié)作者和國(guó)內(nèi)外同行在多目標(biāo)智能優(yōu)化算法的理論與應(yīng)用方面所取得的一系列研究成果。全書包括兩部分，共8章。第一部分為第1-4主要介紹了各種多目標(biāo)智能優(yōu)化算法的理論。其中第1章為緒論，介紹各種智能優(yōu)化算法的基本思想和原理。第2章介紹多目標(biāo)進(jìn)化算法，主要描述多目標(biāo)進(jìn)化算法的基本原理、典型算法和各種進(jìn)化機(jī)制與策略，如混合策略、協(xié)同進(jìn)化和動(dòng)態(tài)進(jìn)化策略等。第3章介紹多目標(biāo)粒子群算法，包括基本原理、典型算法、混合算法和交互粒子群算法等。第4章描述除粒子群算法和進(jìn)化算法之外的其他多目標(biāo)智能優(yōu)化算法，主要介紹多目標(biāo)模擬退火算法、多目標(biāo)蟻群算法、多目標(biāo)免疫算法、多目標(biāo)差分進(jìn)化算法和多目標(biāo)分散搜索等。　　第二部分為第5-8章，主要介紹了多目標(biāo)智能優(yōu)化算法的應(yīng)用’包括神經(jīng)網(wǎng)絡(luò)優(yōu)化、生產(chǎn)調(diào)度、交通與物流系統(tǒng)優(yōu)化、電力系統(tǒng)優(yōu)化及其他。第5章描述人工神經(jīng)網(wǎng)絡(luò)的多目標(biāo)優(yōu)化，主要包括Pareto進(jìn)化神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)和模糊神經(jīng)網(wǎng)絡(luò)。第6章介紹交通與物流系統(tǒng)優(yōu)化，主要描述了智能優(yōu)化算法在物流配送、城市公交路線網(wǎng)絡(luò)和公共交通調(diào)度等方面的應(yīng)用。

內(nèi)容概要

　　智能優(yōu)化算法是一類通過模擬某一自然現(xiàn)象或過程而建立起來的優(yōu)化方法，這類算法包括進(jìn)化算法、粒子群算法、禁忌搜索、分散搜索、模擬退火、人工免疫系統(tǒng)和蟻群算法等。本書系統(tǒng)地介紹了多目標(biāo)智能優(yōu)化算法理論與應(yīng)用，力圖全面地介紹多目標(biāo)智能優(yōu)化算法的最新研究進(jìn)展。全書共分為8章，主要內(nèi)容包括：多目標(biāo)進(jìn)化算法、多目標(biāo)粒子群算法、其他多目標(biāo)智能優(yōu)化算法、人工神經(jīng)網(wǎng)絡(luò)優(yōu)化、交通與物流系統(tǒng)優(yōu)化、多目標(biāo)生產(chǎn)調(diào)度和電力系統(tǒng)優(yōu)化及其他?！　”緯鴥?nèi)容取材新穎，覆蓋面廣，系統(tǒng)深入，注重理論聯(lián)系實(shí)際。本書可作為計(jì)算機(jī)、自動(dòng)控制、人工智能、管理科學(xué)和工業(yè)工程等專業(yè)的研究生及高年級(jí)本科生教材，也可作為從事計(jì)算智能、生產(chǎn)調(diào)度等研究人員和工程技術(shù)人員的參考書。

作者簡(jiǎn)介

　　雷德明，武漢理工大學(xué)自動(dòng)化學(xué)院副教授。碩士生導(dǎo)師。2005年11月畢業(yè)于上海交通大學(xué)，獲工學(xué)博士學(xué)位，2009年2月于武漢理工大學(xué)交通運(yùn)輸工程博士后流動(dòng)站出站。主要研究方向：系統(tǒng)優(yōu)化與智能調(diào)度、計(jì)算智能等。先后主持和承擔(dān)了973、國(guó)家自然科學(xué)基金、中國(guó)博士后科學(xué)基金和湖北省自然科學(xué)基金等科研項(xiàng)目。發(fā)表學(xué)術(shù)論文30余篇．被SCI和EI收錄20余篇。

