最優化理論與智能算法
魏靜萱
買這商品的人也買了...
-
實用安全多方計算導論$474$450 -
金融中的機器學習$611$575 -
$454最優化導論, 4/e (An Introduction to Optimization, 4/e) -
邊緣計算：原理、技術與實踐$594$564 -
$806模型檢驗原理 -
精通機器學習算法$1,014$963 -
強化學習演算法入門$419$398 -
$556高效能並行運行時系統:設計與實現 -
Professional C++$2,760$2,622 -
信息學競賽寶典 動態規劃$419$398 -
$510軟件開發珠璣：穿越50年軟件往事的60條戒律 -
架構思維：從程序員到CTO（簽名版）$539$512 -
架構師啟示錄：知識模型、落地方法與思考模式$474$450 -
Vivado 從此開始, 2/e$390$371 -
Xilinx FPGA 權威設計指南：基於 Vivado 2023 設計套件$1,188$1,129 -
C++ High Performance for Financial Systems: Build efficient and optimized financial systems by leveraging the power of C++$2,000$1,900 -
建立演進式系統架構｜支援常態性的變更, 2/e (Building Evolutionary Architectures: Automated Software Governance, 2/e)$580$458 -
現代軟件測試技術之美$539$512 -
C++ 高性能編程$888$844 -
$454深度學習與大模型基礎（簡體書） -
前端測試指南：策略與實踐$650$507 -
$250軟件開發的藝術 -
$606“基礎設施即代碼”模式與實踐 -
x86 匯編語言：編寫 64位多處理器多線程操作系統$768$730 -
UNIX 環境高級編程, 3/e$1,374$1,305
相關主題
商品描述
智能算法是一類直接的、隨機搜索的優化方法，它是基於模擬自然界的生物現象而產生的一類新型優化方法。本書在介紹優化理論的基礎上，著重介紹求解復雜工程優化模型的新智能算法。 本書共有12章，第1～2章著重介紹智能算法的現狀及**化理論的基本概念；第3章著重介紹幾種求解單目標約束優化問題的新型智能算法；第4～5章介紹求解多目標優化問題的粒子群算法及模擬實驗；第6～9章著重討論當優化問題維度變大時如何解決高維多目標優化問題；第10～11章討論了復雜雙層優化及其在視頻服務器部署中的應用；第12章分析本書所用核心算法即粒子群優化算法的參數設計。 本書可作為電腦類各專業、運籌學專業和管理學科各專業研究生的教材，也可供相關科研人員和工程技術人員參考。
目錄大綱
目錄
\第1章緒論1
1.1引言1
1.2智能算法的現狀1
1.3智能算法的研究發展5
1.4約束單目標優化問題及其智能算法6
1.5多目標優化問題及其智能算法7
1.6本書的主要工作與內容安排9
第2章智能算法與粒子群優化算法的基本理論12
2.1智能算法的框架及基礎理論12
2.1.1智能算法的基本框架12
2.1.2智能算法的基礎理論16
2.2粒子群優化算法簡介17
2.2.1基本粒子群算法框架17
2.2.2粒子群算法與其他智能算法的比較19
2.2.3兩種基本智能模型19
2.2.4粒子群算法的改進20
第3章解決約束單目標優化問題的兩種粒子群算法23
3.1相關工作23
3.1.1問題表述23
3.1.2智能算法在約束優化問題中的研究現狀24
3.2解決約束優化問題的雙目標粒子群優化算法26
3.2.1模型的建立26
3.2.2基於偏好的粒子比較準則26
3.2.3改進的多父體單形雜交算子27
3.2.4雙目標粒子群優化（TPSO）算法的流程27
3.2.5數值模擬28〖1〗〖2〗最優化理論與智能算法目錄3.3解決約束優化問題的模糊粒子群算法30
3.3.1模糊個體極值和模糊全局極值的提出30
3.3.2基於閾值的粒子比較準則31
3.3.3模糊粒子群（FPSO）算法的流程33
3.3.4數值模擬33
3.3.5收斂性分析36
第4章解決無約束多目標優化問題的幾種智能算法39
4.1相關工作39
4.1.1問題表述39
4.1.2智能算法在多目標優化問題中的研究現狀40
4.2基於粒子群優化的多目標Memetic算法43
