《多目標智慧型最佳化算法及其套用》系統地介紹了多目標智慧型最佳化算法理論與套用，力圖全面地介紹多目標智慧型最佳化算法的最新研究進展。全書共分為8章，主要內容包括：多目標進化算法、多目標粒子群算法、其他多目標智慧型最佳化算法、人工神經網路最佳化、交通與物流系統最佳化、多目標生產調度和電力系統最佳化及其他。
基本介紹
簡介,作者簡介,編輯推薦,目錄,序言,
簡介
《多目標智慧型最佳化算法及其套用》可作為計算機、自動控制、人工智慧、管理科學和工業工程等專業的研究生及高年級本科生教材，也可作為從事計算智慧型、生產調度等研究人員和工程技術人員的參考書。
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月畢業於上海交通大學，獲工學博士學位，2009年2月於武漢理工大學交通運輸工程博士後流動站出站。主要研究方向：系統最佳化與智慧型調度、計算智慧型等。先後主持和承擔了973、國家自然科學基金、中國博士後科學基金和湖北省自然科學基金等科研項目。發表學術論文30餘篇．被SCI和EI收錄20餘篇。
編輯推薦
《多目標智慧型最佳化算法及其套用》內容取材新穎，覆蓋面廣，系統深入，注重理論聯繫實際。《多目標智慧型最佳化算法及其套用》是一類通過模擬某一自然現象或過程而建立起來的最佳化方法，這類算法包括進化算法、粒子群算法、禁忌搜尋、分散搜尋、模擬退火、人工免疫系統和蟻群算法等。
目錄
《智慧型科學技術著作叢書》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 蟻群算法的實現過程
1.3.3 蟻群算法描述
1.3.4 蟻群最佳化的特點
1.4 模擬退火算法122
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
1.5.1 生物免疫系統
1.5.2 人工免疫系統
1.6 禁忌搜尋
1.7 分散搜尋
1.8 多目標最佳化基本概念
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 性能指標與測試函式
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 多目標遺傳局部搜尋
2.3.2 J—MOGLS
2.3.3 M PAES
2.3.4 多目標混沌進化算法
2.4 協同多目標進化算法
2.5 動態多目標進化算法
2.5.1 IMOEA
2.5.2 動態MOEA(DMOEA)
2.6 並行多目標進化算法
2.6.1 並行多目標進化算法的基本原理
2.6.2 多解析度多目標遺傳算法
2.6.3 並行單前端遺傳算法
2.7 其他多目標進化算法
2.7.1 高維多目標最佳化的NSGA2改進算法
2.7.2 動態多目標最佳化的進化算法
2.8 結論與展望
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檔案多目標粒子群最佳化
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 基於分散搜尋的多目標混合粒子群算法
3.4 互動粒子群算法
3.5 結論
參考文獻
第4章 其他多目標智慧型最佳化算法
4.1 多目標模擬退火算法
4.2 多目標蟻群算法
4.2.1 連續最佳化問題的多目標蟻群算法
4.2.2 組合最佳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 多目標分散搜尋
4.6 結論
參考文獻
第5章 人工神經網路最佳化
5.1 Pareto進化神經網路
5.2 徑向基神經網路最佳化與設計
5.3 遞歸神經網路最佳化與設計
5.4 模糊神經網路多目標最佳化
5.5 結論
參考文獻
第6章 交通與物流系統最佳化
6.1 物流配送路徑最佳化
6.1.1 多目標車輛路徑最佳化
6.1.2 多目標隨機車輛路徑最佳化