書籍目錄

《智能科學(xué)技術(shù)著作叢書》序前言第1章　緒論1.1　進(jìn)化算法1.1.1　進(jìn)化算法的基本框架1.1.2　遺傳算法1.1.3　進(jìn)化策略1.1.4　進(jìn)化規(guī)劃1.2　粒子群算法1.2.1　標(biāo)準(zhǔn)粒子群算法1.2.2　算法解析1.3　蟻群算法1.3.1　蟻群算法的基本思想1.3.2　蟻群算法的實(shí)現(xiàn)過程1.3.3　蟻群算法描述1.3.4　蟻群優(yōu)化的特點(diǎn)1.4　模擬退火算法1.4.1　模擬退火算法的基本原理1.4.2　模擬退火算法描述1.5　人工免疫系統(tǒng)1.5.1　生物免疫系統(tǒng)1.5.2　人工免疫系統(tǒng)1.6　禁忌搜索1.7　分散搜索1.8　多目標(biāo)優(yōu)化基本概念參考文獻(xiàn)第2章　多目標(biāo)進(jìn)化算法2.1　基本原理2.1.1　MOEA模型2.1.2　性能指標(biāo)與測(cè)試函數(shù)2.2　典型多目標(biāo)進(jìn)化算法2.2.1　VEGA、MOGA、NPGA和NSGA2.2.2　SPEA和SPEA22.2.3　NSGA22.2.4　PAES2.2.5　其他典型MOEA2.3　多目標(biāo)混合進(jìn)化算法2.3.1　多目標(biāo)遺傳局部搜索2.3.2　J—MOGLS2.3.3　M PAES2.3.4　多目標(biāo)混沌進(jìn)化算法2.4　協(xié)同多目標(biāo)進(jìn)化算法2.5　動(dòng)態(tài)多目標(biāo)進(jìn)化算法2.5.1　IMOEA2.5.2　動(dòng)態(tài)MOEA(DMOEA)2.6　并行多目標(biāo)進(jìn)化算法2.6.1　并行多目標(biāo)進(jìn)化算法的基本原理2.6.2　多分辨率多目標(biāo)遺傳算法2.6.3　并行單前端遺傳算法2.7　其他多目標(biāo)進(jìn)化算法2.7.1　高維多目標(biāo)優(yōu)化的NSGA2改進(jìn)算法2.7.2　動(dòng)態(tài)多目標(biāo)優(yōu)化的進(jìn)化算法2.8　結(jié)論與展望參考文獻(xiàn)第3章　多目標(biāo)粒子群算法3.1　基本原理3.2　典型多目標(biāo)粒子群算法3.2.1　CMOPSO3.2.2　多目標(biāo)全面學(xué)習(xí)粒子群算法3.2.3　Pareto檔案多目標(biāo)粒子群優(yōu)化3.3　多目標(biāo)混合粒子群算法3.3.1　模糊多目標(biāo)粒子群算法3.3.2　基于分散搜索的多目標(biāo)混合粒子群算法3.4　交互粒子群算法3.5　結(jié)論參考文獻(xiàn)第4章　其他多目標(biāo)智能優(yōu)化算法4.1　多目標(biāo)模擬退火算法4.2　多目標(biāo)蟻群算法4.2.1　連續(xù)優(yōu)化問題的多目標(biāo)蟻群算法4.2.2　組合優(yōu)化問題的多目標(biāo)蟻群算法4.3　多目標(biāo)免疫算法4.4　多目標(biāo)差分進(jìn)化算法4.5　多目標(biāo)分散搜索4.6　結(jié)論參考文獻(xiàn)第5章　