自然計算

第1章 緒論
1.1 自然計算的概念與主要研究分支
1.2 自然啟發(fā)的計算
1.3 本書的緣起與組織結(jié)構(gòu)
第2章 遺傳算法及其改進(jìn)
2.1 遺傳算法概述
2.1.1 遺傳算法的發(fā)展歷史
2.1.2 遺傳算法的基本原理
2.1.3 遺傳算法的求解步驟
2.1.4 遺傳算法的基本特點
2.2 自學(xué)習(xí)遺傳算法
2.2.1 自學(xué)習(xí)遺傳算法的描述
2.2.2 自學(xué)習(xí)遺傳算法的理論分析
2.3 基于Metropolis判別準(zhǔn)則的遺傳算法
2.3.1 Metropolis判別準(zhǔn)則的內(nèi)涵
2.3.2 基于Metropolis判別準(zhǔn)則的復(fù)制算子
2.3.3 基于Metrop01is判別準(zhǔn)則的遺傳算法的理論分析
2.4 兩級遞階遺傳算法
2.4.1 兩級遞階遺傳算法的描述
2.4.2 兩級遞階遺傳算法的理論分析
2.5 三種算法在函數(shù)優(yōu)化中的應(yīng)用
2.6 小結(jié)
參考文獻(xiàn)
第3章 非線性遺傳算法
3.1 非線性遺傳算法抽象模型
3.1.1 標(biāo)準(zhǔn)遺傳算子分析
3.1.2 基于函數(shù)族形式的非線性遺傳算法抽象模型
3.1.3 基于抽象模型的理論分析
3.2 基于規(guī)范化操作的十進(jìn)制非線性遺傳算法研究
3.2.1 基于規(guī)范化操作的十進(jìn)制非線性遺傳算法框架
3.2.2 基于規(guī)范化操作的十進(jìn)制非線性遺傳算法效率及收斂性分析·
3.2.3 自適應(yīng)非線性遺傳算法
3.2.4 自調(diào)整非線性遺傳算法
3.2.5 基于規(guī)范化操作的十進(jìn)制非線性遺傳算法模式定理分析
3.3 其他形式的實數(shù)非線性遺傳算法
3.3.1 標(biāo)準(zhǔn)遺傳算法分析
3.3.2 動態(tài)雙圓形非線性遺傳算法[9]
3.4 二進(jìn)制非線性遺傳算法
3.4.1 距離空間的定義及其性質(zhì)
3.4.2 基于距離空間的標(biāo)準(zhǔn)遺傳算子討論
3.4.3 基于代數(shù)雜交算子的二進(jìn)制非線性遺傳算法[4]
3.4.4 基于模式考慮的二進(jìn)制非線性遺傳算法[15]
3.5 小結(jié)
參考文獻(xiàn)
第4章 遺傳算法在生產(chǎn)調(diào)度問題中的應(yīng)用
4.1 基于主動調(diào)度編碼的遺傳調(diào)度算法“
4.1.1 車間作業(yè)調(diào)度問題
4.1.2 基于主動調(diào)度的遺傳算法的描述
4.1.3 實例仿真和分析
4.2 多個體交叉遺傳調(diào)度算法
4.2.1 常見遺傳調(diào)度算法的分析
4.2.2 多個體交叉遺傳算法的描述
4.2.3 實例仿真和分析
4.3 分部遺傳調(diào)度算法
4.3.1 柔性車間作業(yè)調(diào)度問題
4.3.2 分部遺傳算法的描述
4.3.3 實例仿真和分析
4.4 小結(jié)
參考文獻(xiàn)
第5章 分布估計算法研究
5.1 引言
5.2 copula分布估計算法
5.2.1 copula分布估計算法的統(tǒng)一框架
5.2.2 copula分布估計算法的收斂性
5.3 阿基米德copula分布估計算法
5.3.1 阿基米德copula函數(shù)采樣算法
5.3.2 Gumbel copula分布估計算法
5.3.3 基于PMLE的阿基米德copula分布估計算法參數(shù)估計法
5.4 經(jīng)驗copula分布估計算法
