群智能優(yōu)化算法理論與應用

內(nèi)容概要

群智能優(yōu)化算法是一個方興未艾的研究領域，本書涉及了很廣泛的一類群智能優(yōu)化算法．全書共分六篇，分別闡述了作者近年來在（廣義染色體）遺傳算法、粒子群算法、蟻群算法、免疫算法、細菌覓食算法和Memetic算法等典型群智能優(yōu)化算法方面的研究成果，并結(jié)合（廣義）旅行商問題、車間調(diào)度問題等給出了算法的數(shù)值實驗結(jié)果。    本書可供計算機科學、信息科學、人工智能、自動化、計算科學等相關領域的研究生、教師、科研人員以及工程技術人員參考使用，也可供高年級本科生作為開拓視野、增長知識的材料閱讀。

書籍目錄

前言緒論第一篇　遺傳算法　第1章　遺傳算法簡介　　1.1　遺傳算法的發(fā)展歷史　　1.2　遺傳算法的基本原理　　1.3　遺傳算法的數(shù)學機理　　1.4　遺傳算法的特點　　參考文獻　第2章　遺傳算法求解傳統(tǒng)旅行商問　　2.1　TSP的數(shù)學描述　　2.2　求解TSP的遺傳算法　　2.3　模擬實驗結(jié)果與分析　　本章小結(jié)　　參考文獻　第3章　遺傳算法求解有約束旅行商問題　　3.1　三類有約束的　　3.2　有約束TSP的求解　　3.3　模擬實驗結(jié)果　　本章小結(jié)　　參考文獻　第4章　遺傳算法求解廣義旅行商問題　　4.1　廣義旅行商問題　　4.2　廣義染色體遺傳算法　　4.3　廣義染色體遺傳算法的若干分析　　4.4　數(shù)值模擬實驗　　本章小結(jié)　　參考文獻第二篇　粒子群優(yōu)化算法　第5章　粒子群優(yōu)化簡介　　5.1　粒子群優(yōu)化算法原理　　5.2　粒子群優(yōu)化算法同其他算法的比較　　5.3　粒子群優(yōu)化算法應用　　本章小結(jié)　　參考文獻　第6章　離散PSO算法解決(廣義)旅行商問題　　6.1　離散PSO算法及其在TSP中的應用　　6.2　離散PSO算法在廣義TSP中的擴展　　參考文獻　第7章　基干粒子群優(yōu)化的車間作業(yè)調(diào)度問題求解　　7.1　車間調(diào)度問題描述　　7.2　調(diào)度性能指標與調(diào)度解分類　　7.3　基于粒子群優(yōu)化的JSSP求解　　7.4　數(shù)值模擬實驗　　參考文獻第三篇　蟻群算法　第8章　蟻群算法簡介　　8.1　蟻群算法起源及發(fā)展　　8.2　蟻群算法的原理　　5.3　蟻群算法的特點　　參考文獻　第9章　蟻群算法在求解旅行商問題中的應用　　9.1　基本蟻群算法求解旅行商問題　　9.2　蟻群算法求解廣義旅行商問題　　9.3　蟻群算法求解帶時間窗的利潤收集　　參考文獻　第10章　蟻群算法在求解車間調(diào)度問題中的應用　　10.1　相遇算法　　10.2　Job-Shop問題的圖形化定義　　10.3　求解Job-Shop問題的相遇算法　　10.4　MMMS與SA的混合算法求解Job-Shop問題　　10.5　數(shù)值模擬實驗　　參考文獻第四篇　免疫算法　第11章　免疫算法簡介　　11.1　人工免疫系統(tǒng)的概念與范疇　　11.2　人工免疫系統(tǒng)原理　　11.3　免疫算法與體液免疫的關系　　11.4　免疫算法的運行機制　　參考文獻　第12章　基于人工免疫系統(tǒng)的旅行商問題求解　　12.1　親和度　　12.2　變異操作　　12.3　克隆選擇　　12.4　疫苗接種　　12.5　免疫記憶　　12.6　算法步驟　　12.7　數(shù)值模擬實驗　　參考文獻　第13章　基于人工免疫系統(tǒng)的車間作業(yè)調(diào)度問題求解　　13.1　抗體群初始化算法　　13.2　親和力的計算和調(diào)整　　13.3　克隆選擇　　13.4　疫苗接種和變異　　13.5　受體編輯　　13.6　基于免疫系統(tǒng)求解車間作業(yè)調(diào)度問題的流程　　13.7　數(shù)值模擬實驗　　參考文獻第五篇　其他群智能優(yōu)化算法　第14章　細菌覓食算法　　14.1　算法簡介　　14.2　細菌覓食算法分析　　14.3　求解車間調(diào)度問題　　14.4　仿真實驗及結(jié)果分析　　本章小結(jié)　　參考文獻　第15章　Memetic算法　　15.1　算法簡介　　15.2　算法實現(xiàn)框架　　15.3　克隆選擇Memetic算法　　15.4　數(shù)值模擬試驗及結(jié)果　　本章小結(jié)　　參考文獻第六篇　混合群智能優(yōu)化算法及應用　第16章　基于隱馬爾可夫模型和免疫粒子群優(yōu)化的多序列比對算法　　16.1　多重序列比對與HMM簡介　　16.2　免疫粒子群優(yōu)化算法　　16.3　基于IPSO的多序列比對　　16.4　數(shù)值模擬實驗　　本章小結(jié)　　參考文獻　第17章　粒子-免疫算法求解車間作業(yè)調(diào)度問題　　17.1　基于PSO和AIS的混合智能算法　　17.2　數(shù)值模擬實驗及結(jié)果　　參考文獻　第18章　基于群智能的混合算法　　18.1　基于群智能的混合模式　　18.2　各種混合模式的分析　　18.3　數(shù)值計算及結(jié)果比較　　本章小結(jié)　　參考文獻

