進(jìn)化算法的設(shè)計(jì)與應(yīng)用研究

1 在進(jìn)化算法中如何設(shè)置參數(shù)的值
1.1 引言
1.2 如何改變參數(shù)
1.2.1 改變變異規(guī)模
1.2.2 改變懲罰系數(shù)
1.2.3 總結(jié)
1.3 進(jìn)化算法參數(shù)控制技術(shù)分類
1.3.1 改變算法的成分或參數(shù)
1.3.2 改變參數(shù)值的方法
1.3.3 決定改變參數(shù)值的依據(jù)
1.3.4 改變的范圍
1.3.5 總結(jié)
1.4 改變進(jìn)化算法參數(shù)的案例
1.4.1 表達(dá)式
1.4.2 適應(yīng)度函數(shù)
1.4.3 變異
1.4.4 交叉
1.4.5 選擇
1.4.6 種群
1.4.7 同時(shí)改變幾個(gè)參數(shù)
1.5 討論
2 進(jìn)化算法中的約束處理
2.1 引言
2.2 約束問(wèn)題
2.2.1 無(wú)約束的優(yōu)化問(wèn)題
2.2.2 約束滿足問(wèn)題
2.2.3 受約束的優(yōu)化問(wèn)題
2.3 約束處理的種類
2.4 約束處理的途徑
2.4.1 懲罰函數(shù)
2.4.2 糾正函數(shù)
2.4.3 限制搜尋在可行域內(nèi)
2.4.4 解碼器函數(shù)
2.5 應(yīng)用實(shí)例
2.5.1 間接解決方法
2.5.2 直接解決方法
3 設(shè)計(jì)并行分布估計(jì)算法指導(dǎo)
3.1 引言
3.2 并行分布估計(jì)算法的方法
3.2.1 分布式適應(yīng)度評(píng)價(jià)
3.2.2 構(gòu)建分布式模型
3.3 混合貝葉斯優(yōu)化算法
3.4 復(fù)雜性分析
3.4.1 選擇算子的復(fù)雜性
3.4.2 構(gòu)造模型的復(fù)雜性
3.4.3 模型取樣的復(fù)雜性
3.4.4 替換算子的復(fù)雜性
3.4.5 適應(yīng)度評(píng)價(jià)的復(fù)雜性
3.5 可擴(kuò)展性分析
3.5.1 處理器數(shù)為固定時(shí)的可擴(kuò)展性
3.5.2 處理器數(shù)增加時(shí)可擴(kuò)展性如何變化
4 基于最大熵原理設(shè)計(jì)一類新的分布估計(jì)算法
4.1 引言
4.2 熵、模式
4.2.1 熵
4.2.2 在子集條件約束下的最大熵
4.2.3 模式
4.2.4 最大熵分布和模式約束
4.3 算法的基本思路
4.4 分布估計(jì)和取樣
4.5 新算法
4.5.1 一階模式算法
4.5.2 二階模式算法
4.6 實(shí)驗(yàn)結(jié)果
4.7 結(jié)論
5 基于種群遞增學(xué)習(xí)算法的癌癥化療優(yōu)化技術(shù)
5.1 引言
5.2 癌癥化學(xué)療法的優(yōu)化問(wèn)題
5.2.1 化學(xué)療法的醫(yī)學(xué)處理
5.2.2 癌癥化療模型
5.3 GA和PBIL解決方案
5.3.1 問(wèn)題的編碼
5.3.2 遺傳算法
5.3.3 基于種群遞增學(xué)習(xí)算法
5.4 實(shí)驗(yàn)結(jié)果
5.4.1 算法有效性比較
5.4.2 化療治療效果比較
5.5 結(jié)論
6 應(yīng)用分布估計(jì)算法和遺傳算法優(yōu)化動(dòng)態(tài)價(jià)格問(wèn)題
6.1 引言
6.2 通過(guò)動(dòng)態(tài)價(jià)格途徑提高資源管理
6.3 動(dòng)態(tài)價(jià)格模型
6.4 動(dòng)態(tài)價(jià)格的進(jìn)化算法解決方案
6.4.1 進(jìn)化算法解的表達(dá)式
6.4.2 進(jìn)化算法
6.5 實(shí)驗(yàn)及結(jié)果
6.5.1 算法參數(shù)化
6.5.2 結(jié)果
6.5.3 結(jié)果分析
6.6 結(jié)論