5.4.1 多維經(jīng)驗copula函數(shù)的構(gòu)造方式
5.4.2 經(jīng)驗copula EDA算法步驟及復(fù)雜性分析
5.5 基于離散Quasi-copula的分布估計算法
5.5.1 離散Quasi.Copula基本概念
5.5.2 基于離散QuaSi.copula的概率模型
5.5.3 群體的產(chǎn)生
5.5.4 算法流程
5.5.5 實例仿真
5.6 優(yōu)良模式連接的分布估計算法
5.6.1 優(yōu)良模式連接的思想
5.6.2 模式矩陣的建立
5.6.3 分塊優(yōu)化過程
5.6.4 算法流程
5.6.5 實例仿真
5.7 基于Bayesian統(tǒng)計推斷的分布估計算法
5.7.1 BayesiaIl統(tǒng)計推斷理論
5.7.2 概率模型的建立
5.7.3 概率模型的更新
5.7.4 算法流程
5.7.5 實例仿真
5.8 基于序貫重點采樣粒子濾波的分布估計算法
5.8.1 序貫重點采樣粒子濾波
5.8.2 序貫重點采樣粒子濾波與分布估計算法
5.8.3 測試函數(shù)
5.8.4 仿真實驗
5.9 小結(jié)
參考文獻(xiàn)
第6章 思維進(jìn)化計算
6.1 基本思維進(jìn)化計算
6.1.1 研究背景
6.1.2 算法的基本原理及系統(tǒng)結(jié)構(gòu)
6.1.3 算法流程
6.2 基于遺傳算法與思維進(jìn)化計算的廣義進(jìn)化模型
6.2.1 廣義進(jìn)化模型的提出
6.2.2 GA與MEc內(nèi)在機制的比較分析
6.2 13 廣義進(jìn)化模型的構(gòu)成
6.3 基于思維進(jìn)化計算求解約束優(yōu)化問題
6.3.1 求解約束優(yōu)化問題的演化算法
6.3.2 約束優(yōu)化問題的描述
6.3.3 用于求解約束優(yōu)化問題的MEc算法設(shè)計
6.3.4 算法的收斂性分析
6.4 用于求解TsP的思維進(jìn)化計算模型
6.4.1 旅行商問題的描述
6.4.2 用于求解TsP的思維進(jìn)化算法
6.4.3 全局收斂性算法
6.5 求解Job.Shop調(diào)度問題的MEC算法
6.5.1 Job.Shop調(diào)度問題及其研究現(xiàn)狀
6.5.2 求解Job.shop調(diào)度問題的MEc
6.6 用于動態(tài)系統(tǒng)建模的思維進(jìn)化計算模型
6.6.1 動態(tài)系統(tǒng)建模問題及其研究現(xiàn)狀
6.6.2 用于動態(tài)系統(tǒng)建模的MEC方法
6.7 小結(jié)
參考文獻(xiàn)
第7章 社會情感算法
7.1 社會情感理論
7.1.1 理智前提下的情感
7.1.2 個人情緒和社會情感及其相互關(guān)系
7.1.3 情緒對行為的影響和對環(huán)境的反饋
7.2 社會情感優(yōu)化算法
7.2.1 算法介紹
7.2.2 社會情感優(yōu)化算法的優(yōu)勢
7.2.3 實驗結(jié)果
7.3 情感的隨機選擇策略
7.3.1 基于Levy分布的社會情感優(yōu)化算法
7.3.2 基于正態(tài)分布及柯西分布的社會情感優(yōu)化算法
7.4 基于情感計算的社會情感優(yōu)化算法
7.4.1 情緒變化模型
7.4.2 三維情緒空間
7.4.3 情緒變化矩陣
7.4.4 引入情緒變化模型的社會情感優(yōu)化算法
7.4.5 算法步驟
7.4.6 電力系統(tǒng)無功優(yōu)化的應(yīng)用
7.5 小結(jié)
參考文獻(xiàn)
第8章 微粒群算法
8.1 標(biāo)準(zhǔn)微粒群算法概述
