进化算法的设计与应用研究 英文版PDF|Epub|txt|kindle电子书版本网盘下载

进化算法的设计与应用研究 英文版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

1 在进化算法中如何设置参数的值1

1.1 引言1

1.2 如何改变参数4

1.2.1 改变变异规模4

1.2.2 改变惩罚系数6

1.2.3 总结9

1.3 进化算法参数控制技术分类10

1.3.1 改变算法的成分或参数10

1.3.2 改变参数值的方法11

1.3.3 决定改变参数值的依据13

1.3.4 改变的范围15

1.3.5 总结16

1.4 改变进化算法参数的案例17

1.4.1 表达式17

1.4.2 适应度函数18

1.4.3 变异20

1.4.4 交叉21

1.4.5 选择22

1.4.6 种群24

1.4.7 同时改变几个参数24

1.5 讨论27

2 进化算法中的约束处理28

2.1 引言28

2.2 约束问题28

2.2.1 无约束的优化问题29

2.2.2 约束满足问题30

2.2.3 受约束的优化问题31

2.3 约束处理的种类32

2.4 约束处理的途径33

2.4.1 惩罚函数36

2.4.2 纠正函数39

2.4.3 限制搜寻在可行域内41

2.4.4 解码器函数41

2.5 应用实例43

2.5.1 间接解决方法43

2.5.2 直接解决方法44

3 设计并行分布估计算法指导46

3.1 引言46

3.2 并行分布估计算法的方法47

3.2.1 分布式适应度评价47

3.2.2 构建分布式模型48

3.3 混合贝叶斯优化算法49

3.4 复杂性分析50

3.4.1 选择算子的复杂性50

3.4.2 构造模型的复杂性50

3.4.3 模型取样的复杂性52

3.4.4 替换算子的复杂性53

3.4.5 适应度评价的复杂性53

3.5 可扩展性分析54

3.5.1 处理器数为固定时的可扩展性55

3.5.2 处理器数增加时可扩展性如何变化56

4 基于最大熵原理设计一类新的分布估计算法57

4.1 引言57

4.2 熵、模式57

4.2.1 熵57

4.2.2 在子集条件约束下的最大熵59

4.2.3 模式59

4.2.4 最大熵分布和模式约束60

4.3 算法的基本思路60

4.4 分布估计和取样61

4.5 新算法65

4.5.1 一阶模式算法65

4.5.2 二阶模式算法65

4.6 实验结果67

4.7 结论69

5 基于种群递增学习算法的癌症化疗优化技术70

5.1 引言70

5.2 癌症化学疗法的优化问题70

5.2.1 化学疗法的医学处理71

5.2.2 癌症化疗模型71

5.3 GA和PBIL解决方案73

5.3.1 问题的编码74

5.3.2 遗传算法75

5.3.3 基于种群递增学习算法75

5.4 实验结果76

5.4.1 算法有效性比较77

5.4.2 化疗治疗效果比较78

5.5 结论79

6 应用分布估计算法和遗传算法优化动态价格问题80

6.1 引言80

6.2 通过动态价格途径提高资源管理81

6.3 动态价格模型83

6.4 动态价格的进化算法解决方案84

6.4.1 进化算法解的表达式85

6.4.2 进化算法86

6.5 实验及结果88

6.5.1 算法参数化88

6.5.2 结果89

6.5.3 结果分析91

6.6 结论93