●章緒論 1.1背景及意義 1.1.1背景 1.1.2動機 1.2智能優化方法 1.3知識導向的智能優化算法 1.3.1傳統人工智能引導的智能優化算法 1.3.2特定知識模型引導的智能優化算法 1.3.3具有雙層進化機制的文化算法 1.4章節結構 第2章學習型智能優化方法 2.1學習型智能優化相關理論 2.1.1知識 2.1.2知識模型 2.1.3遺傳算法 2.1.4蟻群算法 2.1.5學習型智能優化的基本框架 2.1.6學習型智能優化的運行機制 2.2學習型智能優化中的知識 2.2.1精英個體知識 2.2.2構件知識 2.2.3算子知識 2.2.4參數知識 2.3學習型智能優化算法的框架與流程 2.3.1求解函數優化問題的學習型遺傳算法框架與流程 2.3.2求解非對稱旅行商問題的學習型遺傳算法框架與 流程 2.3.3求解雙層CARP優化問題的學習型遺傳算法框架與 流程 2.3.4求解雙層CARP優化問題的學習型蟻群算法框架與 流程 2.3.5求解柔性作業車間調度問題的學習型蟻群算法框架與 流程 2.3.6求解柔性作業車間調度問題的學習型協同進化算法框架與 流程 2.3.7求解體繫仿真優化問題的學習型遺傳算法框架與 流程 2.3.8求解衛星地面站繫統任務調度的學習型蟻群算法框架與 流程 2.3.9求解多星任務規劃問題的學習型蟻群算法框架與 流程 2.4本章小結 第3章求解函數優化問題的學習型遺傳算法 3.1問題描述及特點分析 3.2求解過程 3.2.1種群初始化 3.2.2選擇操作 3.2.3交叉操作 3.2.4變異操作 3.2.5災變操作 3.2.6終止條件 3.3實驗結果及分析 3.3.1參數設置 3.3.2幾種典型的函數優化方法 3.3.3普通測試函數的實驗結果 3.3.4組合測試函數的實驗結果 3.4本章小結 第4章求解非對稱旅行商問題的學習型遺傳算法 4.1問題描述及特點分析 4.1.1旅行商問題描述 4.1.2旅行商問題的分類 4.1.3旅行商問題的應用和價值 4.1.4旅行商問題的計算復雜性 4.2求解過程 4.2.1種群初始化操作 4.2.2選擇操作 4.2.3交叉操作 4.2.4變異操作 4.2.5種群替換操作 4.2.6局部優化操作 4.2.7終止條件 4.3實驗結果及分析 4.4本章小結 第5章求解雙層CARP優化問題的學習型遺傳算法和學習型蟻群 算法 5.1問題描述及特點分析 5.1.1雙層CARP優化問題的相關術語 5.1.2雙層CARP優化問題的數學模型 5.1.3雙層CARP優化問題的簡單實例 5.1.4雙層CARP優化問題的特點 5.2求解框架 5.2.1雙層CARP優化問題的求解框架 5.2.2宏觀配置優化方法 5.2.3擴展啟發式方法ERPS 5.2.4擴展啟發式方法ERUH 5.3求解過程 5.3.1學習型遺傳算法求解過程 5.3.2學習型蟻群算法求解過程 5.4學習型遺傳算法的實驗結果及分析 5.4.1實驗設計和參數設置 5.4.2LEGA1和LEGA2的比較實驗 5.4.3LEGA2和LEGA3的比較實驗 5.4.4ERPS和LEGA3的比較實驗 5.4.5ERUH和LEGA3的比較實驗 5.4.6不同方法的優化曲線 5.5學習型蟻群算法的實驗結果及分析 5.5.1實驗設計和參數設置 5.5.2ERPS和LEACO的實驗結果 5.5.3ERUH和LEACO的實驗結果 5.5.4LEGA和LEACO的實驗結果 5.6本章小結 第6章求解柔性作業車間調度問題的學習型蟻群算法和學習型協同 進化算法 6.1問題描述及特點分析 6.1.1柔性作業車間調度問題的描述 6.1.2柔性作業車間調度問題的分類 6.1.3柔性作業車間調度問題的特點 6.1.4柔性作業車間調度問題的求解過程 