多目標智能優(yōu)化算法及其應用

定　價：￥75.00

作　者：	雷德明，嚴新平編著
出版社：	科學出版社
叢編項：	智能科學技術(shù)著作叢書
標　簽：	人工智能

購買這本書可以去

ISBN：	9787030236944	出版時間：	2009-03-01	包裝：	平裝
開本：	16開	頁數(shù)：	389	字數(shù)：

內(nèi)容簡介

　　智能優(yōu)化算法是一類通過模擬某一自然現(xiàn)象或過程而建立起來的優(yōu)化方法，這類算法包括進化算法、粒子群算法、禁忌搜索、分散搜索、模擬退火、人工免疫系統(tǒng)和蟻群算法等。本書系統(tǒng)地介紹了多目標智能優(yōu)化算法理論與應用，力圖全面地介紹多目標智能優(yōu)化算法的最新研究進展。全書共分為8章，主要內(nèi)容包括：多目標進化算法、多目標粒子群算法、其他多目標智能優(yōu)化算法、人工神經(jīng)網(wǎng)絡(luò)優(yōu)化、交通與物流系統(tǒng)優(yōu)化、多目標生產(chǎn)調(diào)度和電力系統(tǒng)優(yōu)化及其他。本書內(nèi)容取材新穎，覆蓋面廣，系統(tǒng)深入，注重理論聯(lián)系實際。本書可作為計算機、自動控制、人工智能、管理科學和工業(yè)工程等專業(yè)的研究生及高年級本科生教材，也可作為從事計算智能、生產(chǎn)調(diào)度等研究人員和工程技術(shù)人員的參考書。

作者簡介

　　雷德明，武漢理工大學自動化學院副教授。碩士生導師。2005年11月畢業(yè)于上海交通大學，獲工學博士學位，2009年2月于武漢理工大學交通運輸工程博士后流動站出站。主要研究方向：系統(tǒng)優(yōu)化與智能調(diào)度、計算智能等。先后主持和承擔了973、國家自然科學基金、中國博士后科學基金和湖北省自然科學基金等科研項目。發(fā)表學術(shù)論文30余篇．被SCI和EI收錄20余篇。

