智能演化優(yōu)化

上篇多目標優(yōu)化問題與智能演化優(yōu)化方法
第1章引言3
1.1研究背景3
1.2基本概念以及基本框架5
1.2.1多目標優(yōu)化問題5
1.2.2多目標演化算法簡介6
1.3相關研究工作綜述8
1.3.1進化高維多目標優(yōu)化8
1.3.2多目標演化算法中的變化算子11
1.4本章小結(jié)12
第2章基礎知識13
2.1典型的基于分解的多目標演化算法13
2.1.1問題分解多目標演化算法13
2.1.2集成適應度排序14
2.1.3第三代非支配排序遺傳算法14
2.1.4多目標遺傳局部搜索15
2.2差分進化16
2.3柔性作業(yè)車間調(diào)度的析取圖模型17
2.4標準測試問題19
2.4.1高維多目標優(yōu)化測試問題19
2.4.2柔性作業(yè)車間調(diào)度測試問題20
2.5性能指標20
2.6本章小結(jié)22
第3章在基于聚合的多目標演化算法中平衡收斂性和多樣性24
3.1前言24
3.2類似算法簡介25
3.3基本思想26
3.4算法詳解27
3.4.1增強MOEA/D28
3.4.2增強EFR29
3.4.3可選歸一化過程30
3.4.4計算復雜度30
3.4.5討論31
3.5實驗設計32
3.5.1測試問題32
3.5.2性能指標34
3.5.3比較算法34
3.5.4實驗設置35
3.6算法的性能分析37
3.6.1參數(shù)K的影響38
3.6.2收斂性和多樣性的研究40
3.7與先進算法的比較44
3.7.1在歸一化問題上的比較44
3.7.2在非歸一化問題上的比較53
3.7.3進一步討論56
3.8本章小結(jié)57
目錄  智能演化優(yōu)化〖2〗〖2〗 〖1〗 第4章基于新型支配關系的多目標演化算法58
4.1前言58
4.2基于θ支配的演化算法59
4.2.1算法框架59
4.2.2參考點的生成60
4.2.3重組算子61
4.2.4自適應歸一化62
4.2.5聚類算子62
4.2.6θ支配64
4.2.7θDEA的計算復雜度65
4.3實驗設計65
4.3.1測試問題65
4.3.2性能指標66
4.3.3比較算法67
4.3.4實驗設置68
4.4實驗結(jié)果70
4.4.1與NSGAⅢ和MOEA/D的比較70
4.4.2與先進算法的比較79
4.4.3參數(shù)θ的影響92
4.4.4進一步討論95
4.5本章小結(jié)96
第5章基于分解的多目標演化算法中的變化算子97
5.1前言97
5.2目標算法98
5.3實驗研究99
5.3.1實驗設置99
5.3.2NSGAⅢDE中參數(shù)的影響100
5.3.3NSGAⅢDE、NSGAⅢSBX: 探索與開發(fā)102
5.3.4NSGAⅢ變體之間的比較104
5.4本章小結(jié)109
第6章多目標優(yōu)化中的目標降維: 演化多目標優(yōu)化方法與綜合分析110
6.1前言110
6.2基本知識和背景112
6.2.1多目標優(yōu)化112
6.2.2目標降維的基本概念113
6.2.3Pareto前沿的表示和誤導114
6.2.4目標降維的現(xiàn)有方法115
6.3多目標優(yōu)化方法117
6.3.1基于支配結(jié)構(gòu)的多目標優(yōu)化公式117
6.3.2基于相關性的多目標優(yōu)化公式118
6.3.3使用多目標演化優(yōu)化算法119
6.3.4采用多目標優(yōu)化方法的好處120
6.4對基于支配結(jié)構(gòu)的方法和基于相關性方法的分析121
6.4.1理論基礎121
6.4.2基于支配結(jié)構(gòu)的方法的優(yōu)缺點122
6.4.3基于相關性方法的優(yōu)勢和局限性123
6.5基準實驗125
6.5.1基準問題125
6.5.2樣本集的生成126
6.5.3算法的比較126
6.5.4多目標降維方法行為研究127
6.5.5演化多目標優(yōu)化搜索的有效性130
6.5.6在演化多目標搜索領域中確定關鍵目標集的比較132
6.6應用于現(xiàn)實問題141
6.6.1應用于水資源問題141
6.6.2應用于汽車側(cè)面碰撞問題142
6.6.3討論143
6.7方法的優(yōu)勢145
6.7.1關于輔助優(yōu)化的目標降維145
6.7.2關于可視化和決策制定147
6.8本章小結(jié)148
第7章利用支配預測輔助的高成本多目標演化優(yōu)化150
7.1前言150
7.2背景知識152
