協(xié)同進(jìn)化遺傳算法理論及應(yīng)用

前言

在自然計算領(lǐng)域，基于達(dá)爾文進(jìn)化論的遺傳算法已取得了令人矚目的進(jìn)展，然而，由于個體多樣性得不到保證，遺傳算法的全局搜索能力仍然不盡人意。協(xié)同進(jìn)化遺傳算法是對遺傳算法的有力改進(jìn)，是在協(xié)同進(jìn)化論基礎(chǔ)上提出的一類新的進(jìn)化算法。與達(dá)爾文進(jìn)化論不同，協(xié)同進(jìn)化論認(rèn)為，在生物進(jìn)化的歷程中，不同生物種類既相互制約競爭，又相互協(xié)調(diào)受益，這種相生相克的辯證關(guān)系有效維持了地球生態(tài)系統(tǒng)的生存均衡和進(jìn)化發(fā)展。受之啟迪，協(xié)同進(jìn)化遺傳算法考慮了種群之間以及種群與環(huán)境之間的協(xié)調(diào)，提高了算法的優(yōu)化搜索能力，也不乏成功應(yīng)用案例，引起人們的廣泛關(guān)注。該書是著者近5年來在多項(xiàng)國家自然科學(xué)基金和教育部“新世紀(jì)優(yōu)秀人才支持計劃”項(xiàng)目資助下，取得的一系列關(guān)于協(xié)同進(jìn)化遺傳算法研究成果的結(jié)晶。書中介紹了協(xié)同進(jìn)化遺傳算法基本原理、模型和方法，并重點(diǎn)針對協(xié)同進(jìn)化遺傳算法迄今為止面臨的若干難題，系統(tǒng)闡述了協(xié)同進(jìn)化遺傳算法中子種群數(shù)量和規(guī)模、搜索區(qū)域的調(diào)控、代表個體的選擇，以及計算資源的分配等關(guān)鍵理論和方法。此外，書中還詳細(xì)介紹了協(xié)同進(jìn)化遺傳算法的若干典型的應(yīng)用，包括：多峰多目標(biāo)復(fù)雜數(shù)值函數(shù)優(yōu)化、機(jī)器人協(xié)調(diào)路徑規(guī)劃、神經(jīng)網(wǎng)絡(luò)優(yōu)化，以及群體決策等。該書內(nèi)容豐富，闡述嚴(yán)謹(jǐn)，思想方法新穎且理論聯(lián)系實(shí)際，不失為我國自然計算領(lǐng)域又一部有一定閱讀和參考價值的著作。

內(nèi)容概要

協(xié)同進(jìn)化遺傳算法是解決復(fù)雜的實(shí)際優(yōu)化問題的智能計算方法，近年來已在許多領(lǐng)域得到成功的應(yīng)用，是智能優(yōu)化與決策領(lǐng)域的熱點(diǎn)研究方向之一。    本書主要闡述協(xié)同進(jìn)化遺傳算法的原理及其應(yīng)用，主要內(nèi)容包括：協(xié)同進(jìn)化遺傳算法入門、基于緊聯(lián)結(jié)識別的協(xié)同進(jìn)化種群分割、協(xié)同進(jìn)化種群的搜索區(qū)域動態(tài)變化、協(xié)同進(jìn)化遺傳算法的種群規(guī)模動態(tài)變化、基于局域網(wǎng)并行實(shí)現(xiàn)的協(xié)同進(jìn)化種群的代表個體選擇、協(xié)同進(jìn)化遺傳算法網(wǎng)絡(luò)實(shí)現(xiàn)的資源分配，以及協(xié)同進(jìn)化遺傳算法的搜索空間分割等。本書在詳細(xì)闡述協(xié)同進(jìn)化遺傳算法原理與核心技術(shù)的同時，還給出其在多峰多目標(biāo)復(fù)雜數(shù)值函數(shù)優(yōu)化、多機(jī)器人協(xié)調(diào)路徑規(guī)劃、神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與連接權(quán)值同時優(yōu)化，以及群體決策中的具體應(yīng)用，并給出詳細(xì)的算法對比結(jié)果。為便于應(yīng)用本書闡述的算法，書后附有部分協(xié)同進(jìn)化遺傳算法源程序。    本書可供理工科大學(xué)計算機(jī)、自動控制和人工智能等專業(yè)的教師及研究生閱讀，也可供自然科學(xué)和工程技術(shù)領(lǐng)域中的研究人員參考。

