智能优化方法PDF|Epub|txt|kindle电子书版本网盘下载

智能优化方法PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章　智能优化方法的产生与发展1

1.1　最优化的重要意义1

1.2　传统优化方法的基本步骤及其局限性2

1.3　智能优化方法的产生与发展4

1.4　怎样学习研究智能优化方法7

问题与思考9

参考文献9

第2章　伪随机数的产生11

2.1　伪随机数在智能优化方法中的作用11

2.2　产生0-1均匀分布伪随机数的乘同余法12

2.3　产生正态分布伪随机数的方法15

2.4　产生其他分布的伪随机数的逆变法16

问题与思考18

参考文献19

第3章　遗传算法20

3.1 导言20

3.1.1　生物的进化20

3.1.2　生物的遗传和变异21

3.2　遗传算法的基本原理21

3.2.1　基本思想21

3.2.2　构成要素22

3.2.3　算法流程23

3.2.4　解空间与编码空间的转换28

3.2.5　计算举例29

3.3　模板理论32

3.3.1　模板的概念33

3.3.2　模板理论34

3.4　改进与变形36

3.4.1　编码方法37

3.4.2　遗传运算中的问题38

3.4.3　适值函数的标定44

3.4.4　选择策略48

3.4.5　停止准则50

3.4.6　高级基因操作50

3.4.7　约束的处理53

3.4.8　多目标的处理54

3.5　应用实例55

3.5.1　背包问题56

3.5.2　最小生成树问题59

3.5.3　二次指派问题62

3.5.4　企业动态联盟中的伙伴挑选问题63

3.5.5　准时化生产计划的半无限规划模型71

问题与思考76

参考文献77

第4章　禁忌搜索算法81

4.1　导言81

4.1.1　局部邻域搜索81

4.1.2　禁忌搜索算法的基本思想82

4.2　算法的构成要素84

4.2.1 编码方法84

4.2.2　适值函数的构造85

4.2.3　初始解的获得86

4.2.4　移动与邻域移动86

4.2.5　禁忌表87

4.2.6　选择策略88

4.2.7　渴望水平89

4.2.8　停止准则91

4.3　算法流程与算例91

4.3.1　基本步骤91

4.3.2　流程图92

4.3.3　一个简单的例子94

4.4　中期表与长期表97

4.4.1　中期表97

4.4.2　长期表99

4.5　算法性能的改进100

4.5.1　并行禁忌搜索算法100

4.5.2　主动禁忌搜索算法102

4.5.3　禁忌搜索算法与遗传算法混合的搜索策略106

4.5.4　其他改进方法110

4.6　禁忌搜索算法的应用113

4.6.1　应用于实优化问题113

4.6.2　应用于多目标优化问题118

4.6.3 电子超市网站链接设计中的应用124

4.6.4　多盘刹车设计中的应用130

问题与思考132

参考文献132

第5章　模拟退火算法136

5.1 导言136

5.1.1　热力学中的退火过程136

5.1.2　退火与模拟退火137

5.2　退火过程的数学描述和Boltzmann方程138

5.3　模拟退火算法的构造及流程142

5.3.1　算法的要素构成142

5.3.2　算法的计算步骤和流程图144

5.3.3　一个简单的算例145

5.4　算法的收敛性分析148

5.4.1　Markov过程148

5.4.2　SA的收敛性分析155

5.5　应用案例157

5.5.1　成组技术中加工中心的组成问题157

5.5.2　准时化生产计划问题159

问题与思考164

参考文献164

第6章　蚁群算法166

6.1 导言166

6.1.1　蚁群觅食的特性167

6.1.2　人工蚂蚁与真实蚂蚁的异同168

6.1.3　蚁群算法的研究进展168

6.2　基本蚁群算法169

6.2.1　基本蚁群算法的原理169

6.2.2　基本蚁群算法的数学模型171

6.2.3　基本蚁群算法的具体实现173

6.2.4　基本蚁群算法的复杂度分析174

6.2.5　参数选择对蚁群算法性能的影响177

6.3　改进的蚁群算法178

6.3.1　蚁群算法的收敛性研究179

6.3.2　离散域蚁群算法的改进研究180

6.3.3　连续域蚁群算法的改进研究184

6.4　蚁群算法与其他仿生优化算法的比较与融合193

6.4.1　蚁群算法与其他仿生优化算法的比较193

6.4.2　蚁群算法与其他仿生优化算法的融合194

6.5　蚁群算法的典型应用198

6.5.1　车辆路径问题199

6.5.2　车间作业调度问题205

问题与思考213

参考文献214

第7章　粒子群优化算法217

7.1　导言217

7.2　基本原理218

7.2.1　基本粒子群优化算法218

7.2.2　标准粒子群优化算法221

7.2.3　算法构成要素221

7.2.4　计算举例223

7.3　PSO的改进与变形226

7.3.1　惯性权重226

7.3.2　邻域拓扑结构228

7.3.3　学习因子231

7.3.4　带有收缩因子的粒子群优化算法232

7.3.5　离散版本的粒子群优化算法233

7.3.6　基于遗传策略和梯度信息的几种改进算法236

7.3.7　约束的处理239

7.3.8　多目标的处理241

7.4　应用实例242

7.4.1　网络广告资源优化242

7.4.2　新产品组合投入问题248

问题与思考253

参考文献253

第8章　捕食搜索算法258

8.1　导言258

8.2　基本原理260

8.2.1　捕食搜索算法的基本思想260

8.2.2　算法的实现261

8.2.3　捕食搜索算法的应用条件264

8.2.4　计算举例265

8.3　改进与变形268

8.3.1　TSP巡游路线之间的距离269

8.3.2　算法步骤269

8.3.3　限制的计算269

8.3.4　参数的设置270

8.4　应用实例270

8.4.1 电子商务中物流配送路径优化的问题描述与模型270

8.4.2　模型求解的捕食搜索算法272

8.4.3　仿真结果与比较分析274

问题与思考276

参考文献277

第9章　动态进化算法279

9.1 导言279

9.2　动态环境的特征280

9.3　动态测试问题282

9.3.1　动态位匹配问题282

9.3.2　移动抛物线283

9.3.3　时变背包问题283

9.3.4　移动峰函数284

9.3.5　调度问题285

9.3.6　振荡峰函数286

9.4　性能评估方法286

9.5　探测环境中的变化287

9.6　原对偶遗传算法288

9.6.1　原对偶映射288

9.6.2　相关研究综述289

9.6.3　PDGA算法的框架结构291

9.6.4　PDGA中相关参数的讨论292

9.6.5　PDGA与DGA295

9.6.6　PDGA的应用296

问题与思考303

参考文献303

结束语307

参考文献309