圖書目錄

《智能科學技術(shù)著作叢書》序
前言
第1章緒論
1.1 進化算法
1.1.1 進化算法的基本框架
1.1.2 遺傳算法
1.1.3 進化策略
1.1.4 進化規(guī)劃
1.2 粒子群算法
1.2.1 標準粒子群算法
1.2.2 算法解析
1.3 蟻群算法
1.3.1 蟻群算法的基本思想
1.3.2 蟻群算法的實現(xiàn)過程
1.3.3 蟻群算法描述
1.3.4 蟻群優(yōu)化的特點
1.4 模擬退火算法
1.4.1 模擬退火算法的基本原理
1.4.2 模擬退火算法描述
1.5 人工免疫系統(tǒng)
1.5.1 生物免疫系統(tǒng)
1.5.2 人工免疫系統(tǒng)
1.6 禁忌搜索
1.7 分散搜索
1.8 多目標優(yōu)化基本概念
參考文獻
第2章多目標進化算法
2.1 基本原理
2.1.1 MOEA模型
2.1.2 性能指標與測試函數(shù)
2.2 典型多目標進化算法
2.2.1 VEGA、MOGA、NPGA和NSGA
2.2.2 SPEA和SPEA2
2.2.3 NSGA2
2.2.4 PAES
2.2.5 其他典型MOEA
2.3 多目標混合進化算法
2.3.1 多目標遺傳局部搜索
2.3.2 J—MOGLS
2.3.3 M PAES
2.3.4 多目標混沌進化算法
2.4 協(xié)同多目標進化算法
2.5 動態(tài)多目標進化算法
2.5.1 IMOEA
2.5.2 動態(tài)MOEA(DMOEA)
2.6 并行多目標進化算法
2.6.1 并行多目標進化算法的基本原理
2.6.2 多分辨率多目標遺傳算法
2.6.3 并行單前端遺傳算法
2.7 其他多目標進化算法
2.7.1 高維多目標優(yōu)化的NSGA2改進算法
2.7.2 動態(tài)多目標優(yōu)化的進化算法
2.8 結(jié)論與展望
參考文獻
第3章多目標粒子群算法
3.1 基本原理
3.2 典型多目標粒子群算法
3.2.1 CMOPSO
3.2.2 多目標全面學習粒子群算法
3.2.3 Pareto檔案多目標粒子群優(yōu)化
3.3 多目標混合粒子群算法
3.3.1 模糊多目標粒子群算法
3.3.2 基于分散搜索的多目標混合粒子群算法
3.4 交互粒子群算法
3.5 結(jié)論
參考文獻
第4章其他多目標智能優(yōu)化算法
4.1 多目標模擬退火算法
4.2 多目標蟻群算法
4.2.1 連續(xù)優(yōu)化問題的多目標蟻群算法
4.2.2 組合優(yōu)化問題的多目標蟻群算法
4.3 多目標免疫算法
4.4 多目標差分進化算法
4.5 多目標分散搜索
4.6 結(jié)論
參考文獻
第5章人工神經(jīng)網(wǎng)絡(luò)優(yōu)化
5.1 Pareto進化神經(jīng)網(wǎng)絡(luò)
5.2 徑向基神經(jīng)網(wǎng)絡(luò)優(yōu)化與設(shè)計
5.3 遞歸神經(jīng)網(wǎng)絡(luò)優(yōu)化與設(shè)計
5.4 模糊神經(jīng)網(wǎng)絡(luò)多目標優(yōu)化
5.5 結(jié)論
參考文獻
第6章交通與物流系統(tǒng)優(yōu)化
6.1 物流配送路徑優(yōu)化
6.1.1 多目標車輛路徑優(yōu)化
6.1.2 多目標隨機車輛路徑優(yōu)化
6.2 城市公交路線網(wǎng)絡(luò)優(yōu)化
6.3 公共交通調(diào)度
6.3.1 概述
6.3.2 多目標駕駛員調(diào)度
6.4 結(jié)論
參考文獻
第7章多目標生產(chǎn)調(diào)度
7.1 生產(chǎn)調(diào)度描述_
7.1.1 車間調(diào)度問題
7.1.2 間隙生產(chǎn)調(diào)度
7.1.3 動態(tài)生產(chǎn)調(diào)度
7.1.4 批處理機調(diào)度和E／T調(diào)度
7.2 生產(chǎn)調(diào)度的表示方法
7.3 基于進化算法的多目標車間調(diào)度
7.3.1 多目標流水車間調(diào)度
7.3.2 多目標作業(yè)車間調(diào)度
7.4 基于進化算法的多目標模糊調(diào)度
7.4.1 模糊調(diào)度：Sakawa方法
7.4.2 模糊作業(yè)車間調(diào)度：cMEA方法
7.5 基于進化算法的多目標柔性調(diào)度
7.5.1 混合遺傳調(diào)度方法
7.5.2 混合遺傳算法
7.6 基于粒子群優(yōu)化的多目標調(diào)度
7.6.1 基于粒子群優(yōu)化的多目標作業(yè)車間調(diào)度
7.6.2 多目標柔性調(diào)度的混合粒子群方法
7.7 多目標隨機調(diào)度
7.8 結(jié)論與展望
參考文獻
第8章電力系統(tǒng)優(yōu)化及其他
8.1 電力系統(tǒng)優(yōu)化
8.1.1 基于免疫算法的多目標無功優(yōu)化
8.1.2 基于分層優(yōu)化的多目標電網(wǎng)規(guī)劃
8.1.3 基于NSGA2及協(xié)同進化的多目標電網(wǎng)規(guī)劃
8.2 多播Qos路由優(yōu)化
8.3 單元制造系統(tǒng)設(shè)計
8.3.1 概述
8.3.2 基于禁忌搜索的多目標單元構(gòu)造
8.3.3 基于并行禁忌搜索的多目標單元構(gòu)造
8.4 自動控制系統(tǒng)設(shè)計
8.4.1 概述
8.4.2 混合動力學系統(tǒng)控制
8.4.3 魯棒PID控制器設(shè)計
8.5 結(jié)論
參考文獻
附錄部分測試函數(shù)