智能优化方法

 　智能优化方法是一个近年来发展起来的非常活跃的研究领域。系统工程、自动化、计算机、管理工程、采矿、机械等许多专业的学者和学生都在广泛地采用智能优化方法。比如，遗传算法、禁忌搜索算法、模拟退火算法、蚁群算法和粒子群优化算法等在国民经济的各个行业中都获得了广泛的应用。

　　本教材主要介绍近年来产生发展的多种智能优化算法。包括为人熟知的遗传算法、禁忌搜索算法、模拟退火算法和蚁群优化算法；近年来已成为研究热点的粒子群优化算法；还有尚待普及的捕食搜索算法和动态环境下的进化计算。书中讨论这些算法的产生和发展、算法的基本思想和理论、基本构成、计算步骤和主要的变形以及数值例子和实际应用。为了方便读者学习，各章之后还附有精选的习题、思考题及相关的参考文献。
　　本教材是为“智能优化方法”这门研究生课程编写的，可作为系统工程、管理工程、计算机、自动化、人工智能以及其他应用优化算法专业的研究生及高年级的本科生教材，也可供相关专业的研究人员和工程技术人员参考。

第1章 智能优化方法的产生与发展
　1.1 最优化的重要意义
　1.2 传统优化方法的基本步骤及其局限性
　1.3 智能优化方法的产生与发展
　1.4 怎样学习研究智能优化方法
　问题与思考
　参考文献
第2章 伪随机数的产生
　2.1 伪随机数在智能优化方法中的作用
　2.2 产生0-1均匀分布伪随机数的乘同余法
　2.3 产生正态分布伪随机数的方法
　2.4 产生其他分布的伪随机数的逆变法
　问题与思考
　参考文献
第3章 遗传算法
　3.1 导言
　　3.1.1 生物的进化
　　3.1.2 生物的遗传和变异
　3.2 遗传算法的基本原理
　　3.2.1 基本思想
　　3.2.2 构成要素
　　3.2.3 算法流程
　　3.2.4 解空间与编码空间的转换
　　3.2.5 计算举例
　3.3 模板理论
　　3.3.1 模板的概念
　　3.3.2 模板理论
　3.4 改进与变形
　　3.4.1 编码方法
　　3.4.2 遗传运算中的问题
　　3.4.3 适值函数的标定
　　3.4.4 选择策略
　　3.4.5 停止准则
　　3.4.6 高级基因操作
　　3.4.7 约束的处理
　　3.4.8 多目标的处理
　3.5 应用实例
　　3.5.1 背包问题
　　3.5.2 最小生成树问题
　　3.5.3 二次指派问题
　　3.5.4 企业动态联盟中的伙伴挑
　　3.5.5 准时化生产计划的半无限规划模型
　问题与思考
　参考文献
第4章 禁忌搜索算法
　4.1 导言
　　4.1.1 局部邻域搜索
　　4.1.2 禁忌搜索算法的基本思想
　4.2 算法的构成要素
　　4.2.1 编码方法
　　4.2.2 适值函数的构造
　　4.2.3 初
　　4.2.4 移动与邻域移动
　　4.2.5 禁忌表
　　4.2.6 选择策略
　　4.2.7 渴望水平
　　4.2.8 停止准则
　4.3 算法流程与算例
　　4.3.1 基本步骤
　　4.3.2 流程图
　　4.3.3 一个简单的例子
　4.4 中期表与长期表
　　4.4.1 中期表
　　4.4.2 长期表
　4.5 算法性能的改进
　　4.5.1 并行禁忌搜索算法
　　4.5.2 主动禁忌搜索算法
　　4.5.3 禁忌搜索算法与遗传算法混合的搜索策略
　　4.5.4 其他改进方法
　4.6 禁忌搜索算法的应用
　　4.6.1 应用于实优化问题
　　4.6.2 应用于多目标优化问题
　　4.6.3 电子超市网站链接设计中的应用
　　4.6.4 多盘刹车设计中的应用
　问题与思考
　参考文献
第5章 模拟退火算法
　5.1 导言
　　5.1.1 热力学中的退火过程
　　5.1.2 退火与模拟退火
　5.2 退火过程的数学描述和Boltzmann方程
　5.3 模拟退火算法的构造及流程
　　5.3.1 算法的计算步骤和流程图
　　5.3.3 一个简单的算例
　5.4 算法的收敛性分析
　　5.4.1 Markov过程
　　5.4.2 sA的收敛性分析
　5.5 应用案例
　　5.5.1 成组技术中加工中心的组成问题
　　5.5.2 准时化生产计划问题
　问题与思考
　参考文献
第6章 蚁群算法
　6.1 导言
　　6.1.1 蚁群觅食的特性
　　6.1.2 人工蚂蚁与真实蚂蚁的异同
　　6.1.3 蚁群算法的研究进展
　6.2 基本蚁群算法
　　6.2.1 基本蚁群算法的原理
　　6.2.2 基本蚁群算法的数学模型
　　6.2.3 基本蚁群算法的具体实现
　　6.2.4 基本蚁群算法的复杂度分析
　　6.2.5 参数选择对蚁群算法性能的影响
　6.3 改进的蚁群算法
　　6.3.1 蚁群算法的收敛性研究
　　6.3.2 离散域蚁群算法的改进研究
　　6.3.3 连续域蚁群算法的改进研究
　6.4 蚁群算法与其他仿生优化算法的比较与融合
　　6.4.1 蚁群算法与其他仿生优化算法的比较
　　6.4.2 蚁群算法与其他仿生优化算法的融合
　6.5 蚁群算法的典型应用
　　6.5.1 车辆路径问题
　　6.5.2 车间作业调度问题
　问题与思考
　参考文献
第7章 粒子群优化算法
　7.1 导言
　7.2 基本原理
　　7.2.1 基本粒子群优化算法
　　7.2.2 标准粒子群优化算法
　　7.2.3 算法构成要素
　　7.2.4 计算举例
　7.3 PSO的改进与变形
　　7.3.1 惯性权重
　　7.3.2 邻域拓扑结构
　　7.3.3 学习因子
　　7.3.4 带有收缩因子的粒子群优化算法
　　7.3.5 离散版本的粒子群优化算法
　　7.3.6 基于遗传策略和梯度信息的几种改进算法
　　7.3.7 约束的处理
　　7.3.8 多目标的处理
　7.4 应用实例
　　7.4.1 网络广告资源优化
　　7.4.2 新产品组合投入问题
　问题与思考
　参考文献
第8章 捕食搜索算法
　8.1 导言
　8.2 基本原理
　　8.2.1 捕食搜索算法的基本思想
　　8.2.2 算法的实现
　　8.2.3 捕食搜索算法的应用条件
　　8.2.4 计算举例
　8.3 改进与变形
　　8.3.1 TSP巡游路线之间的距离
　　8.3.2 算法步骤
　　8.3.3 限制的计算
　　8.3.4 参数的设置
　8.4 应用实例
　　8.4.1 电子商务中物流配送路径优化的问题描述与模型
　　8.4.2 模型求解的捕食搜索算法
　　8.4.3 仿真结果与比较分析
　问题与思考
　参考文献
第9章 动态进化算法
　9.1 导言
　9.2 动态环境的特征
　9.3 动态测试问题
　　9.3.1 动态位匹配问题
　　9.3.2 移动抛物线
　　9.3.3 时变背包问题
　　9.3.4 移动峰函数
　　9.3.5 调度问题
　　9.3.6 振荡峰函数
　9.4 性能评估方法
　9.5 探测环境中的变化
　9.6 原对偶遗传算法
　　9.6.1 原对偶映射
　　9.6.2 相关研究综述
　　9.6.3 PDGA算法的框架结构
　　9.6.4 PDGA中相关参数的讨论
　　9.6.5 PDGA与DGA
　　9.6.6 PDGA的应用
　问题与思考
　参考文献
结束语
参考文献