6.2 城市公交路線網路最佳化
6.3 公共運輸調度
6.3.1 概述
6.3.2 多目標駕駛員調度
6.4 結論
參考文獻
第7章 多目標生產調度
7.1 生產調度描述_
7.1.1 車間調度問題
7.1.2 間隙生產調度
7.1.3 動態生產調度
7.1.4 批處理機調度和E/T調度
7.2 生產調度的表示方法
7.3 基於進化算法的多目標車間調度
7.3.1 多目標流水車間調度
7.3.2 多目標作業車間調度
7.4 基於進化算法的多目標模糊調度
7.4.1 模糊調度：Sakawa方法
7.4.2 模糊作業車間調度：cMEA方法
7.5 基於進化算法的多目標柔性調度
7.5.1 混合遺傳調度方法
7.5.2 混合遺傳算法
7.6 基於粒子群最佳化的多目標調度
7.6.1 基於粒子群最佳化的多目標作業車間調度
7.6.2 多目標柔性調度的混合粒子群方法
7.7 多目標隨機調度
7.8 結論與展望
參考文獻
第8章 電力系統最佳化及其他
8.1 電力系統最佳化
8.1.1 基於免疫算法的多目標無功最佳化
8.1.2 基於分層最佳化的多目標電網規劃
8.1.3 基於NSGA2及協同進化的多目標電網規劃
8.2 多播Qos路由最佳化
8.3 單元製造系統設計
8.3.1 概述
8.3.2 基於禁忌搜尋的多目標單元構造
8.3.3 基於並行禁忌搜尋的多目標單元構造
8.4 自動控制系統設計
8.4.1 概述
8.4.2 混合動力學系統控制
8.4.3 魯棒PID控制器設計
8.5 結論
參考文獻
附錄 部分測試函式
……
序言
大多數工程和科學問題都是多目標最佳化問題，存在多個彼此衝突的目標，如何獲取這些問題的最優解，一直都是學術界和工程界關注的焦點問題.與單目標最佳化問題不同，多目標最佳化的本質在於，大多數情況下，某目標的改善可能引起其他目標性能的降低，同時使多個目標均達到最優是不可能的，只能在各目標之間進行協調權衡和折中處理，使所有目標函式儘可能達到最優，而且問題的最優解由數量眾多，甚至無窮大的Pareto最優解組成。
智慧型最佳化算法是一類通過模擬某一自然現象或過程而建立起來的最佳化方法’這類算法包括進化算法、粒子群算法、禁忌搜尋、分散搜尋、模擬退火、人工免疫系統和蟻群算法等。和傳統的數學規劃法相比，智慧型最佳化算法更適合求解多目標最佳化問題。首先，大多數智慧型最佳化算法能同時處理一組解，算法每運行一次，能獲得多個有效解。其次，智慧型最佳化算法對Pareto最優前端的形狀和連續性不敏感，能很好地逼近非凸或不連續的最優前端。目前，智慧型最佳化算法作為一類啟發式搜尋算法，已被成功套用於多目標最佳化領域，出現了一些熱門的研究方向，如進化多目標最佳化，同時，多目標智慧型最佳化算法在電力系統、製造系統和控制系統等方面的套用研究也取得了很大的進展。
本書力圖全面總結作者和國內外同行在多目標智慧型最佳化算法的理論與套用方面所取得的一系列研究成果。全書包括兩部分，共8章。第一部分為第1-4主要介紹了各種多目標智慧型最佳化算法的理論。其中第1章為緒論，介紹各種智慧型最佳化算法的基本思想和原理。第2章介紹多目標進化算法，主要描述多目標進化算法的基本原理、典型算法和各種進化機制與策略，如混合策略、協同進化和動態進化策略等。第3章介紹多目標粒子群算法，包括基本原理、典型算法、混合算法和互動粒子群算法等。第4章描述除粒子群算法和進化算法之外的其他多目標智慧型最佳化算法，主要介紹多目標模擬退火算法、多目標蟻群算法、多目標免疫算法、多目標差分進化算法和多目標分散搜尋等。
第二部分為第5-8章，主要介紹了多目標智慧型最佳化算法的套用’包括神經網路最佳化、生產調度、交通與物流系統最佳化、電力系統最佳化及其他。第5章描述人工神經網路的多目標最佳化，主要包括Pareto進化神經網路、徑向基神經網路、遞歸神經網路和模糊神經網路。第6章介紹交通與物流系統最佳化，主要描述了智慧型最佳化算法在物流配送、城市公交路線網路和公共運輸調度等方面的套用。
