動(dòng)態(tài)多目標(biāo)優(yōu)化進(jìn)化算法及其應(yīng)用

內(nèi)容概要

　　本書在全面總結(jié)國內(nèi)外關(guān)于動(dòng)態(tài)多目標(biāo)優(yōu)化及其進(jìn)化算法發(fā)展現(xiàn)狀、基礎(chǔ)理論及實(shí)現(xiàn)技術(shù)的基礎(chǔ)上，著重介紹了作者基于進(jìn)化計(jì)算的動(dòng)態(tài)多目標(biāo)優(yōu)化方面的研究成果，主要包括：動(dòng)態(tài)無約束多目標(biāo)優(yōu)化進(jìn)化算法；動(dòng)態(tài)約束多目標(biāo)優(yōu)化進(jìn)化算法；離散時(shí)間空間上的動(dòng)態(tài)多目標(biāo)優(yōu)化進(jìn)化算法；基于粒子群算法的動(dòng)態(tài)多目標(biāo)優(yōu)化求解方法；基于進(jìn)化算法求解動(dòng)態(tài)非線性約束優(yōu)化問題；動(dòng)態(tài)多目標(biāo)進(jìn)化算法性能評(píng)價(jià)指標(biāo)度量方法；動(dòng)態(tài)多目標(biāo)優(yōu)化問題測(cè)試集，為便于應(yīng)用，書后附有部分算法源程序。
　　本書可供理工科院校計(jì)算機(jī)、自動(dòng)化、信息、管理、控制與系統(tǒng)工程等專業(yè)的高年級(jí)本科生、研究生和教師、科研工作者閱讀，也可供自然科學(xué)和工程技術(shù)領(lǐng)域相關(guān)人員參考。