    第1章  智能优化方法的
    产生与发展
   本章首先介绍最优化的重要意义，然后从分析传统优化方法的基本步骤及其局限性人手，讨论实际中对新的优化方法的需求，介绍智能优化方法的产生、发展和主要特点。最后简单地介绍近年来最优化发展的一些新动向。
    1．1  最优化的重要意义
   人类一切活动的实质不外乎是“认识世界，建设世界”。认识世界靠的是建立模型，简称建模；建设世界靠的是优化决策，所以“建模与优化”可以说无所不在，它们始终贯穿在一切人类活动的过程之中。
   从概念模型、结构模型，到数学模型以及计算机仿真模型和实物模型，是模型的不同阶段。从某种意义上说，人类的一切知识不外乎是人类对某个领域的现象和过程认识的模型。只是由于不同领域问题的模型化的难易程度不同，其模型处在不同的阶段。比如，数学、力学、微观经济学等，其知识基本上是用数学模型来表达的；而哲学、社会学、心理学等，由于许多因素难以定量化，其模型大多还处在概念模型阶段。
   认识世界的目的是为了建设世界，同样建模的目的就是为了优化。建设世界首先必须认识世界，同样一切优化都离不开模型。比如，建设一个水电站首先要认识河流的水文规律，而只有综合考虑淹没损失、水坝造价和发电效益，选择最优的建设方案，才能确保水电站建设的成功。
   最优化离不开模型，所以最优化方法的发展正是随着模型描述方法的发展而发展起来的。代数学中解析函数的发展，产生了极值理论，这是最早的无约束的函数优化方法。而拉格朗日乘子法则是最早的约束优化方法。第二次世界大战时期，英国为了最有效地利用有限的战争资源，成立了作战研究小组，取得了良好的效果。战后，作战研究的优化思想被运用到运输管理、生产管理和一些经济学问题中，于是形成了以线性规划、博弈论等为主干的运筹学。运筹学的英文名正是“作战研究(OperationResearch)”，其精髓就是要在用约束条件表述的限制下，实现用目标函数表述的某个目标的最优化。线性规划、非线性规划、动态规划、博弈论、排队论、存储论等，这些运筹学的模型使最优化方法的发展达到了极致，从而开启了最优化的辉煌时代。
　　……