人工神經(jīng)網(wǎng)絡(luò)優(yōu)化5.1　Pareto進(jìn)化神經(jīng)網(wǎng)絡(luò)5.2　徑向基神經(jīng)網(wǎng)絡(luò)優(yōu)化與設(shè)計(jì)5.3　遞歸神經(jīng)網(wǎng)絡(luò)優(yōu)化與設(shè)計(jì)5.4 模糊神經(jīng)網(wǎng)絡(luò)多目標(biāo)優(yōu)化5.5　結(jié)論參考文獻(xiàn)第6章　交通與物流系統(tǒng)優(yōu)化6.1　物流配送路徑優(yōu)化6.1.1　多目標(biāo)車輛路徑優(yōu)化6.1.2　多目標(biāo)隨機(jī)車輛路徑優(yōu)化6.2　城市公交路線網(wǎng)絡(luò)優(yōu)化6.3　公共交通調(diào)度6.3.1　概述6.3.2　多目標(biāo)駕駛員調(diào)度6.4　結(jié)論參考文獻(xiàn)第7章　多目標(biāo)生產(chǎn)調(diào)度7.1　生產(chǎn)調(diào)度描述_7.1.1　車間調(diào)度問題7.1.2　間隙生產(chǎn)調(diào)度7.1.3　動(dòng)態(tài)生產(chǎn)調(diào)度7.1.4　批處理機(jī)調(diào)度和E／T調(diào)度7.2　生產(chǎn)調(diào)度的表示方法7.3　基于進(jìn)化算法的多目標(biāo)車間調(diào)度7.3.1　多目標(biāo)流水車間調(diào)度7.3.2　多目標(biāo)作業(yè)車間調(diào)度7.4　基于進(jìn)化算法的多目標(biāo)模糊調(diào)度7.4.1　模糊調(diào)度：Sakawa方法7.4.2　模糊作業(yè)車間調(diào)度：cMEA方法7.5　基于進(jìn)化算法的多目標(biāo)柔性調(diào)度7.5.1　混合遺傳調(diào)度方法7.5.2　混合遺傳算法7.6　基于粒子群優(yōu)化的多目標(biāo)調(diào)度7.6.1　基于粒子群優(yōu)化的多目標(biāo)作業(yè)車間調(diào)度7.6.2　多目標(biāo)柔性調(diào)度的混合粒子群方法7.7　多目標(biāo)隨機(jī)調(diào)度7.8　結(jié)論與展望參考文獻(xiàn)第8章　電力系統(tǒng)優(yōu)化及其他8.1　電力系統(tǒng)優(yōu)化8.1.1　基于免疫算法的多目標(biāo)無功優(yōu)化8.1.2　基于分層優(yōu)化的多目標(biāo)電網(wǎng)規(guī)劃8.1.3　基于NSGA2及協(xié)同進(jìn)化的多目標(biāo)電網(wǎng)規(guī)劃8.2　多播Qos路由優(yōu)化8.3　單元制造系統(tǒng)設(shè)計(jì)8.3.1　概述8.3.2　基于禁忌搜索的多目標(biāo)單元構(gòu)造8.3.3　基于并行禁忌搜索的多目標(biāo)單元構(gòu)造8.4　自動(dòng)控制系統(tǒng)設(shè)計(jì)8.4.1　概述8.4.2　混合動(dòng)力學(xué)系統(tǒng)控制8.4.3　魯棒PID控制器設(shè)計(jì)8.5　結(jié)論參考文獻(xiàn)附錄　部分測(cè)試函數(shù)