書籍目錄

序
前言
第1章 緒論
1.1 引言
1.2 進(jìn)化算法簡(jiǎn)介
1.2.1 EA的產(chǎn)生背景
1.2.2 EA的主要特點(diǎn)
1.2.3 EA的研究現(xiàn)狀
1.2.4 EA的主要應(yīng)用
1.3 動(dòng)態(tài)優(yōu)化問題及其進(jìn)化算法
1.3.1 DMOP及基本概念
1.3.2 動(dòng)態(tài)優(yōu)化進(jìn)化算法研究現(xiàn)狀
1.4 動(dòng)態(tài)優(yōu)化問題的進(jìn)化算法研究目標(biāo)
1.5 本書的體系結(jié)構(gòu)
1.6 本章小結(jié)
參考文獻(xiàn)
第2章 進(jìn)化算法的理論及其實(shí)現(xiàn)技術(shù)
2.1 EA的基本框架
2.2 遺傳算法的模式理論
2.2.1 模式理論
2.2.2 積木塊理論
2.3 進(jìn)化算法的收斂性理論
2.3.1 預(yù)備知識(shí)
2.3.2 經(jīng)典遺傳算法的收斂性
2.3.3 改進(jìn)的經(jīng)典遺傳算法的收斂性
2.3.4 一般遺傳算法的收斂性
2.4 進(jìn)化算子及其操作設(shè)計(jì)
2.5 本章小結(jié)
參考文獻(xiàn)
第3章 動(dòng)態(tài)無約束多目標(biāo)優(yōu)化進(jìn)化算法
3.1 問題及相關(guān)概念
3.2 靜態(tài)優(yōu)化模型
3.2.1 DUMOP轉(zhuǎn)化為許多靜態(tài)優(yōu)化問題
3.2.2 靜態(tài)雙目標(biāo)優(yōu)化模型
3.3 解動(dòng)態(tài)無約束多目標(biāo)優(yōu)化進(jìn)化算法
3.3.1 子空間Levy分布雜交算子
3.3.2 帶區(qū)間分割的非均勻變異算子
3.3.3 動(dòng)態(tài)多目標(biāo)優(yōu)化進(jìn)化算法（DMEA）
3.4 理論分析
3.5 實(shí)驗(yàn)結(jié)果
3.5.1 測(cè)試函數(shù)
3.5.2 測(cè)試結(jié)果與分析
3.6 本章小結(jié)
參考文獻(xiàn)
第4章 動(dòng)態(tài)約束多目標(biāo)優(yōu)化進(jìn)化算法
4.1 問題及相關(guān)概念
4.2 動(dòng)態(tài)雙目標(biāo)優(yōu)化模型
4.2.1 廣義解序值方差函數(shù)
4.2.2 廣義解密度方差函數(shù)
4.2.3 問題的轉(zhuǎn)化
4.3 動(dòng)態(tài)約束多目標(biāo)優(yōu)化進(jìn)化算法
4.3.1 選擇算子
4.3.2 雜交算子
4.3.3 約束處理
4.3.4 動(dòng)態(tài)多目標(biāo)優(yōu)化進(jìn)化算法流程
4.4 收斂性分析
4.5 數(shù)值仿真
4.5.1 測(cè)試圈數(shù)
4.5.2 測(cè)試結(jié)果
4.6 本章小結(jié)
參考文獻(xiàn)
第5章 離散時(shí)間空間上的動(dòng)態(tài)多目標(biāo)優(yōu)化進(jìn)化算法
5.1 問題及預(yù)備知識(shí)
5.2 分布估計(jì)模型
5.3 核分布估計(jì)動(dòng)態(tài)多目標(biāo)進(jìn)化算法
5.3.1 環(huán)境變化自檢算子
5.3.2 新算法（CDDMEA）流程
5.4 算法復(fù)雜性分析
5.5 數(shù)值仿真結(jié)果
5.6 本章小結(jié)
參考文獻(xiàn)
第6章 動(dòng)態(tài)多目標(biāo)優(yōu)化問題的粒子群算法
6.1 問題及預(yù)備知識(shí)
6.2 動(dòng)態(tài)多目標(biāo)優(yōu)化粒子群算法
6.2.1 PSO的數(shù)學(xué)模型
6.2.2 適時(shí)變異算子
6.2.3 改進(jìn)的慣性因子國
6.2.4 環(huán)境變化判斷規(guī)則
6.2.5 動(dòng)態(tài)多目標(biāo)優(yōu)化PSO算法
6.3 算法分析
6.4 數(shù)值仿真
6.5 本章小結(jié)
參考文獻(xiàn)
第7章 基于進(jìn)化算法求解動(dòng)態(tài)非線性約束優(yōu)化問題
7.1 問題及相關(guān)概念
7.2 動(dòng)態(tài)非線性約束優(yōu)化問題數(shù)學(xué)模型
7.3 動(dòng)態(tài)多目標(biāo)優(yōu)化進(jìn)化算法
7.3.1 雜交算子
7.3.2 變異算子
7.3.3 新的進(jìn)化算法（DNEA）流程
7.4 收斂性分析
7.5 數(shù)值仿真
7.5.1 性能度量指標(biāo)
7.5.2 測(cè)試函數(shù)
7.5.3 測(cè)試結(jié)果
7.6 本章小結(jié)
參考文獻(xiàn)
第8章 動(dòng)態(tài)多目標(biāo)進(jìn)化算法性能評(píng)價(jià)
8.1 引言
8.2 性能測(cè)試設(shè)計(jì)方法
8.2.1 性能測(cè)試目的
8.2.2 度量DMOEA的指標(biāo)
8.3 靜態(tài)多目標(biāo)進(jìn)化算法性能評(píng)價(jià)方法
8.3.1 收斂性的度量
8.3.2 分布性的度量
8.4 動(dòng)態(tài)多目標(biāo)進(jìn)化算法（DMOEA）性能評(píng)價(jià)方法
8.4.1 收斂性的度量
8.4.2 分布性的度量
8.5 本章小結(jié)
參考文獻(xiàn)
第9章 動(dòng)態(tài)多目標(biāo)優(yōu)化問題測(cè)試集
9.1 靜態(tài)多目標(biāo)優(yōu)化測(cè)試函數(shù)
9.1.1 無約束SMOP測(cè)試函數(shù)
9.1.2 約束SMOP測(cè)試函數(shù)
9.1.3 ZDT測(cè)試函數(shù)集
9.1.4 DTLZ測(cè)試函數(shù)集
9.2 動(dòng)態(tài)多目標(biāo)優(yōu)化測(cè)試函數(shù)
9.2.1 無約束DMOP測(cè)試函數(shù)
9.2.2 約束DMOP測(cè)試函數(shù)
9.3 本章小結(jié)
參考文獻(xiàn)
附錄1 符號(hào)說明
附錄2 算法DMEA在固定時(shí)間（環(huán)境）t下部分源程序
附錄3 第3章繪制C-measure示意圖部分源程序
附錄4 第3章繪制U-measure示意圖的源程序