7.2.1多目標優(yōu)化152
7.2.2θ支配153
7.2.3深度前饋神經(jīng)網(wǎng)絡154
7.3θDEADP算法155
7.3.1概述155
7.3.2Representative解157
7.3.3基于支配預測的代理模型158
7.3.4兩階段預選策略160
7.3.5討論161
7.4實驗162
7.4.1實驗設計162
7.4.2多目標優(yōu)化問題的性能166
7.4.3眾多目標優(yōu)化問題的性能171
7.4.4θDEADP組成部分的研究177
7.5本章小結(jié)180
上篇總結(jié)181
下篇柔性作業(yè)車間調(diào)度問題及其優(yōu)化求解
第8章FJS問題概述185
8.1多目標柔性作業(yè)車間調(diào)度問題185
8.2多目標柔性作業(yè)車間調(diào)度的研究現(xiàn)狀187
8.3模因演算法189
8.3.1模因演算法簡介189
8.3.2求解多目標組合優(yōu)化問題的模因演算法190
8.4本章小結(jié)191
第9章基于混合和聲搜索的柔性作業(yè)車間調(diào)度192
9.1前言192
9.2相關工作介紹193
9.2.1柔性車間調(diào)度193
9.2.2和聲搜索算法（HS算法）194
9.2.3混合和聲搜索（HHS）算法和混合TS算法（TSPCB）之間的差異194
9.3HHS算法196
9.3.1算法框架196
9.3.2和聲向量的表示196
9.3.3和聲向量的評估196
9.3.4初始化和聲記憶201
9.3.5新和聲向量生成202
9.3.6依賴問題的局部搜索203
9.3.7更新和聲記憶207
9.4實驗207
9.4.1實驗設置207
9.4.2計算結(jié)果和比較209
9.4.3HHS與其他算法的進一步比較215
9.5討論218
9.6本章小結(jié)219
第10章基于混合差分進化的柔性作業(yè)車間調(diào)度算法220
10.1前言220
10.2基本DE算法222
10.2.1算法初始化222
10.2.2不同載體的突變222
10.2.3交叉223
10.2.4選擇223
10.3針對FJSP的HDE223
10.3.1HDE概述223
10.3.2表示和初始化225
10.3.3雙向量編碼225
10.3.4轉(zhuǎn)換技術227
10.3.5局部搜索算法229
10.4實驗233
10.4.1實驗設置233
10.4.2Kacem實例的結(jié)果235
10.4.3BRdata實例的結(jié)果235
10.4.4BCdata實例的結(jié)果235
10.4.5HUdata實例的結(jié)果239
10.4.6HDE的進一步性能分析244
10.5本章小結(jié)251
第11章大規(guī)模柔性作業(yè)車間調(diào)度問題的集成搜索啟發(fā)式算法252
11.1前言252
11.2混合和聲搜索253
11.2.1HS簡介253
11.2.2HHS程序254
11.2.3HHS對FJSP的適配255
11.3大鄰域搜索260
11.3.1LNS概述260
11.3.2FJSP的基于約束的模型261
11.3.3約束破壞算法261
11.3.4構(gòu)造算法262
11.4集成的啟發(fā)式搜索方法: HHS/LNS262
11.5實驗研究263
11.5.1實驗設置263
11.5.2HHS模塊性能分析263
11.5.3LNS模塊性能分析268
11.5.4整合效應269
11.5.5大規(guī)模基準實例的計算結(jié)果269
11.6本章小結(jié)276
第12章求解多目標柔性作業(yè)車間調(diào)度的模因演算法278
12.1前言278
12.2算法概述279
12.3全局搜索策略280
12.3.1染色體編碼280
12.3.2染色體解碼281
12.3.3遺傳操作282
12.4局部搜索策略283
12.4.1個體選擇283
12.4.2針對個體的局部搜索284
12.5實驗分析289
12.5.1評價指標290
12.5.2局部搜索中接受準則的實驗研究291
12.5.3遺傳搜索和局部搜索混合的有效性293
12.5.4局部搜索中分層策略的有效性297
12.5.5與先進算法的比較299
12.6進一步討論307
12.7本章小結(jié)308
下篇總結(jié)309
參考文獻310
附錄A334
A.1英文縮寫對照表334
A.2圖片索引338
A.3表格索引342