智能优化算法及其Matlab案例(张国辉)

《智能优化算法及其Matlab案例》是对智能优化算法及其实际应用的研究成果的系统总结。智能优化算法是一类模拟生物进化、群体行为或物理法则等自然现象或过程的计算方法，用于解决组合优化、函数优化、大空间等复杂的优化问题，得到了国内外学者的广泛关注。本书共有8章，第1章介绍了智能优化算法的概念、特点、分类以及最优化问题的含义、分类等；第2章到第7章分别介绍了遗传算法、模拟退火算法、禁忌搜索算法、蚁群优化算法、粒子群优化算法、帝国竞争算法等6种经典智能优化算法的理论基础、算法流程及Matlab案例应用；第8章介绍了多目标进化优化算法的理论基础、算法框架及Matlab案例应用。本书提供了实际应用案例的详细Matlab运行代码，对于采用这些算法工具来解决生产调度、路径规划、任务分配等领域具体问题的理论研究和工程技术人员，可以参考代码快速理解和掌握算法。 本书为高等院校智能制造工程、工业工程、自动化、计算机等专业的教学用书，也可作为研究智能制造、群体智能、人工智能、优化算法等相关领域与专业的研究生及研究人员的参考用书。

无

第1章 概述 001 1.1 智能优化算法简介 001 1.1.1 智能优化算法的含义与特点 001 1.1.2 智能优化算法的分类 002 1.2 最优化问题 003 1.2.1 最优化问题含义 003 1.2.2 最优化问题的分类 003 1.2.3 计算复杂性与NP问题 004 1.3 智能优化算法的应用与发展 004 参考文献 005 第2章 遗传算法 006 2.1 遗传算法理论 006 2.1.1 遗传算法的基本概念 006 2.1.2 遗传算法的生物学基础 007 2.1.3 遗传算法的特点 008 2.1.4 遗传算法的改进方向 008 2.2 遗传算法流程 009 2.3 实例推导与仿真 010 参考文献 021 第3章 模拟退火算法 022 3.1 引言 022 3.2 模拟退火算法理论 022 3.2.1 物理退火过程 022 3.2.2 模拟退火算法的原理 023 3.2.3 模拟退火算法的特点 023 3.2.4 模拟退火算法的改进方向 024 3.3 模拟退火算法流程 025 3.4 实例推导与仿真 026 参考文献 035 第4章 禁忌搜索算法 037 4.1 引言 037 4.2 禁忌搜索算法理论 037 4.2.1 禁忌搜索算法的发展历程 037 4.2.2 禁忌搜索算法的优化过程 038 4.2.3 禁忌搜索算法的特点 038 4.2.4 禁忌搜索算法的改进方向 039 4.3 禁忌搜索算法流程 040 4.3.1 关键参数说明 040 4.3.2 禁忌搜索算法流程 041 4.4 实例推导与仿真 042 参考文献 053 第5章 蚁群优化算法 055 5.1 引言 055 5.2 蚁群优化算法理论 055 5.2.1 蚁群觅食过程 055 5.2.2 蚁群优化算法的优化过程 056 5.2.3 蚁群优化算法的特点 056 5.2.4 蚁群优化算法的改进方向 057 5.3 蚁群优化算法流程 058 5.3.1 关键参数说明 059 5.3.2 算法的整体思路 060 5.4 实例推导与仿真 062 参考文献 079 第6章 粒子群优化算法 080 6.1 引言 080 6.2 粒子群优化算法理论 080 6.2.1 粒子群优化算法的优化过程 080 6.2.2 粒子群优化算法的特点 081 6.2.3 粒子群优化算法的改进方向 082 6.3 粒子群优化算法流程 083 6.3.1 关键参数说明 084 6.3.2 算法的整体思路 086 6.4 实例推导与仿真 088 参考文献 103 第7章 帝国竞争算法 105 7.1 引言 105 7.2 帝国竞争算法理论 105 7.2.1 帝国竞争算法的主要过程 105 7.2.2 帝国竞争算法的优化过程 106 7.3 帝国竞争算法流程 106 7.3.1 ICA算法的初始化 108 7.3.2 殖民地向所属帝国主义国家移动 109 7.3.3 改变帝国主义国家和殖民地的位置 110 7.3.4 计算帝国的总势力 110 7.3.5 帝国的竞争 111 7.3.6 弱势帝国的灭亡 112 7.3.7 总结 112 7.4 实例推导与仿真 112 参考文献 124 第8章 多目标进化优化 125 8.1 引言 125 8.2 多目标进化优化基础 125 8.2.1 多目标优化问题 125 8.2.2 多目标优化个体之间的关系 126 8.2.3 基于Pareto的多目标最优解集 127 8.3 基于Pareto的多目标优化算法一般框架 127 8.4 仿真案例 128 参考文献 133