章節(jié)摘錄

　　第1章　緒論　　智能優(yōu)化算法是通過模擬某一自然現(xiàn)象或過程而建立起來的，它們具有適于高度并行、自組織、自學(xué)習(xí)與自適應(yīng)等特征，為解決復(fù)雜問題提供了一種新途徑。這類算法包括進(jìn)化算法（EA）、粒子群算法（PSO）、禁忌搜索（TS）、分散搜索（SS）、模擬退火（SA）、人工免疫系統(tǒng)（AIS）和蟻群算法（ACO）等?！　∵M(jìn)化算法來源于對(duì)生物進(jìn)化過程的模擬，它將問題的求解表示成染色體的適者生存過程，通過染色體的一代代進(jìn)化，最終收斂到最適應(yīng)環(huán)境的個(gè)體（即問題的最優(yōu)解或滿意解），該類算法主要包括遺傳算法（GA）、進(jìn)化策略（ES）和進(jìn)化規(guī)劃（EP）等?！　×Ｗ尤核惴▉碓从趯?duì)鳥群優(yōu)美而不可預(yù)測(cè)的飛行動(dòng)作的模擬，粒子的飛行速度動(dòng)態(tài)地隨粒子自身和同伴的歷史飛行行為改變而改變。　　禁忌搜索是一種全局逐步優(yōu)化算法，它模擬人類的智力過程，通過引入一種靈活的存儲(chǔ)結(jié)構(gòu)和相應(yīng)的禁忌規(guī)則來避免迂回搜索，并通過藐視原則來赦免一些被禁忌的優(yōu)良狀態(tài)，以實(shí)現(xiàn)全局優(yōu)化。　　分散搜索主要組成部分包括五個(gè)方法：多樣化產(chǎn)生方法、改進(jìn)方法、參考集更新方法、子集產(chǎn)生方法和組合方法等。分散搜索十分靈活，它的每個(gè)組成部分都能采取不同的方式實(shí)現(xiàn)?！　∧M退火是基于Mente Carlo迭代求解策略的隨機(jī)尋優(yōu)算法，其出發(fā)點(diǎn)是固體物質(zhì)的退火過程與一般組合優(yōu)化問題的相似性，從某一初溫開始，隨著溫度的降低，結(jié)合概率突跳特性在解空間中搜索最優(yōu)解，即在局部解時(shí)能概率性地跳出并最終趨于全局最優(yōu)?！　∪斯っ庖呦到y(tǒng)是一種模仿生物免疫系統(tǒng)功能的智能系統(tǒng)，免疫系統(tǒng)是一種復(fù)雜的分布式信息處理學(xué)習(xí)系統(tǒng)，這種系統(tǒng)具有免疫保護(hù)、免疫記憶、免疫學(xué)習(xí)功能以及較強(qiáng)的自適應(yīng)性、多樣性、學(xué)習(xí)、識(shí)別和記憶等特點(diǎn)。　　蟻群算法是受自然界中螞蟻搜索食物行為的啟發(fā)而提出的一種隨機(jī)優(yōu)化算法，單個(gè)螞蟻是脆弱的，而蟻群的群居生活卻能完成許多單個(gè)個(gè)體無法承擔(dān)的工作，螞蟻間借助于信息素這種化學(xué)物質(zhì)進(jìn)行信息的交流和傳遞，并表現(xiàn)出正反饋現(xiàn)象：某段路徑上經(jīng)過的螞蟻越多，該路徑被重復(fù)選擇的概率就越高。正反饋機(jī)制和通信機(jī)制是蟻群算法的兩個(gè)重要基礎(chǔ)。

編輯推薦

　　智能優(yōu)化算法是一類通過模擬某一自然現(xiàn)象或過程而建立起來的優(yōu)化方法，這類算法包括進(jìn)化算法、粒子群算法、禁忌搜索、分散搜索、模擬退火、人工免疫系統(tǒng)和蟻群算法等。本書系統(tǒng)地介紹了多目標(biāo)智能優(yōu)化算法理論與應(yīng)用成果，最大特色在于全面總結(jié)了多目標(biāo)智能優(yōu)化算法在制造系統(tǒng)、交通與物流系統(tǒng)、電力系統(tǒng)、控制和人工神經(jīng)網(wǎng)絡(luò)等方面的應(yīng)用。

圖書封面

圖書標(biāo)簽Tags

無

評(píng)論、評(píng)分、閱讀與下載

---

    多目標(biāo)智能優(yōu)化算法及其應(yīng)用 PDF格式下載

---