書籍目錄

《智能科學(xué)技術(shù)著作叢書》序序前言第1章  協(xié)同進(jìn)化遺傳算法入門  1.1  遺傳算法    1.1.1  遺傳算法的運(yùn)行機(jī)制    1.1.2  遺傳算法的提出與發(fā)展    1.1.3  并行遺傳算法  1.2  協(xié)同進(jìn)化遺傳算法    1.2.1  協(xié)同進(jìn)化遺傳算法的提出    1.2.2  協(xié)同進(jìn)化遺傳算法的思想    1.2.3  競爭型協(xié)同進(jìn)化遺傳算法  1.3  合作型協(xié)同進(jìn)化遺傳算法    1.3.1  合作型協(xié)同進(jìn)化遺傳算法的思想    1.3.2  進(jìn)化個體評價    1.3.3  代表個體選擇    1.3.4  合作型協(xié)同進(jìn)化遺傳算法的研究    1.3.5  合作型協(xié)同進(jìn)化遺傳算法存在的問題  1.4  本書主要內(nèi)容  1.5  本章小結(jié)  參考文獻(xiàn)第2章  基于緊聯(lián)結(jié)識別的協(xié)同進(jìn)化種群分割  2.1  種群分割的必要性  2.2  基于概率模型的緊聯(lián)結(jié)識別算法  2.3  基于緊聯(lián)結(jié)識別的協(xié)同進(jìn)化種群分割    2.3.1  一次性緊聯(lián)結(jié)識別協(xié)同進(jìn)化種群分割    2.3.2  進(jìn)化緊聯(lián)結(jié)識別協(xié)同進(jìn)化種群分割  2.4  在多模態(tài)數(shù)值函數(shù)優(yōu)化中的應(yīng)用    2.4.1  優(yōu)化函數(shù)描述    2.4.2  運(yùn)行環(huán)境與參數(shù)設(shè)置    2.4.3  運(yùn)行結(jié)果比較與分析  2.5  本章小結(jié)  參考文獻(xiàn)第3章  協(xié)同進(jìn)化種群搜索區(qū)域的動態(tài)變化  3.1  搜索區(qū)域動態(tài)變化的必要性  3.2  搜索區(qū)域動態(tài)變化    3.2.1  搜索區(qū)域變化時機(jī)    3.2.2  搜索區(qū)域變化策略  3.3  種群規(guī)模自適應(yīng)調(diào)整    3.3.1  種群規(guī)模調(diào)整策略    3.3.2  新種群的生成    3.3.3  算法步驟  3.4  算法性能分析  3.5  在多模態(tài)數(shù)值函數(shù)優(yōu)化中的應(yīng)用    3.5.1  優(yōu)化函數(shù)描述    3.5.2  運(yùn)行環(huán)境與參數(shù)設(shè)置    3.5.3  停機(jī)準(zhǔn)則    3.5.4  運(yùn)行結(jié)果比較與分析  3.6  本章小結(jié)  參考文獻(xiàn)第4章  協(xié)同進(jìn)化遺傳算法種群規(guī)模的動態(tài)變化  4.1  種群規(guī)模動態(tài)變化的必要性    4.1.1  單種群遺傳算法的變種群規(guī)模    4.1.2  多種群遺傳算法的變種群規(guī)模    4.1.3  合作型協(xié)同進(jìn)化遺傳算法的計算復(fù)雜性    4.1.4  種群規(guī)模動態(tài)變化的意義  4.2  基于二進(jìn)制編碼的搜索區(qū)域變焦  4.3  基于實(shí)數(shù)編碼的搜索區(qū)域變焦    4.3.1  進(jìn)化子種群的表示    4.3.2  子種群的進(jìn)化能力    4.3.3  搜索子空間的變焦  4.4  子種群規(guī)模動態(tài)變化    4.4.1  代表個體的信用度    4.4.2  算法步驟  4.5  在多模態(tài)數(shù)值函數(shù)優(yōu)化中的應(yīng)用    4.5.1  被優(yōu)化函數(shù)    4.5.2  參數(shù)取值    4.5.3  優(yōu)化結(jié)果與分析  4.6  與第3章的比較  4.7  本章小結(jié)  參考文獻(xiàn)第5章  基于局域網(wǎng)并行實(shí)現(xiàn)的協(xié)同進(jìn)化種群的代表個體選擇  5.1  局域網(wǎng)并行實(shí)現(xiàn)的必要性  5.2  協(xié)同進(jìn)化遺傳算法的局域網(wǎng)并行實(shí)現(xiàn)  5.3  代表個體選擇    5.3.1  影響代表個體選擇的因素    5.3.2  代表個體選擇方法    5.3.3  子種群分布的多樣性描述    5.3.4  代表個體數(shù)量    5.3.5  選擇代表個體    5.3.6  合作團(tuán)體構(gòu)成    5.3.7  算法步驟  5.4  在多模態(tài)數(shù)值函數(shù)優(yōu)化中的應(yīng)用    5.4.1  