章節(jié)摘錄

第1章 遺傳算法簡介1.1 遺傳算法的發(fā)展歷史遺傳算法是一種模擬自然選擇和遺傳機制的尋優(yōu)方法。20世紀60年代初期，Holland教授開始認識到生物的自然遺傳現(xiàn)象與人工自適應系統(tǒng)行為的相似性。他認為不僅要研究自適應系統(tǒng)本身，也要研究與之相關的環(huán)境。因此，他提出在研究和設計人工自適應系統(tǒng)時，可以借鑒生物自然遺傳的基本原理，模仿生物自然遺傳的基本方法1967年，他的學生Bagley在博士論文中首次提出了“遺傳算法”一詞到70年代初，Holland教授提出了“模式定理”（schema theorem），一般認為是遺傳算法的基本定理，從而奠定了遺傳算法的基本理論。1975年，Holland出版了著名的《自然系統(tǒng)和人工系統(tǒng)的自適應性》這是第一本系統(tǒng)論述遺傳算法的專著。因此，也有人把1975年作為遺傳算法的誕生年。1985年，在美國召開了第一屆兩年一次的遺傳算法國際會議，并且成立了國際遺傳算法協(xié)會。1989年，Holland的學生Goldberg出版了《搜索、優(yōu)化和機器學習中的遺傳算法》總結(jié)了遺傳算法研究的主要成果，對遺傳算法作了全面而系統(tǒng)的論述：一般認為，這個時期的遺傳算法從古典時期發(fā)展到了現(xiàn)代階段，這本書則奠定了現(xiàn)代遺傳算法的基礎。遺傳算法是建立在達爾文的生物進化論和孟德爾的遺傳學說基礎上的算法。在進化論中，每一個物種在不斷發(fā)展的過程中都是越來越適應環(huán)境，物種每個個體的基本特征被后代所繼承，但后代又不完全同于父代，這些新的變化，若適應環(huán)境，則被保留下來：否則，就將被淘汰。在遺傳學中認為，遺傳是作為一種指令遺傳碼封裝在每個細胞中，并以基因的形式包含在染色體中，每個基因有特殊的位置并控制某個特殊的性質(zhì)。每個基因產(chǎn)生的個體對環(huán)境有一定的適應性。基因雜交和基因突變可能產(chǎn)生對環(huán)境適應性強的后代，通過優(yōu)勝劣汰的自然選擇，適應值高的基因結(jié)構(gòu)就保存下來。遺傳算法就是模仿了生物的遺傳、進化原理，并引用了隨機統(tǒng)計原理而形成的。在求解過程中，遺傳算法從一個初始變量群體開始，一代一代地尋找問題的最優(yōu)解，直到滿足收斂判據(jù)或預先假定的迭代次數(shù)為止。

圖書封面

圖書標簽Tags

無

評論、評分、閱讀與下載

---

    群智能優(yōu)化算法理論與應用 PDF格式下載

---