智能優(yōu)化的探索：開(kāi)發(fā)權(quán)衡理論與方法

編者的話
前言
第1章 緒論
1.1 智能優(yōu)化
1.2 智能優(yōu)化算法的基本原理
1.2.1 遺傳算法
1.2.2 差分進(jìn)化算法
1.2.3 粒子群優(yōu)化算法
1.2.4 分布估計(jì)算法
1.2.5 禁忌搜索算法
1.3 研究現(xiàn)狀
1.3.1 智能優(yōu)化的算法改進(jìn)研究
1.3.2 智能優(yōu)化算法的理論研究
1.3.3 智能優(yōu)化算法的應(yīng)用研究
1.4 共性核心問(wèn)題
1.4.1 探索與開(kāi)發(fā)的權(quán)衡
1.4.2 計(jì)算代價(jià)與求解質(zhì)量的權(quán)衡
1.5 本書的主要內(nèi)容與安排
第2章 搜索與優(yōu)化中的探索-開(kāi)發(fā)權(quán)衡問(wèn)題
2.1 探索與開(kāi)發(fā)的定義與權(quán)衡方式
2.2 探索-開(kāi)發(fā)權(quán)衡的多階段隨機(jī)壓縮模型
2.2.1 優(yōu)化難度刻畫與最優(yōu)壓縮定理
2.2.2 數(shù)值分析與比較
2.2.3 總結(jié)與討論
2.3 問(wèn)題優(yōu)化難度分析
2.3.1 研究歷史與現(xiàn)狀
2.3.2 欺騙性
2.3.3 多模態(tài)性
2.3.4 多漏斗性
2.4 小結(jié)
第3章 黑箱優(yōu)化中的探索-開(kāi)發(fā)權(quán)衡方法
3.1 基于互補(bǔ)變異算子的適應(yīng)性差分進(jìn)化算法
3.1.1 標(biāo)準(zhǔn)差分進(jìn)化算法
3.1.2 互補(bǔ)變異算子的分配策略
3.1.3 數(shù)值分析與比較
3.2 多樣性引導(dǎo)的聚散控制
3.2.1 集聚性與彌散性
3.2.2 基于種群分布熵的集聚彌散控制
3.2.3 基于分布熵的聚散控制算法
3.2.4 仿真實(shí)驗(yàn)
3.3 智能優(yōu)化算法的機(jī)制協(xié)調(diào)
3.3.1 母體算法
3.3.2 差分進(jìn)化與粒子群優(yōu)化的融合算法
3.3.3 融合策略的分類法
3.3.4 典型融合策略的實(shí)驗(yàn)比較
3.4 小結(jié)
第4章 動(dòng)態(tài)武器目標(biāo)分配的智能優(yōu)化
4.1 DWTA模型
4.1.1 目標(biāo)函數(shù)
4.1.2 約束
4.1.3 優(yōu)化模型
4.1.4 DWTA的測(cè)試算例生成
4.2 DWTA快速?zèng)Q策的構(gòu)造性啟發(fā)式算法
4.2.1 約束處理方法
4.2.2 處理流程
4.2.3 計(jì)算復(fù)雜性
4.3 DWTA的搜索算法一:禁忌搜索
4.3.1 虛擬排列編碼與可行解的生成
4.3.2 禁忌搜索算法的操作與步驟
4.3.3 算法參數(shù)設(shè)置
4.3.4 DWTA計(jì)算實(shí)驗(yàn)
4.4 DWTA的搜索算法二:分布估計(jì)算法
4.4.1 二進(jìn)制編碼型EDA
4.4.2 虛擬排列編碼型EDA
4.4.3 非融合型EDA算法的性能比較
4.4.4 基于虛擬排列編碼和構(gòu)造性方法的融合型分布估計(jì)算法
4.5 DWTA算法的綜合比較
4.5.1 基本測(cè)試
4.5.2 算法可擴(kuò)展性測(cè)試
4.6 小結(jié)
第5章 移動(dòng)智能體曲率約束路徑規(guī)劃的智能優(yōu)化
5.1 DTSPN模型
5.2 區(qū)域邊界雙層次采樣的模型變換方法
5.3 DTSPN的直接搜索算法一:采用完整編碼的遺傳算法
5.4 DTSPN的直接搜索算法二:采用完整編碼的差分進(jìn)化算法
5.5 基于終端朝向松弛的部分編碼差分進(jìn)化算法
5.6 基于終端朝向松弛的融合型差分進(jìn)化算法
5.7 不同DTSPN求解算法的實(shí)驗(yàn)比較
5.7.1 計(jì)算實(shí)驗(yàn)一:典型DTSPN算例
5.7.2 計(jì)算實(shí)驗(yàn)二:一般性對(duì)比測(cè)試
5.8 小結(jié)
參考文獻(xiàn)
附錄A 平移向量和旋轉(zhuǎn)矩陣的生成方法
附錄B 輪盤賭選擇的實(shí)現(xiàn)方式
附錄C Noon-Bean變換的Matlab代碼
附錄D 定理5.1、5.2、5.5、5.6的證明
附錄E 不同情形的邊緣路徑