被優(yōu)化函數(shù)    5.4.2  計算資源的性能    5.4.3  參數(shù)取值    5.4.4  優(yōu)化結(jié)果與分析  5.5  本章小結(jié)  參考文獻(xiàn)第6章  協(xié)同進(jìn)化遺傳算法網(wǎng)絡(luò)實(shí)現(xiàn)的資源分配  6.1  資源分配的必要性  6.2  資源分配決策模型    6.2.1  需要考慮的因素    6.2.2  一些假設(shè)    6.2.3  決策模型    6.2.4  對模型的解釋  6.3  決策模型求解  6.4  算例    6.4.1  各子種群采用相同的遺傳策略    6.4.2  子種群分為多組，不同組采用不同的遺傳策略    6.4.3  各子種群均采用不同遺傳策略  6.5  本章小結(jié)  參考文獻(xiàn)第7章  協(xié)同進(jìn)化遺傳算法的搜索空間分割  7.1  空間分割的必要性  7.2  算法思想及空間分割  7.3  種內(nèi)及種問進(jìn)化遺傳算法    7.3.1  種內(nèi)進(jìn)化遺傳算法    7.3.2  種間進(jìn)化遺傳算法    7.3.3  新的進(jìn)化子種群的生成  7.4  超級個體集合  7.5  算法復(fù)雜度分析  7.6  在多目標(biāo)數(shù)值函數(shù)優(yōu)化中的應(yīng)用    7.6.1  參數(shù)設(shè)置    7.6.2  空間分割個數(shù)對Pareto邊界的影響    7.6.3  子空間劃分形式對Pareto邊界的影響    7.6.4  種內(nèi)進(jìn)化策略對Pareto邊界的影響    7.6.5  超級個體的形成和更新策略對Pareto邊界的影響    7.6.6  種聞講化對Pareto邊界的影響  7.7  本章小結(jié)  參考文獻(xiàn)第8章  協(xié)同進(jìn)化遺傳算法在機(jī)器人路徑規(guī)劃中的應(yīng)用  8.1  機(jī)器人路徑規(guī)劃    8.1.1  傳統(tǒng)路徑規(guī)劃方法    8.1.2  智能路徑規(guī)劃方法  8.2  多機(jī)器人協(xié)調(diào)路徑規(guī)劃模型  8.3  多機(jī)器人協(xié)調(diào)路徑規(guī)劃的協(xié)同進(jìn)化遺傳算法求解    8.3.1  遞階編碼    8.3.2  適應(yīng)度函數(shù)    8.3.3  遺傳操作    8.3.4  算法步驟  8.4  算例    8.4.1  問題描述    8.4.2  實(shí)驗(yàn)設(shè)置    8.4.3  實(shí)驗(yàn)結(jié)果及性能分析  8.5  本章小結(jié)  參考文獻(xiàn)第9章  協(xié)同進(jìn)化遺傳算法在神經(jīng)網(wǎng)絡(luò)優(yōu)化中的應(yīng)用  9.1  神經(jīng)網(wǎng)絡(luò)優(yōu)化    9.1.1  傳統(tǒng)訓(xùn)練算法    9.1.2  基于遺傳算法的神經(jīng)網(wǎng)絡(luò)設(shè)計  9.2  神經(jīng)網(wǎng)絡(luò)優(yōu)化的協(xié)同進(jìn)化遺傳算法求解    9.2.1  進(jìn)化種群分割    9.2.2  決策變量編碼    9.2.3  交叉操作    9.2.4  變異操作    9.2.5  基于啟發(fā)式的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化    9.2.6  適應(yīng)度函數(shù)    9.2.7  代表個體選擇    9.2.8  算法步驟  9.3  用于分類的神經(jīng)網(wǎng)絡(luò)優(yōu)化    9.3.1  問題描述    9.3.2  實(shí)驗(yàn)設(shè)置    9.3.3  實(shí)驗(yàn)結(jié)果及性能分析  9.4  本章小結(jié)  參考文獻(xiàn)第10章  協(xié)同進(jìn)化遺傳算法在群體決策中的應(yīng)用  10.1  群體決策的必要性和難度  10.2  分布協(xié)同交互式遺傳算法    10.2.1  共享個體    10.2.2  群體決策結(jié)果的評價    10.2.3  類適應(yīng)值替換  10.3  在服裝進(jìn)化設(shè)計系統(tǒng)中的應(yīng)用    10.3.1  實(shí)驗(yàn)設(shè)置    10.3.2  實(shí)驗(yàn)結(jié)果及分析  10.4  本章小結(jié)  參考文獻(xiàn)附錄  部分協(xié)同進(jìn)化遺傳算法源程序  附錄1  標(biāo)準(zhǔn)合作型協(xié)同進(jìn)化遺傳算法MATLAB源程序  附錄2  第8章機(jī)器人路徑規(guī)劃部分源程序

