现代智能优化混合算法及其应用

智能优化混合算法是一种以某类优化算法为基础，融合其他智能算法或理论的混合算法，可用于求解各种工程问题优化解。 梁旭、黄明所著的《现代智能优化混合算法及其应用》系统讨论了现今应用较为广泛的几种智能优化混合算法，主要内容来源于作者多年的研究成果，使读者比较全面地了解智能优化混合算法的相关知识及应用。《现代智能优化混合算法及其应用》理论联系实际，集知识性、专业性、操作性、技能性为一体，对智能优化混合算法的原理、步骤、应用等进行了全面且详细的介绍。 《现代智能优化混合算法及其应用》可作为计算机、自动控制、人工智能、管理科学和工业工程等专业的研究生及高年级本科生教材，也可作为从事计算智能、软件开发等优化相关专业研究人员和工程技术人员的参考书。

第1章 绪论/1
1.1 智能优化算法简介/1
1.1.1 遗传算法简介/1
1.1.2 蚁群算法简介/11
1.1.3 退火算法简介/20
1.2 混合优化算法简介/32
1.2.1 混合优化算法概述/32
1.2.2 混合优化算法现状/32
1.3 本章小结/33
第2章 混合遗传算法/34
2.1 基本遗传算法/34
2.1.1 基本遗传算法及流程图/34
2.1.2 基本遗传算法的特点/43
2.2 改进的遗传算法/44
2.2.1 双阈值控制的遗传算法/44
2.2.2 改进的伪并行遗传算法/49
2.2.3 改进的小生境遗传算法/53
2.2.4 改进的自适应遗传算法/56
2.2.5 基于免疫原理的新优化遗传算法/58
2.2.6 模式理论及模式导向的遗传算法/65
2.2.7 改进的双倍体遗传算法/68
2.2.8 改进的并行遗传算法/75
2.3 遗传算法与其他优化算法的融合/80
2.3.1 病毒进化遗传算法/80
2.3.2 改进的DNA免疫遗传算法/83
2.4 本章小结/86
第3章 混合蚁群算法/87
3.1 基本蚁群算法/87
3.1.1 基本蚁群算法及流程图/87
3.1.2 基本蚁群算法的特点/92
3.2 改进的蚁群算法/93
3.2.1 一种改进的非均匀窗口蚁群算法/93
3.2.2 基于变异和动态信息素更新的蚁群优化算法/99
3.3 蚁群、遗传算法的融合――动态蚁群遗传算法/102
3.4 本章小结/106
第4章 混合退火算法/107
4.1 基本退火算法/107
4.1.1 基本退火算法及流程图/107
4.1.2 基本退火算法的特点/112
4.2 退火算法与其他优化算法的融合/113
4.2.1 改进的遗传退火算法/113
4.2.2 基于学习机制的退火并行遗传算法/117
4.3 本章小结/122
第5章 其他典型混合优化算法/123
5.1 禁忌―并行混合遗传算法/123
5.1.1 禁忌―并行遗传算法的关键技术/124
5.1.2 混合算法流程/126
5.2 周期性病毒进化遗传算法/127
5.2.1 新的周期性病毒进化遗传算法的基本思想/127
5.2.2 改进的周期性病毒进化遗传算法流程/131
5.2.3 改进的周期性病毒进化遗传算法的优点/131
5.3 改进的决策树学习算法/132
5.4 改进的广义粒子群优化算法/137
5.4.1 基本粒子群优化算法介绍/137
5.4.2 基本粒子群优化机理分析/138
5.4.3 广义粒子群优化算法模型/139
5.4.4 GPSO的具体流程/141
5.5 一种基于粒子群优化的反向传播神经网络算法/142
5.6 一种基于混沌优化的模糊聚类方法/148
5.6.1 聚类的定义/148
5.6.2 基于混沌优化的模糊聚类/149
5.7 本章小结/152
第6章 混合优化算法的典型应用/153
6.1 TSP问题/153
6.1.1 旅行商问题模型/153
6.1.2 动态蚁群遗传算法求解TSP问题/155
6.2 0-1背包问题/160
6.2.1 0-1背包问题模型/160
6.2.2 使用改进的遗传退火算法求解0-1背包问题/164
6.3 车间调度问题/169
6.3.1 车间调度问题的描述/170
6.3.2 双阈值控制的遗传算法求解车间调度问题/171
6.4 车辆路径问题/177
6.4.1 车辆路径问题描述/177
6.4.2 自适应遗传算法求解车辆路径问题/180
6.5 装箱问题/184
6.5.1 装箱问题描述/185
6.5.2 使用基于学习机制的退火并行遗传算法求解装箱问题/188
6.6 图着色问题/194
6.6.1 图着色问题描述/194
6.6.2 周期性病毒进化遗传算法求解图着色问题/195
6.7 本章小结/200
第7章 总结及展望/201
7.1 主要工作总结及创新/201
7.2 未来发展方向/203
7.3 本章小结/205
参考文献/206