章節(jié)摘錄

　　EA的主要特點(diǎn)　　與基于導(dǎo)數(shù)的解析方法和其他啟發(fā)式搜索方法一樣，EA在形式上也是一種迭代方法，它使用種群搜索技術(shù)，通過對(duì)當(dāng)前種群采用類似于自然選擇和有性繁殖的方式，在繼承原有優(yōu)良基因的基礎(chǔ)上，生成具有更好性能指標(biāo)的下一代解的群體，但它又不是簡(jiǎn)單的隨機(jī)搜索方法，而是通過對(duì)染色體的評(píng)價(jià)和對(duì)染色體中基因的作用，利用已有的信息來指導(dǎo)搜索，逐漸使得種群進(jìn)化到包含或接近最優(yōu)解的狀態(tài)，在進(jìn)化過程中，進(jìn)化算子僅僅利用適應(yīng)值度量作為運(yùn)算指標(biāo)進(jìn)行染色體的隨機(jī)操作，降低了一般啟發(fā)式算法在搜索過程中對(duì)人機(jī)交互的依賴，極大地提高了算法的全局搜索能力，另外，因其固有的智能性，信息處理的隱并行性，應(yīng)用的魯棒性及操作的簡(jiǎn)明性等，使得EA成為一種具有良好普適性和可規(guī)模化的優(yōu)化方法，然而，EA也有一些缺點(diǎn)，比如容易產(chǎn)生早熟收斂以及收斂速度慢等?！　。?）EA的搜索過程是從一群初始點(diǎn)開始，通過這些點(diǎn)內(nèi)部結(jié)構(gòu)的調(diào)節(jié)和重組來形成新的點(diǎn)，且每次進(jìn)化都將提供多個(gè)近似解，因此，其非常適合多目標(biāo)優(yōu)化問題的求解?！　。?）EA只需要利用目標(biāo)函數(shù)值的信息，而不像傳統(tǒng)的優(yōu)化方法需要采用目標(biāo)函數(shù)的梯度等解析信息，因此它可以有效地用于解決較為復(fù)雜的非線性優(yōu)化問題，且具有良好的通用性?！　。?）EA具有顯著的隱并行性，進(jìn)化算法雖然在每一代只對(duì)有限個(gè)個(gè)體進(jìn)行操作，但處理的信息量為群體規(guī)模的高次方?！　。?）傳統(tǒng)的優(yōu)化方法對(duì)多峰函數(shù)的求解已陷入局部最優(yōu)，進(jìn)化算法能同時(shí)在解空間的多個(gè)區(qū)域進(jìn)行搜索，并且能以較大的概率跳出局部最優(yōu)?！　。?）EA具有很強(qiáng)的魯棒性，即在存在噪聲的情況下，對(duì)同一問題的進(jìn)化算法在多次求解中得到的結(jié)果是相似的，或者算法在速度和效益之間的權(quán)衡使得它能適應(yīng)不同的環(huán)境并取得較好的結(jié)果?！　　?/pre>








圖書封面



圖書標(biāo)簽Tags
無




評(píng)論、評(píng)分、閱讀與下載



還沒讀過(88)
勉強(qiáng)可看(639)
一般般(109)
內(nèi)容豐富(4525)
強(qiáng)力推薦(371)


 


    動(dòng)態(tài)多目標(biāo)優(yōu)化進(jìn)化算法及其應(yīng)用 PDF格式下載