6.2求解過程 6.2.1學習型蟻群算法求解過程 6.2.2學習型協同進化算法求解過程 6.3學習型蟻群算法的實驗結果及分析 6.4學習型協同進化算法的實驗結果及分析 6.5本章小結 第7章求解體繫仿真優化問題的學習型遺傳算法 7.1問題描述 7.1.1體繫實例 7.1.2數學模型 7.2求解過程 7.2.1分層優化方法 7.2.2學習型遺傳算法步驟 7.3實驗結果及分析 7.4本章小結 第8章求解衛星地面站繫統任務調度的學習型蟻群算法 8.1問題描述 8.2求解過程 8.2.1信息素的定義和初始化 8.2.2可行解的構造 8.2.3導向局部搜索方法 8.2.4信息素的更新 8.2.5終止準則 8.3實驗結果及分析 8.4本章小結 第9章求解多星任務規劃問題的學習型蟻群算法 9.1問題描述 9.1.1多星任務規劃的基本輸入要素 9.1.2多星任務規劃的基本約束條件 9.1.3多星任務規劃的基本輸出要素 9.1.4多星任務規劃的基本假設 9.1.5多星任務規劃問題分析 9.2問題建模 9.2.1數學符號 9.任務 9.2.3合成任務 9.2.4收益函數構造 9.2.5多星任務規劃模型 9.3求解過程 9.3.1知識初始化 9.3.2任務指派 9.3.3任務合成 9.3.4調度改進 9.3.5知識學習 9.3.6終止準則 9.4實驗結果及分析 9.4.1測試實例的構造 9.4.2實驗結果及分析 9.5本章小結 0章總結與展望 10.1主要成果 10.2研究展望 參考文獻 索引 附錄A函數優化問題的一些普通測試函數 附錄B函數優化問題的一些組合測試函數 附錄C雙層CARP優化問題的測試實例 附錄D雙層CARP優化問題的最優下限估計方法 D.1服務成本的最優下限估計 D.2空車成本的最優下限估計 D.3倉庫構建成本的最優下限估計 D.4車輛購置成本的最優下限估計 附錄E英漢排序與調度詞彙
內容簡介
本書在現有智能優化方法的基礎上，探索學習型智能優化方法的基本框架。書中采用智能優化模型和知識模型相結合的集成建模思路，總結了精英個體知識、構件知識、算子知識和參數知識4種知識形式，構建了用於實現學習型智能優化方法的8類典型知識，以此輔助學習型智能優化方法高效地求解復雜優化問題。針對連續優化問題、離散優化問題（非對稱旅行商問題、雙層CARP優化問題、柔性作業車間調度問題）和實際工程問題（體繫仿真優化問題、衛星地面站繫統任務調度問題、多星任務規劃問題），分別設計了若干種學習型智能優化算法，並對優化結果進行了分析和解釋。 本書主要面向在運籌學領域研究智能優化方法的企業、高校與科研院所的研究人員，幫助讀者了解學習型智能優化算法的基本原理與框架流程，提高讀者對學習型智能優化算法的實踐與應用能力，促進學習型智能優化算法的發展與完善。
最優化技術在科學和工程等領域都有非常廣泛的應用，理論界和工程界都對其進行了熱切關注和深入研究。優化理論與算法的研究已成為一個具有理論意義和應用價值的熱點課題。智能優化方法模仿自然現像的運行機制而產生，為解決復雜工程問題提供了新思路和新手段。最優化理論領域的“無免費午餐”定理說明算法混合是有效提高優化性能的一種手段，將各種算法有效地集成起來構成新的高效的優化方法是一個非常有價值的研究方向。 在現有智能優化方法的基礎上，本書建立了學習型智能優化方法的基本框架。該框架采用智能優化模型和知識模型相結合的集成建模思路： 智能優化模型按照“鄰域搜索”策略對優化問題的可行空間進行搜索； 知識模型從前期優化過程中挖掘有用知識，然後采用知識來指導智能優化模型的後續優化過程。構建學習型智能優化的基本框架，可以將智能優化模型和知識模型有效地結合起來，極大地提高了學習型智能優化方法的優化效果。學習型智能優化方法......
"
