學習型智能優(yōu)化算法及其應用（排序與調度叢書）

第1章緒論
1.1背景及意義
1.1.1背景
1.1.2動機
1.2智能優(yōu)化方法
1.3知識導向的智能優(yōu)化算法
1.3.1傳統(tǒng)人工智能引導的智能優(yōu)化算法
1.3.2特定知識模型引導的智能優(yōu)化算法
1.3.3具有雙層進化機制的文化算法
1.4章節(jié)結構
第2章學習型智能優(yōu)化方法
2.1學習型智能優(yōu)化相關理論
2.1.1知識
2.1.2知識模型
2.1.3遺傳算法
2.1.4蟻群算法
2.1.5學習型智能優(yōu)化的基本框架
2.1.6學習型智能優(yōu)化的運行機制
2.2學習型智能優(yōu)化中的知識
2.2.1精英個體知識
2.2.2構件知識
2.2.3算子知識
2.2.4參數(shù)知識
2.3學習型智能優(yōu)化算法的框架與流程
2.3.1求解函數(shù)優(yōu)化問題的學習型遺傳算法框架與流程
2.3.2求解非對稱旅行商問題的學習型遺傳算法框架與
流程
2.3.3求解雙層CARP優(yōu)化問題的學習型遺傳算法框架與
流程
2.3.4求解雙層CARP優(yōu)化問題的學習型蟻群算法框架與
流程
2.3.5求解柔性作業(yè)車間調度問題的學習型蟻群算法框架與
流程
2.3.6求解柔性作業(yè)車間調度問題的學習型協(xié)同進化算法框架與
流程
2.3.7求解體系仿真優(yōu)化問題的學習型遺傳算法框架與
流程
2.3.8求解衛(wèi)星地面站系統(tǒng)任務調度的學習型蟻群算法框架與
流程
2.3.9求解多星任務規(guī)劃問題的學習型蟻群算法框架與
流程
2.4本章小結
第3章求解函數(shù)優(yōu)化問題的學習型遺傳算法
3.1問題描述及特點分析
3.2求解過程
3.2.1種群初始化
3.2.2選擇操作
3.2.3交叉操作
3.2.4變異操作
3.2.5災變操作
3.2.6終止條件
3.3實驗結果及分析
3.3.1參數(shù)設置
3.3.2幾種典型的函數(shù)優(yōu)化方法
3.3.3普通測試函數(shù)的實驗結果
3.3.4組合測試函數(shù)的實驗結果
3.4本章小結
第4章求解非對稱旅行商問題的學習型遺傳算法
4.1問題描述及特點分析
4.1.1旅行商問題描述
4.1.2旅行商問題的分類
4.1.3旅行商問題的應用和價值
4.1.4旅行商問題的計算復雜性
4.2求解過程
4.2.1種群初始化操作
4.2.2選擇操作
4.2.3交叉操作
4.2.4變異操作
4.2.5種群替換操作
4.2.6局部優(yōu)化操作
4.2.7終止條件
4.3實驗結果及分析
4.4本章小結
第5章求解雙層CARP優(yōu)化問題的學習型遺傳算法和學習型蟻群
算法
5.1問題描述及特點分析
5.1.1雙層CARP優(yōu)化問題的相關術語
5.1.2雙層CARP優(yōu)化問題的數(shù)學模型
5.1.3雙層CARP優(yōu)化問題的簡單實例
5.1.4雙層CARP優(yōu)化問題的特點
5.2求解框架
5.2.1雙層CARP優(yōu)化問題的求解框架
5.2.2宏觀配置優(yōu)化方法
5.2.3擴展啟發(fā)式方法ERPS
5.2.4擴展啟發(fā)式方法ERUH
5.3求解過程
5.3.1學習型遺傳算法求解過程
5.3.2學習型蟻群算法求解過程
5.4學習型遺傳算法的實驗結果及分析
5.4.1實驗設計和參數(shù)設置
5.4.2LEGA1和LEGA2的比較實驗
5.4.3LEGA2和LEGA3的比較實驗
5.4.4ERPS和LEGA3的比較實驗
5.4.5ERUH和LEGA3的比較實驗
5.4.6不同方法的優(yōu)化曲線
5.5學習型蟻群算法的實驗結果及分析
5.5.1實驗設計和參數(shù)設置
5.5.2ERPS和LEACO的實驗結果
5.5.3ERUH和LEACO的實驗結果
5.5.4LEGA和LEACO的實驗結果
5.6本章小結
第6章求解柔性作業(yè)車間調度問題的學習型蟻群算法和學習型協(xié)同
進化算法
6.1問題描述及特點分析
6.1.1柔性作業(yè)車間調度問題的描述
6.1.2柔性作業(yè)車間調度問題的分類
6.1.3柔性作業(yè)車間調度問題的特點
6.1.4柔性作業(yè)車間調度問題的求解過程
6.2求解過程
6.2.1學習型蟻群算法求解過程
6.2.2學習型協(xié)同進化算法求解過程
6.3學習型蟻群算法的實驗結果及分析
6.4學習型協(xié)同進化算法的實驗結果及分析
6.5本章小結
第7章求解體系仿真優(yōu)化問題的學習型遺傳算法
7.1問題描述
7.1.1體系實例
7.1.2數(shù)學模型
7.2求解過程
7.2.1分層優(yōu)化方法
7.2.2學習型遺傳算法步驟
7.3實驗結果及分析
7.4本章小結
第8章求解衛(wèi)星地面站系統(tǒng)任務調度的學習型蟻群算法
8.1問題描述
8.2求解過程
8.2.1信息素的定義和初始化
8.2.2可行解的構造
8.2.3導向局部搜索方法
8.2.4信息素的更新
8.2.5終止準則
8.3實驗結果及分析
8.4本章小結
第9章求解多星任務規(guī)劃問題的學習型蟻群算法
9.1問題描述
9.1.1多星任務規(guī)劃的基本輸入要素
9.1.2多星任務規(guī)劃的基本約束條件
9.1.3多星任務規(guī)劃的基本輸出要素
9.1.4多星任務規(guī)劃的基本假設
9.1.5多星任務規(guī)劃問題分析
9.2問題建模
9.2.1數(shù)學符號
9.2.2元任務
9.2.3合成任務
9.2.4收益函數(shù)構造
9.2.5多星任務規(guī)劃模型
9.3求解過程
9.3.1知識初始化
9.3.2任務指派
9.3.3任務合成
9.3.4調度改進
9.3.5知識學習
9.3.6終止準則
9.4實驗結果及分析
9.4.1測試實例的構造
9.4.2實驗結果及分析
9.5本章小結
第10章總結與展望
10.1主要成果
10.2研究展望
參考文獻
索引
附錄A函數(shù)優(yōu)化問題的一些普通測試函數(shù)
附錄B函數(shù)優(yōu)化問題的一些組合測試函數(shù)
附錄C雙層CARP優(yōu)化問題的測試實例
附錄D雙層CARP優(yōu)化問題的下限估計方法
D.1服務成本的下限估計
D.2空車成本的下限估計
D.3倉庫構建成本的下限估計
D.4車輛購置成本的下限估計
附錄E英漢排序與調度詞匯