4.2.1多目標優化模型的轉化43
4.2.2基於新模型的粒子比較準則44
4.2.3局部搜索算子的引進45
4.2.4全局極值的選取45
4.2.5基於粒子群優化的多目標Memetic算法（PSMA）流程46
4.2.6實例模擬與性能比較46
4.3解決多目標優化問題的模糊粒子群算法50
4.3.1多目標模糊個體極值和模糊全局極值的提出50
4.3.2多目標模糊粒子群算法流程50
4.3.3實例模擬與性能比較51
4.4基於新模型的多目標Memetic算法56
4.4.1多目標優化模型的轉化56
4.4.2一種新的選擇策略56
4.4.3新的接收準則57
4.4.4基於新模型的多目標Memetic算法概述57
4.4.5實例模擬與性能比較58
4.5收斂性分析61
第5章解決多目標約束優化問題的兩種粒子群算法64
5.1解決多目標約束優化問題的混合粒子群算法64
5.1.1粒子保留準則65
5.1.2一種新的擁擠距離函數65
5.1.3基於合力的變異算子66
5.1.4混合粒子群算法流程67
5.1.5實例模擬與性能比較68
5.2基於不可行精英保留策略的粒子群優化算法73
5.2.1不可行精英保留策略的提出74
5.2.2新的擁擠距離函數74
5.2.3新的變異算子76
5.2.4基於不可行精英保留策略的粒子群優化算法（IPSO）76
5.2.5實例模擬與性能比較77
5.3收斂性分析81
第6章一種新的基於非線性擴展關系的多目標智能優化算法83
6.1選題背景和意義83
6.2國內外研究現狀84
6.3解集的評價指標85
6.4新算法的提出86
6.4.1一種新的非線性擴展優勢關系87
6.4.2算法框架87
6.5實驗性的結果與分析88
6.5.1測試函數和性能指標88
6.5.2遺傳算子及參數設置89
6.5.3相關算法89
6.5.4實驗結果89
第7章基於世代距離指標和改進小生境方法的進化算法96
7.1引言96
7.2新提出的算法GDMAOEA97
7.2.1算法框架97
7.2.2選擇框架98
7.2.3計算個體的鄰近距離98
7.2.4改進的小生境方法對解重新分層101
7.3數值實驗結果及分析103
7.3.1參數設置103
7.3.2實驗結果及分析104
第8章基於非支配排序和改進小生境的進化算法110
8.1引言110
8.2新的約束處理機制MCCHT110
8.3新提出的算法MCMOEA111
8.3.1約束排序111
8.3.2全局選擇113
8.3.3可行性計算113
8.3.4改進的小生境方法114
8.4數值實驗結果及分析117
8.4.1實驗設置117
8.4.2實驗結果和分析118
第9章基於協同進化框架和兩階段進化的進化算法124
9.1引言124
9.2提出的算法TSCoEA126
9.2.1算法框架126
9.2.2新的小生境方法127
9.2.3全局選擇128
9.2.4選擇父代130
9.3數值實驗結果及分析130
9.3.1實驗設置131
9.3.2實驗結果和分析131
第10章雙層優化問題的智能算法求解135
10.1引言135
10.2國內外研究現狀136
10.2.1問題研究136
10.2.2算法研究136
10.３基於球變異和動態約束處理的雙層PSO算法137
10.3.1雙層優化模型137
10.3.2新提出的算法（BPSOQMDC）139
10.3.3球變異PSO140
10.3.4基於極點的種群初始化141
10.3.5基於二次近似的局部搜索142
10.3.6約束處理以及適應度函數142
10.3.7RBF指導下的下層搜索改進策略143
10.4實驗及結果分析144
10.4.1實驗及參數設置144
10.4.2結果及分析145
第11章基於遺傳算法的視頻服務器部署問題研究150
11.1問題背景150
11.2問題描述152
11.3雙層優化模型建立及模擬153
11.3.1算法設計154
11.3.2實驗及總結161
第12章粒子群算法中慣性權重的分析163
12.1動態改變的慣性權重163
12.1.1動態改變慣性權重的提出163
12.1.2動態改變權重的粒子群（DPSO）算法流程164
12.1.3數值實驗164
12.2基於平滑函數和一維搜索的粒子群優化算法165
12.2.1簡化的粒子群優化算法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數值實驗167
參考文獻168
