最优化理论与智能算法

\第1章绪论1
1.1引言1
1.2智能算法的现状1
1.3智能算法的研究发展5
1.4约束单目标优化问题及其智能算法6
1.5多目标优化问题及其智能算法7
1.6本书的主要工作与内容安排9
第2章智能算法与粒子群优化算法的基本理论12
2.1智能算法的框架及基础理论12
2.1.1智能算法的基本框架12
2.1.2智能算法的基础理论16
2.2粒子群优化算法简介17
2.2.1基本粒子群算法框架17
2.2.2粒子群算法与其他智能算法的比较19
2.2.3两种基本智能模型19
2.2.4粒子群算法的改进20
第3章解决约束单目标优化问题的两种粒子群算法23
3.1相关工作23
3.1.1问题表述23
3.1.2智能算法在约束优化问题中的研究现状24
3.2解决约束优化问题的双目标粒子群优化算法26
3.2.1模型的建立26
3.2.2基于偏好的粒子比较准则26
3.2.3改进的多父体单形杂交算子27
3.2.4双目标粒子群优化（TPSO）算法的流程27
3.2.5数值模拟28〖1〗〖2〗*优化理论与智能算法目录3.3解决约束优化问题的模糊粒子群算法30
3.3.1模糊个体极值和模糊全局极值的提出30
3.3.2基于阈值的粒子比较准则31
3.3.3模糊粒子群（FPSO）算法的流程33
3.3.4数值模拟33
3.3.5收敛性分析36
第4章解决无约束多目标优化问题的几种智能算法39
4.1相关工作39
4.1.1问题表述39
4.1.2智能算法在多目标优化问题中的研究现状40
4.2基于粒子群优化的多目标Memetic算法43
4.2.1多目标优化模型的转化43
4.2.2基于新模型的粒子比较准则44
4.2.3局部搜索算子的引进45
4.2.4全局极值的选取45
4.2.5基于粒子群优化的多目标Memetic算法（PSMA）流程46
4.2.6实例仿真与性能比较46
4.3解决多目标优化问题的模糊粒子群算法50
4.3.1多目标模糊个体极值和模糊全局极值的提出50
4.3.2多目标模糊粒子群算法流程50
4.3.3实例仿真与性能比较51
4.4基于新模型的多目标Memetic算法56
4.4.1多目标优化模型的转化56
4.4.2一种新的选择策略56
4.4.3新的接收准则57
4.4.4基于新模型的多目标Memetic算法概述57
4.4.5实例仿真与性能比较58
4.5收敛性分析61
第5章解决多目标约束优化问题的两种粒子群算法64
5.1解决多目标约束优化问题的混合粒子群算法64
5.1.1粒子保留准则65
5.1.2一种新的拥挤距离函数65
5.1.3基于合力的变异算子66
5.1.4混合粒子群算法流程67
5.1.5实例仿真与性能比较68
5.2基于不可行精英保留策略的粒子群优化算法73
5.2.1不可行精英保留策略的提出74
5.2.2新的拥挤距离函数74
5.2.3新的变异算子76
5.2.4基于不可行精英保留策略的粒子群优化算法（IPSO）76
5.2.5实例仿真与性能比较77
5.3收敛性分析81
第6章一种新的基于非线性扩展关系的多目标智能优化算法83
6.1选题背景和意义83
6.2国内外研究现状84
6.3解集的评价指标85
6.4新算法的提出86
6.4.1一种新的非线性扩展优势关系87
6.4.2算法框架87
6.5实验性的结果与分析88
6.5.1测试函数和性能指标88
6.5.2遗传算子及参数设置89
6.5.3相关算法89
6.5.4实验结果89
第7章基于世代距离指标和改进小生境方法的进化算法96
7.1引言96
7.2新提出的算法GDMAOEA97
7.2.1算法框架97
7.2.2选择框架98
7.2.3计算个体的邻近距离98
7.2.4改进的小生境方法对解重新分层101
7.3数值实验结果及分析103
7.3.1参数设置103
7.3.2实验结果及分析104
第8章基于非支配排序和改进小生境的进化算法110
8.1引言110
8.2新的约束处理机制MCCHT110
8.3新提出的算法MCMOEA111
8.3.1约束排序111
8.3.2全局选择113
8.3.3可行性计算113
8.3.4改进的小生境方法114
8.4数值实验结果及分析117
8.4.1实验设置117
8.4.2实验结果和分析118
第9章基于协同进化框架和两阶段进化的进化算法124
9.1引言124
9.2提出的算法TSCoEA126
9.2.1算法框架126
9.2.2新的小生境方法127
9.2.3全局选择128
9.2.4选择父代130
9.3数值实验结果及分析130
9.3.1实验设置131
9.3.2实验结果和分析131
第10章双层优化问题的智能算法求解135
10.1引言135
10.2国内外研究现状136
10.2.1问题研究136
10.2.2算法研究136
10.３基于球变异和动态约束处理的双层PSO算法137
10.3.1双层优化模型137
10.3.2新提出的算法（BPSOQMDC）139
10.3.3球变异PSO140
10.3.4基于极点的种群初始化141
10.3.5基于二次近似的局部搜索142
10.3.6约束处理以及适应度函数142
10.3.7RBF指导下的下层搜索改进策略143
10.4实验及结果分析144
10.4.1实验及参数设置144
10.4.2结果及分析145
第11章基于遗传算法的视频服务器部署问题研究150
11.1问题背景150
11.2问题描述152
11.3双层优化模型建立及仿真153
11.3.1算法设计154
11.3.2实验及总结161
第12章粒子群算法中惯性权重的分析163
12.1动态改变的惯性权重163
12.1.1动态改变惯性权重的提出163
12.1.2动态改变权重的粒子群（DPSO）算法流程164
12.1.3数值实验164
12.2基于平滑函数和一维搜索的粒子群优化算法165
12.2.1简化的粒子群优化算法165
12.2.2重新生成停止智能的粒子位置166
12.2.3算法流程（NPSO）167
12.2.4数值实验167
参考文献168