25個經(jīng)典的元啟發(fā)式算法：從設(shè)計到MATLAB實現(xiàn)

第1章 優(yōu)化問題與優(yōu)化方法
1.1優(yōu)化問題概述
1.1.1 問題的定制
1.1.2 數(shù)學(xué)建模
1.1.3 數(shù)學(xué)建模實例
1.2 優(yōu)化問題分類
1.3 優(yōu)化算法及其分類
1.3.1精確算法和近似算法
1.3.2 傳統(tǒng)優(yōu)化算法和元啟發(fā)式優(yōu)化算法
1.4 元啟發(fā)式算法
1.4.1 元啟發(fā)式算法概述
1.4.2 基于單解的元啟發(fā)式算法
1.4.3 基于群解的元啟發(fā)式算法
1.5 可計算性與計算復(fù)雜度理論
1.5.1 可計算性理論
1.5.2 算法的復(fù)雜度
1.5.3 問題的復(fù)雜度
1.6 優(yōu)化算法的性能評價
1.7 元啟發(fā)式算法應(yīng)用參考路線圖
參考文獻(xiàn)

第2章 進(jìn)化系列算法
2.1 概述
2.1.1 新一代種群的選擇策略
2.1.2 新一代種群的繁殖策略
2.2 遺傳算法 51
2.2.1 生物遺傳進(jìn)化機(jī)制
2.2.2 遺傳算法實現(xiàn)步驟
2.2.3 遺傳算法求解Rosenbrock函數(shù)實例
2.3 進(jìn)化策略算法
2.3.1進(jìn)化策略算法的問題表達(dá)
2.3.2 進(jìn)化策略算法實現(xiàn)步驟
2.3.3 進(jìn)化策略算法求解二元函數(shù)實例
2.4 進(jìn)化規(guī)劃算法
2.4.1 進(jìn)化規(guī)劃算法的基本概念
2.4.2 進(jìn)化規(guī)劃算法的matlab實現(xiàn)
2.5遺傳規(guī)劃算法
2 .5.1 遺傳規(guī)劃算法中個體的表示
2.5.2 遺傳規(guī)劃算法的實現(xiàn)
2.5.3 遺傳規(guī)劃應(yīng)用實例
2.6 差分進(jìn)化算法
2.6.1 差分進(jìn)化算法的實現(xiàn)步驟
2.6.2 差分進(jìn)化算法的matlab實現(xiàn)
2.7分布估計算法
2.7.1分布估計算法實現(xiàn)步驟
2.7.2 分布估計算法的Matlab實現(xiàn)
參考文獻(xiàn)

第3章 鄰域搜索系列算法
3.1 鄰域的定義
3.2 基本鄰域搜索算法
3.2.1 鄰域的選擇
3.2.2 跳出局部最優(yōu)
3.3 變鄰域搜索算法
3.3.1 確定性可變鄰域下降算法
3.3.2 通用變鄰域搜索
3.4 迭代局部搜索
3.5 Matlab實現(xiàn)迭代局部搜索算法
3.6貪心隨機(jī)自適應(yīng)搜索算法
3.7 Matlab實現(xiàn)GRASP
參考文獻(xiàn)

第4章 模擬退火算法
4.1 概述
4.1.1 金屬冶煉退火過程描述
4.1.2 Metropolis準(zhǔn)則
4.1.3 優(yōu)化問題與模擬退火的比較
4.2 模擬退火算法的步驟和流程
4.2.1 算法的構(gòu)成要素
4.2.2 模擬退火算法步驟及流程
4.3 模擬退火算法的matlab實現(xiàn)
參考文獻(xiàn)

第5章 禁忌搜索算法
5.1 局部鄰域搜索
5.2 基本禁忌搜索算法
5.2.1算法的基本原理
5.2.2禁忌搜索算法的參數(shù)選擇
5.2.3禁忌搜索算法的實現(xiàn)流程
5.2.4禁忌搜索算法的優(yōu)缺點(diǎn)
5.3 禁忌搜索算法的matlab實現(xiàn)
5.4禁忌搜索算法的改進(jìn)
5.4.1連續(xù)禁忌搜索算法
5.4.2并行禁忌搜索算法
5.4.3禁忌搜索和遺傳算法的混合策略
參考文獻(xiàn)

第6章 人工免疫系統(tǒng)算法
6.1 生物免疫現(xiàn)象觀察
6.2人工免疫算法仿真原理
6.3 人工免疫算法步驟與流程
6.4人工免疫算法的類型
6.5 基本人工免疫的matlab實現(xiàn)

第7章 蟻群系列優(yōu)化算法
7.1螞蟻覓食行為的觀察
7.2基本螞蟻算法
7.2.1 算法要素
7.2.2 算法流程
7.2.3 算法的特點(diǎn)
7.3 改進(jìn)的螞蟻算法之一：蟻群系統(tǒng)算法
7.4 改進(jìn)螞蟻算法之二：最大最小螞蟻系統(tǒng)算法
7.5 基于ACS求解旅行商問題
7.6 基于最大最小蟻群算法求解旅行商問題

