遺傳算法的基本理論與應(yīng)用

第一章  概述
  1.1  從生物進化到進化計算
  1.2  遺傳算法的特征與發(fā)展
  1.3  遺傳算法理論研究
  1.4  遺傳算法的應(yīng)用
  本章附錄：  遺傳算法的基本術(shù)語  
第二章  遺傳算法的基本原理
  2.1  復(fù)雜系統(tǒng)的適應(yīng)過程
  2.2  遺傳算法的基本描述
  2.3  遺傳算法的模式理論
  2.4  遺傳算法與其他搜索技術(shù)的比較
  2.5  遺傳算法計算實例
第三章  遺傳算法的隨機理論與分析
  3.1  遺傳算法的一般收斂性理論
  3.2  遺傳算法的馬爾可夫鏈模型
  3.3  齊次遺傳算法收斂性分析
  3.4  遺傳算法的收斂速率分析
  3.5  廣義退火遺傳算法的收斂性
  3.6  遺傳算法的隨機泛函分析
第四章  遺傳算法的模式理論與分析
  4.1  遺傳算法的模式收斂性分析
  4.2  遺傳算法模式欺騙問題分析
  4.3  遺傳算法模式欺騙性的充分條件
  4.4  模式欺騙問題的實驗分析
第五章  遺傳算子的分析與設(shè)計
  5.1  群體的分析與設(shè)計
  5.2  選擇算子的性質(zhì)分析
  5.3  交叉算子的性質(zhì)分析
  5.4  變異算子的性質(zhì)分析
  5.5  微觀遺傳策略中的參數(shù)設(shè)置
  5.6  適應(yīng)性微觀遺傳策略的設(shè)計
第六章  遺傳算法結(jié)構(gòu)分析與設(shè)計
  6.1  適應(yīng)函數(shù)的復(fù)雜性分析
  6.2  單純多群體遺傳算法
  6.3  協(xié)同多群體遺傳算法
  6.4  遺傳算法與位爬山算法的結(jié)合
  6.5  組合優(yōu)化問題的混合遺傳算法
  6.6  并行遺傳算法
第七章  遺傳算法與知識獲取
  7.1  基于數(shù)據(jù)庫的知識發(fā)現(xiàn)
  7.2  CS-1系統(tǒng)與LS-1系統(tǒng)
  7.3  描述性概念的學習方法
  7.4  概念學習的模型表示
  7.5  CNF范式規(guī)則學習的GA方法
  7.6  DNF范式規(guī)則學習的GA方法
  7.7  概念學習中的特征提取
  7.8  基于GA的特征選擇
  7.9  基于GA的特征變換
  7.10  基于GA的一種自動聚類方法
第八章  遺傳規(guī)劃及其應(yīng)用
  8.1  遺傳規(guī)劃的基本原理與方法
  8.2  遺傳規(guī)劃的收斂性分析
  8.3  遺傳規(guī)劃/遺傳算法在復(fù)合地基承載力計算中的應(yīng)用
  8.4  遺傳規(guī)劃在混沌時間序列預(yù)測中的應(yīng)用
  8.5  基于遺傳規(guī)劃的確定性模式分類器
第九章  進化算法的原理與方法
  9.1  進化算法的一般框架
  9.2  進化算法的自適應(yīng)機制
  9.3  基于實數(shù)編碼的遺傳算法的收斂性
  9.4  進化規(guī)劃和進化策略的收斂性
  9.5  不采用精英個體保留策略的進化算法的收斂性
　9.6  關(guān)于NFL定理的推導(dǎo)的討論
  9.7  策略中三種變異算子的性質(zhì)和比較
  9.8  GA求解約束優(yōu)化問題
附錄　GA性能測試函數(shù)
主要參考獻