智能优化的探索：开发权衡理论与方法

智能优化的探索：开发权衡理论与方法
出版时间：2013年版
内容简介
　　智能优化方法是解决复杂优化问题，尤其是复杂系统中产生的各种困难优化问题的有效方法。智能优化方法采用启发方式实现问题的优化求解，具有不依赖于梯度、对优化问题的性质几乎没有要求、适用范围广、适于处理问题的动态变化、易于并行实现等优点。本书介绍了作者在这一研究领域中的最新研究成果，即对智能优化方法的一个本质性的共性问题探索‐开发权衡进行的深入研究与分析；介绍了作者针对此问题研究而提出的“最优压缩定理”，并从黑箱优化和灰箱优化两个角度介绍了如何结合具体问题的特点实现智能优化方法的探索‐开发权衡，从而实现优化问题的高效求解。本书可作为信息类以及运筹学等相关专业的科研工作者、工程技术人员、高等院校教师和研究生的参考书或教科书。
目录
编者的话
前言
第1章 绪论
1.1 智能优化
1.2 智能优化算法的基本原理
1.2.1 遗传算法
1.2.2 差分进化算法
1.2.3 粒子群优化算法
1.2.4 分布估计算法
1.2.5 禁忌搜索算法
1.3 研究现状
1.3.1 智能优化的算法改进研究
1.3.2 智能优化算法的理论研究
1.3.3 智能优化算法的应用研究
1.4 共性核心问题
1.4.1 探索与开发的权衡
1.4.2 计算代价与求解质量的权衡
1.5 本书的主要内容与安排
第2章 搜索与优化中的探索-开发权衡问题
2.1 探索与开发的定义与权衡方式
2.2 探索-开发权衡的多阶段随机压缩模型
2.2.1 优化难度刻画与最优压缩定理
2.2.2 数值分析与比较
2.2.3 总结与讨论
2.3 问题优化难度分析
2.3.1 研究历史与现状
2.3.2 欺骗性
2.3.3 多模态性
2.3.4 多漏斗性
2.4 小结
第3章 黑箱优化中的探索-开发权衡方法
3.1 基于互补变异算子的适应性差分进化算法
3.1.1 标准差分进化算法
3.1.2 互补变异算子的分配策略
3.1.3 数值分析与比较
3.2 多样性引导的聚散控制
3.2.1 集聚性与弥散性
3.2.2 基于种群分布熵的集聚弥散控制
3.2.3 基于分布熵的聚散控制算法
3.2.4 仿真实验
3.3 智能优化算法的机制协调
3.3.1 母体算法
3.3.2 差分进化与粒子群优化的融合算法
3.3.3 融合策略的分类法
3.3.4 典型融合策略的实验比较
3.4 小结
第4章 动态武器目标分配的智能优化
4.1 DWTA模型
4.1.1 目标函数
4.1.2 约束
4.1.3 优化模型
4.1.4 DWTA的测试算例生成
4.2 DWTA快速决策的构造性启发式算法
4.2.1 约束处理方法
4.2.2 处理流程
4.2.3 计算复杂性
4.3 DWTA的搜索算法一:禁忌搜索
4.3.1 虚拟排列编码与可行解的生成
4.3.2 禁忌搜索算法的操作与步骤
4.3.3 算法参数设置
4.3.4 DWTA计算实验
4.4 DWTA的搜索算法二:分布估计算法
4.4.1 二进制编码型EDA
4.4.2 虚拟排列编码型EDA
4.4.3 非融合型EDA算法的性能比较
4.4.4 基于虚拟排列编码和构造性方法的融合型分布估计算法
4.5 DWTA算法的综合比较
4.5.1 基本测试
4.5.2 算法可扩展性测试
4.6 小结
第5章 移动智能体曲率约束路径规划的智能优化
5.1 DTSPN模型
5.2 区域边界双层次采样的模型变换方法
5.3 DTSPN的直接搜索算法一:采用完整编码的遗传算法
5.4 DTSPN的直接搜索算法二:采用完整编码的差分进化算法
5.5 基于终端朝向松弛的部分编码差分进化算法
5.6 基于终端朝向松弛的融合型差分进化算法
5.7 不同DTSPN求解算法的实验比较
5.7.1 计算实验一:典型DTSPN算例
5.7.2 计算实验二:一般性对比测试
5.8 小结
参考文献
附录A 平移向量和旋转矩阵的生成方法
附录B 轮盘赌选择的实现方式
附录C Noon-Bean变换的Matlab代码
附录D 定理5.1、5.2、5.5、5.6的证明
附录E 不同情形的边缘路径