第8章 人工蜂群算法
8.1 蜂群生存行為的觀察
8.2 人工蜂群算法
8.2.1 基本原理
8.2.2算法實現(xiàn)流程
8.2.3 ABC算法的特點(diǎn)
8.3改進(jìn)的人工蜂群算法
8.4 基本人工蜂群的matlab實現(xiàn)
參考文獻(xiàn)

第9章 粒子群算法
9.1 群鳥覓食行為的觀察
9.2 基本粒子群優(yōu)化算法
9.3 標(biāo)準(zhǔn)粒子群優(yōu)化算法PSO
9.4 PSO求解Goldstein-Price函數(shù)
9.5 離散粒子群算法DPSO
9.6 基于DPSO求解0-1背包問題
9.7粒子群算法的改進(jìn)
參考文獻(xiàn)

第10章人工魚群算法
10.1魚群生存行為觀察
10.2 人工魚的視覺模型
10.3 人工魚的四種基本行為
10.4 人工魚群算法步驟與流程
10.4.1 人工魚群算法實現(xiàn)步驟
10.4.2 人工魚群算法流程
10.4.3 人工魚群算法參數(shù)的選擇
10.5 改進(jìn)的人工與群算法
10.6 人工魚群算法的MATLAB實現(xiàn)
參考文獻(xiàn)

第11章 細(xì)菌覓食優(yōu)化算法
11.1 大腸桿菌覓食行為的生物學(xué)觀察
11.1.1 動物覓食理論
11.1.2 大腸桿菌的覓食行為
11.2 基本BFO算法
11.3 基本BFO算法步驟與流程
11.4 BFO算法的改進(jìn)
11.4 基本BFO算法的mtlab實現(xiàn)（圖像識別）
11.5 BFO算法的mtlab實現(xiàn)（圖像匹配）
參考文獻(xiàn)

第12章 混合蛙跳優(yōu)化算法
12.1 算法研究現(xiàn)狀
12.2 混合蛙跳算法原理
12.3 混合蛙跳算法步驟與流程
12.4 基本混合蛙跳算法的matlab實現(xiàn)

第13章 分散搜索算法
13.1 基本分散搜索算法
13.2 改進(jìn)的分散搜索算法
13.3 分散搜索算法的Matlab實現(xiàn)

第14章 布谷鳥搜索算法
14.1 生物學(xué)行為觀察
14.1.1 布谷鳥的巢寄生性
14.1.2 萊維飛行（Lévy flight）軌跡
14.2 基本布谷鳥搜索算法模型
14.2.1 算法基本假設(shè)
14.2.2 鳥巢位置和路徑的更新公式
14.2.3 布谷鳥搜索算法實現(xiàn)步驟
14.2.4 布谷鳥搜索算法流程圖
14.3 改進(jìn)布谷鳥搜索算法
14.3.1二進(jìn)制布谷鳥算法
14.3.2多目標(biāo)布谷鳥搜索算法
14.4 布谷鳥搜索算法的matlab實現(xiàn)
參考文獻(xiàn)

第15章人工神經(jīng)網(wǎng)絡(luò)算法
15.1 神經(jīng)網(wǎng)絡(luò)發(fā)展歷程
15.2 BP神經(jīng)網(wǎng)絡(luò)算法
15.3 HP神經(jīng)網(wǎng)絡(luò)算法
15.4 HP網(wǎng)絡(luò)算法求解TSP問題matlab實例
參考文獻(xiàn)

第16章 生物地理學(xué)算法
16.1生物學(xué)理論基礎(chǔ)
16.2 生物地理學(xué)算法基本思想
16.3 生物地理學(xué)算法步驟與流程
16.4 基本生物地理學(xué)算法的matlab實現(xiàn)

第17章 多目標(biāo)優(yōu)化算法
17.1 多目標(biāo)優(yōu)化問題
17.2 基于進(jìn)化策略的多目標(biāo)優(yōu)化算法
17.2.1 算法流程
17.2.2 非支配分層排序
17.2.3 個體擁擠度的計算和比較算子
17.2.4 種群的選擇、交叉和變異
17.2.5 Matlab代碼分析
17.2.6 實例分析
17.3 基于粒子群算法的多目標(biāo)優(yōu)化算法
17.3.1 算法流程
17.3.2 個體和全局最優(yōu)粒子的選擇
17.3.3 粒子的更新和變異操作
17.3.4 動態(tài)更新柵格檔案庫和柵格矩陣
17.3.5 matlab代碼分析
17.3.6實例
參考文獻(xiàn)

第18章 超啟發(fā)式算法
18.1超啟發(fā)式方法概述
18.2 一種超啟發(fā)式算法的matlab實現(xiàn)
參考文獻(xiàn)