最優(yōu)化理論與智能算法

第1章緒論1
1.1引言1
1.2智能算法的現(xiàn)狀1
1.3智能算法的研究發(fā)展5
1.4約束單目標優(yōu)化問題及其智能算法6
1.5多目標優(yōu)化問題及其智能算法7
1.6本書的主要工作與內(nèi)容安排9
第2章智能算法與粒子群優(yōu)化算法的基本理論12
2.1智能算法的框架及基礎(chǔ)理論12
2.1.1智能算法的基本框架12
2.1.2智能算法的基礎(chǔ)理論16
2.2粒子群優(yōu)化算法簡介17
2.2.1基本粒子群算法框架17
2.2.2粒子群算法與其他智能算法的比較19
2.2.3兩種基本智能模型19
2.2.4粒子群算法的改進20
第3章解決約束單目標優(yōu)化問題的兩種粒子群算法23
3.1相關(guān)工作23
3.1.1問題表述23
3.1.2智能算法在約束優(yōu)化問題中的研究現(xiàn)狀24
3.2解決約束優(yōu)化問題的雙目標粒子群優(yōu)化算法26
3.2.1模型的建立26
3.2.2基于偏好的粒子比較準則26
3.2.3改進的多父體單形雜交算子27
3.2.4雙目標粒子群優(yōu)化（TPSO）算法的流程27
3.2.5數(shù)值模擬28〖1〗〖2〗最優(yōu)化理論與智能算法目錄3.3解決約束優(yōu)化問題的模糊粒子群算法30
3.3.1模糊個體極值和模糊全局極值的提出30
3.3.2基于閾值的粒子比較準則31
3.3.3模糊粒子群（FPSO）算法的流程33
3.3.4數(shù)值模擬33
3.3.5收斂性分析36
第4章解決無約束多目標優(yōu)化問題的幾種智能算法39
4.1相關(guān)工作39
4.1.1問題表述39
4.1.2智能算法在多目標優(yōu)化問題中的研究現(xiàn)狀40
4.2基于粒子群優(yōu)化的多目標Memetic算法43
4.2.1多目標優(yōu)化模型的轉(zhuǎn)化43
4.2.2基于新模型的粒子比較準則44
4.2.3局部搜索算子的引進45
4.2.4全局極值的選取45
4.2.5基于粒子群優(yōu)化的多目標Memetic算法（PSMA）流程46
4.2.6實例仿真與性能比較46
4.3解決多目標優(yōu)化問題的模糊粒子群算法50
4.3.1多目標模糊個體極值和模糊全局極值的提出50
4.3.2多目標模糊粒子群算法流程50
4.3.3實例仿真與性能比較51
4.4基于新模型的多目標Memetic算法56
4.4.1多目標優(yōu)化模型的轉(zhuǎn)化56
4.4.2一種新的選擇策略56
4.4.3新的接收準則57
4.4.4基于新模型的多目標Memetic算法概述57
4.4.5實例仿真與性能比較58
4.5收斂性分析61
第5章解決多目標約束優(yōu)化問題的兩種粒子群算法64
5.1解決多目標約束優(yōu)化問題的混合粒子群算法64
5.1.1粒子保留準則65
5.1.2一種新的擁擠距離函數(shù)65
5.1.3基于合力的變異算子66
5.1.4混合粒子群算法流程67
5.1.5實例仿真與性能比較68
5.2基于不可行精英保留策略的粒子群優(yōu)化算法73
5.2.1不可行精英保留策略的提出74
5.2.2新的擁擠距離函數(shù)74
5.2.3新的變異算子76
5.2.4基于不可行精英保留策略的粒子群優(yōu)化算法（IPSO）76
5.2.5實例仿真與性能比較77
5.3收斂性分析81
第6章一種新的基于非線性擴展關(guān)系的多目標智能優(yōu)化算法83
6.1選題背景和意義83
6.2國內(nèi)外研究現(xiàn)狀84
6.3解集的評價指標85
6.4新算法的提出86
6.4.1一種新的非線性擴展優(yōu)勢關(guān)系87
6.4.2算法框架87
6.5實驗性的結(jié)果與分析88
6.5.1測試函數(shù)和性能指標88
6.5.2遺傳算子及參數(shù)設(shè)置89
6.5.3相關(guān)算法89
6.5.4實驗結(jié)果89
第7章基于世代距離指標和改進小生境方法的進化算法96
7.1引言96
7.2新提出的算法GDMAOEA97
7.2.1算法框架97
7.2.2選擇框架98
7.2.3計算個體的鄰近距離98
7.2.4改進的小生境方法對解重新分層101
7.3數(shù)值實驗結(jié)果及分析103
7.3.1參數(shù)設(shè)置103
7.3.2實驗結(jié)果及分析104
第8章基于非支配排序和改進小生境的進化算法110
8.1引言110
8.2新的約束處理機制MCCHT110
8.3新提出的算法MCMOEA111
8.3.1約束排序111
8.3.2全局選擇113
8.3.3可行性計算113
8.3.4改進的小生境方法114
8.4數(shù)值實驗結(jié)果及分析117
8.4.1實驗設(shè)置117
8.4.2實驗結(jié)果和分析118
第9章基于協(xié)同進化框架和兩階段進化的進化算法124
9.1引言124
9.2提出的算法TSCoEA126
9.2.1算法框架126
9.2.2新的小生境方法127
9.2.3全局選擇128
9.2.4選擇父代130
9.3數(shù)值實驗結(jié)果及分析130
9.3.1實驗設(shè)置131
9.3.2實驗結(jié)果和分析131
第10章雙層優(yōu)化問題的智能算法求解135
10.1引言135
10.2國內(nèi)外研究現(xiàn)狀136
10.2.1問題研究136
10.2.2算法研究136
10.３基于球變異和動態(tài)約束處理的雙層PSO算法137
10.3.1雙層優(yōu)化模型137
10.3.2新提出的算法（BPSOQMDC）139
10.3.3球變異PSO140
10.3.4基于極點的種群初始化141
10.3.5基于二次近似的局部搜索142
10.3.6約束處理以及適應(yīng)度函數(shù)142
10.3.7RBF指導下的下層搜索改進策略143
10.4實驗及結(jié)果分析144
10.4.1實驗及參數(shù)設(shè)置144
10.4.2結(jié)果及分析145
第11章基于遺傳算法的視頻服務(wù)器部署問題研究150
11.1問題背景150
11.2問題描述152
11.3雙層優(yōu)化模型建立及仿真153
11.3.1算法設(shè)計154
11.3.2實驗及總結(jié)161
第12章粒子群算法中慣性權(quán)重的分析163
12.1動態(tài)改變的慣性權(quán)重163
12.1.1動態(tài)改變慣性權(quán)重的提出163
12.1.2動態(tài)改變權(quán)重的粒子群（DPSO）算法流程164
12.1.3數(shù)值實驗164
12.2基于平滑函數(shù)和一維搜索的粒子群優(yōu)化算法165
12.2.1簡化的粒子群優(yōu)化算法165
12.2.2重新生成停止智能的粒子位置166
12.2.3算法流程（NPSO）167
12.2.4數(shù)值實驗167
參考文獻168