章節(jié)摘錄

插圖：第2章基于緊聯(lián)結(jié)識別的協(xié)同進(jìn)化種群分割第2～7章將介紹協(xié)同進(jìn)化遺傳算法的相關(guān)理論與方法，這些理論與方法對提高協(xié)同進(jìn)化遺傳算法的性能是至關(guān)重要的。本章研究的問題是，在合作型協(xié)同進(jìn)化遺傳算法中，如何對要優(yōu)化的變量進(jìn)行合理分割，從而形成一定數(shù)量的進(jìn)化種群。為此，通過基于概率模型的緊聯(lián)結(jié)識別算法，找到密切相關(guān)的決策分量，并采用基于迭代的分片區(qū)域相關(guān)緊聯(lián)結(jié)識別，設(shè)計種群分割的算法。共考慮了兩類分割算法，分別是一次性緊聯(lián)結(jié)識別和進(jìn)化緊聯(lián)結(jié)識別。本章對這些算法的思想、步驟及具體實(shí)施方案均進(jìn)行了詳細(xì)的闡述。本章主要內(nèi)容來自文獻(xiàn)。2．1種群分割的必要性第1章已經(jīng)闡述，用遺傳算法解決優(yōu)化問題時，對被優(yōu)化問題沒有特殊的要求，既不要求被優(yōu)化的目標(biāo)函數(shù)是可微的，也不要求是連續(xù)的，因此，遺傳算法在優(yōu)化問題中得到廣泛的應(yīng)用。但是，這并不說明遺傳算法解決所有問題都是有效的。事實(shí)上，“沒有免費(fèi)的午餐定理（nofreelunchtheorems）”已經(jīng)說明，沒有一種算法在解決所有優(yōu)化問題時都是有效的。當(dāng)然，遺傳算法也不例外。大量的實(shí)踐已經(jīng)說明，遺傳算法在解決一些實(shí)際優(yōu)化問題時卻是低效的，這類問題往往具有如下特征：優(yōu)化函數(shù)具有欺騙性，也就是說，在最優(yōu)解的很小區(qū)域內(nèi)解的適應(yīng)值很低，遺傳搜索機(jī)制引導(dǎo)種群遠(yuǎn)離最優(yōu)解，從而使得算法很難找到真正的最優(yōu)解，充其量找到次優(yōu)解Ⅲ；優(yōu)化函數(shù)具有多模態(tài)，所謂多模態(tài)，是指優(yōu)化函數(shù)含有多個全局極值點(diǎn)和（或）局部極值點(diǎn)，此時，遺傳算法往往僅找到了若干個局部極值點(diǎn)，或者全局極值點(diǎn)，而非所有的全局極值點(diǎn)Ⅲ；優(yōu)化函數(shù)含有噪聲，這是一類很有挑戰(zhàn)性的問題，此時，往往不知道噪聲的數(shù)學(xué)模型，即使知道該模型，采用遺傳算法也很難找到滿意解。

編輯推薦

《協(xié)同進(jìn)化遺傳算法理論及應(yīng)用》為智能科學(xué)技術(shù)著作叢書之一?！秴f(xié)同進(jìn)化遺傳算法理論及應(yīng)用》特點(diǎn)：遺傳算法是一類模擬生物進(jìn)化和遺傳變異機(jī)制的概率優(yōu)化方法，協(xié)同進(jìn)化遺傳算法是對遺傳算法的有力改進(jìn)，是在協(xié)同進(jìn)化論基礎(chǔ)上提出的一類新的進(jìn)化算法?！秴f(xié)同進(jìn)化遺傳算法理論及應(yīng)用》在詳細(xì)闡述協(xié)同進(jìn)化遺傳算法原理與新技術(shù)的同時，給出了協(xié)同進(jìn)化遺傳算法在多峰多目標(biāo)復(fù)雜數(shù)值函數(shù)優(yōu)化、機(jī)器人協(xié)調(diào)路徑規(guī)劃、神經(jīng)網(wǎng)絡(luò)優(yōu)化，以及群體決策等方面的具體應(yīng)用。

圖書封面

圖書標(biāo)簽Tags

無

評論、評分、閱讀與下載

---

    協(xié)同進(jìn)化遺傳算法理論及應(yīng)用 PDF格式下載

---