協(xié)同進(jìn)化遺傳算法理論及應(yīng)用

《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