●前言
第1章緒論1
1.1優化問題的數學模型4
1.2進化算法概述4
1.2.1進化算法的產生和發展5
1.2.2進化算法的基本步驟6
1.2.3進化算法的特點7
1.3經典進化算法8
1.3.1粒子群優化算法8
1.3.2差分進化算法8
1.3.3人工蜂群算法9
第2章基於復雜適應度函數的進化算法11
2.1Hoeffding進化算法14
2.1.1研究背景14
2.1.2算法描述及分析15
2.1.3實驗結果及討論21
2.2多生命周期進化算法32
2.2.1研究背景32
2.2.2算法描述及分析32
2.2.3實驗結果及討論37
2.3混齡遺傳規劃算法42
2.3.1研究背景42
2.3.2算法描述及分析43
2.3.3實驗結果及討論47
第3章化學反應優化算法53
3.1引言53
3.1.1化學反應優化算法概述53
3.1.2化學反應優化算法研究現狀56
3.2基於分解的多目標化學反應優化算法57
3.2.1算法描述及分析57
3.2.2實驗結果及討論63
3.3基於自組織映射的混合化學反應優化算法67
3.3.1算法描述67
3.3.2實驗結果及討論75
第4章人工內分泌繫統模型95
4.1生物內分泌繫統95
4.1.1內分泌繫統的組成95
4.1.2激素間的作用方式96
4.2人工內分泌繫統的研究進展96
4.2.1人工內分泌繫統的理論模型96
4.2.2AES與其他自然計算方法的結合98
4.2.3AES的應用研究99
4.3LAES模型設計與分析100
4.3.1模型設計100
4.3.2模型分析106
第5章反向學習策略110
5.1引言110
5.2基於當前很優解的反向學習策略及算法112
5.2.1反向差分進化算法112
5.2.2基於當前很優解的反向學習策略及反向差分進化算法描述114
5.2.3實驗結果及討論118
5.3反向學習策略的評估方法143
5.3.1方法描述143
5.3.2計算實例144
5.3.3仿真驗證150
第6章工程應用實例152
6.1Hoeffding進化算法在視覺跟蹤中的應用152
6.1.1問題描述152
6.1.2算法描述158
6.1.3實驗結果及討論159
6.2化學反應優化算法在車輛路徑問題中的應用169
6.2.1問題描述169
6.2.2算法描述172
6.2.3實驗結果及討論180
6.3人工內分泌繫統模型在群體機器人繫統中的應用187
6.3.1算法描述187
6.3.2實驗結果及討論189
參考文獻192
附錄205
附錄A十種算法所獲得的Pareto很優前沿205
附錄B常用測試函數215