8.1.1 基本概念及進(jìn)化方程
8.1.2 算法流程
8.1.3 社會行為分析
8.1.4 與其他進(jìn)化算法的比較
8.2 微粒群算法的研究現(xiàn)狀
8.3 廣義微粒群算法
8.4 微粒群算法的統(tǒng)一模型及分析
8.4.1 微粒群算法的統(tǒng)一模型[58]
8.4.2 基于統(tǒng)一描述模型的Ps0算法進(jìn)化行為分析
8.4.3 收斂性分析
8.5 帶控制器的微粒群算法
8.5.1 標(biāo)準(zhǔn)微粒群算法的控制理論分析
8.5.2 積分控制微粒群算法
8.5.3 PID控制微粒群算法
8.6 基于多樣性控制的自組織微粒群算法
8.6.1 自組織微粒群算法的提出
8.6.2 群體多樣性測度
8.6.3 多樣性參考輸入的確定
8.6.4 多樣性控制器的設(shè)計
8.6.5 自組織微粒群算法在約束布局優(yōu)化中的應(yīng)用
8.7 小結(jié)
參考文獻(xiàn)
第9章 微粒群算法在約束優(yōu)化問題中的應(yīng)用
9.1 約束處理方法
9.2 基于約束保持法的微粒群算法
9.2.1 基于一維搜索約束保持法的向量微粒群算法（ODcPvPs0）
9.2.2 基于多維搜索約束保持法的向量微粒群算法（MDcPVPsO）
9.2.3 仿真實驗結(jié)果對比
9.3 基于可行規(guī)則法的改進(jìn)微粒群算法
9.3.1 基于可行規(guī)則的改進(jìn)微粒群算法I（FRMPSO I）
9.3.2 基于可行規(guī)則的改進(jìn)微粒群算法II（FRMPSO II）
9.3.3 仿真實驗結(jié)果對比
9.4 改進(jìn)微粒群算法在機械約束優(yōu)化問題上的應(yīng)用
參考文獻(xiàn)
第10章 擬態(tài)物理學(xué)優(yōu)化算法
10.1 標(biāo)準(zhǔn)擬態(tài)物理學(xué)優(yōu)化算法
10.1.1 擬態(tài)物理學(xué)背景
10.1.2 擬態(tài)物理學(xué)方法到基于種群的優(yōu)化算法的映射
10.1.3 擬態(tài)物理學(xué)優(yōu)化算法框架
10.1.4 算法流程
10.1.5 AP0算法與EM、PSO算法的比較分析
10.1.6 作用力規(guī)則的選擇策略
10.1.7 質(zhì)量函數(shù)的選擇策略
10.2 擬態(tài)物理學(xué)優(yōu)化算法的擴展模型
10.2.1 一種擴展的擬態(tài)物理學(xué)優(yōu)化算法
10.2.2 向量擬態(tài)物理學(xué)優(yōu)化算法
10.2.3 混合一維搜索的向量擬態(tài)物理學(xué)優(yōu)化算法
10.2.4 混合多維搜索的向量擬態(tài)物理學(xué)優(yōu)化算法
10.3 無約束多目標(biāo)擬態(tài)物理學(xué)優(yōu)化算法
10.3.1 基于聚集函數(shù)法的多目標(biāo)擬態(tài)物理學(xué)優(yōu)化算法
10.3.2 基于虛擬力排序的多目標(biāo)擬態(tài)物理學(xué)優(yōu)化算法
10.3.3 基于序值的多目標(biāo)擬態(tài)物理學(xué)優(yōu)化算法
10.4 約束多目標(biāo)擬態(tài)物理學(xué)優(yōu)化算法研究
10.4.1 基于可行規(guī)則法的約束多目標(biāo)擬態(tài)物理學(xué)優(yōu)化算法研究
10.4.2 基于約束保持法的cMOAPO算法研究
10.5 小結(jié)
參考文獻(xiàn)
附錄A 典型測試函數(shù)
附錄B 常用的約束優(yōu)化測試函數(shù)