智能優化算法及其應用

本書系統地敍述模擬退火算法、遺傳算法、禁忌搜索、神經網絡優化算法、混沌優化、混合優化策略等智能優化算法的基本理論和實現技術以及最新進展和應用，並從結構上對算法進行統一描述，着重強調混合策略的開發與應用 ^[1]  。

第1章緒論1

1.1最優化問題及其分類1

1.1.1函數優化問題1

1.1.2組合優化問題10

1.2優化算法及其分類12

1.3鄰域函數與局部搜索13

1.4計算複雜性與NP完全問題14

1.4.1計算複雜性的基本概念14

1.4.2P，NP，NP?C和NP?hard14

第2章模擬退火算法17

2.1模擬退火算法17

2.1.1物理退火過程和Metropolis準則17

2.1.2組合優化與物理退火的相似性18

2.1.3模擬退火算法的基本思想和步驟19

2.2模擬退火算法的馬氏鏈描述20

2.3模擬退火算法的收斂性21

2.3.1時齊算法的收斂性21

2.3.2非時齊算法的收斂性26

2.3.3SA算法漸進性能的逼近26

2.4模擬退火算法關鍵參數和操作的設計27

2.5模擬退火算法的改進29

2.6並行模擬退火算法31

2.7算法實現與應用32

2.7.1組合優化問題的求解32

2.7.2函數優化問題的求解33

第3章遺傳算法36

3.1遺傳算法的基本流程36

3.2模式定理和隱含並行性38

3.3遺傳算法的馬氏鏈描述及其收斂性40

3.3.1預備知識40

3.3.2標準遺傳算法的馬氏鏈描述41

3.3.3標準遺傳算法的收斂性42

3.4一般可測狀態空間上遺傳算法的收斂性44

3.4.1問題描述45

3.4.2算法及其馬氏鏈描述45

3.4.3收斂性分析和收斂速度估計45

3.5算法關鍵參數與操作的設計47

3.6遺傳算法的改進50

3.7免疫遺傳算法51

3.7.1引言51

3.7.2免疫遺傳算法及其收斂性52

3.7.3免疫算子的機理與構造54

3.7.4TSP問題的免疫遺傳算法56

3.8並行遺傳算法58

3.9算法實現與應用59

第4章禁忌搜索算法62

4?1禁忌搜索62

4?1?1引言62

4?1?2禁忌搜索示例63

4?1?3禁忌搜索算法流程67

4?2禁忌搜索的收斂性68

4?3禁忌搜索的關鍵參數和操作70

4?4並行禁忌搜索算法75

4?5禁忌搜索的實現與應用77

4?5?1基於禁忌搜索的組合優化77

4?5?2基於禁忌搜索的函數優化78

第5章神經網絡與神經網絡優化算法83

5.1神經網絡簡介83

5.1.1神經網絡發展回顧83

5.1.2神經網絡的模型84

5.2基於Hopfield反饋網絡的優化策略89

5.2.1基於Hopfield模型優化的一般流程89

5.2.2基於Hopfield模型優化的缺陷90

5.2.3基於Hopfield模型優化的改進研究90

5.3動態反饋神經網絡的穩定性研究94

5.3.1動態反饋網絡的穩定性分析94

5.3.1.1離散對稱動態反饋網絡的漸近穩定性分析95

5.3.1.2非對稱動態反饋網絡的全局漸近穩定性分析99

5.3.1.3時延動態反饋網絡的全局漸近穩定性分析101

5.3.2動態反饋神經網絡的收斂域估計103

5.4基於混沌動態的優化研究概述105

5.4.1基於混沌神經網絡的組合優化概述106

5.4.2基於混沌序列的函數優化研究概述108

5.4.3混沌優化的發展性研究109

5.5一類基於混沌神經網絡的優化策略110

5.5.1ACNN模型的描述110

5.5.2ACNN模型的優化機制111

5.5.3計算機仿真研究與分析112

5.5.4模型參數對算法性能影響的幾點結論116

第6章廣義鄰域搜索算法及其統一結構118

6.1廣義鄰域搜索算法118

6.2廣義鄰域搜索算法的要素119

6.3廣義鄰域搜索算法的統一結構120

6?4優化算法的性能評價指標123

6?5廣義鄰域搜索算法研究進展125

6.5.1理論研究概述125

6.5.2應用研究概述128

6.5.3發展性研究129

第7章混合優化策略130

7.1引言130

7.2基於統一結構設計混合優化策略的關鍵問題131

7.3一類GASA混合優化策略132

7.3.1GASA混合優化策略的構造出發點132

7.3.2GASA混合優化策略的流程和特點133

7.3.3GASA混合優化策略的馬氏鏈描述135

7.3.4GASA混合優化策略的收斂性136

7.3.5GASA混合優化策略的效率定性分析141

第8章混合優化策略的應用143

8.1基於模擬退火?單純形算法的函數優化143

8.1.1單純形算法簡介143

8.1.2SMSA混合優化策略144

8.1.3算法操作與參數設計145

8.1.4數值仿真與分析146

8.2基於混合策略的控制器參數整定和模型參數估計研究149

8.2.1引言149

8.2.2模型參數估計和PID參數整定149

8.2.3混合策略的操作與參數設計150

8.2.4數值仿真與分析151

8.3基於混合策略的TSP優化研究154

8.3.1TSP的混合優化策略設計154

8.3.2基於典型算例的仿真研究156

8.3.3對TSP的進一步討論158

8.4基於混合策略的加工調度研究159

8.4.1基於混合策略的Job?shop優化研究159

8.4.1.1引言159

8.4.1.2JSP的析取圖描述和編碼161

8.4.1.3JSP的混合優化策略設計163

8.4.1.4基於典型算例的仿真研究166

8.4.2基於混合策略的置換Flow?shop優化研究170

8.4.2.1混合優化策略170

8.4.2.2算法操作與參數設計172

8.4.2.3數值仿真與分析172

8.4.3基於混合策略的一類批量可變流水線調度問題的優化研究174

8.4.3.1問題描述及其性質174

8.4.3.2混合優化策略的設計175

8.4.3.3仿真結果和分析177

8.5基於混合策略的神經網絡權值學習研究177

8.5.1BPSA混合學習策略178

8.5.2GASA混合學習策略178

8.5.3GATS混合學習策略179

8.5.4編碼和優化操作設計180

8.5.5仿真結果與分析180

8.6基於混合策略的神經網絡結構學習研究184

8.6.1RBF網絡簡介184

8.6.2RBF網絡結構優化的編碼和操作設計184

8.6.3RBF網絡結構的混合優化策略186

8.6.4計算機仿真與分析187

8.7基於混合策略的光學儀器設計研究189

8.7.1引言189

8.7.2模型設計190

8.7.3仿真研究和設計結果191

附錄Benchmark問題193

A：TSP Benchmark問題193

B： 置換Flow?shop Benchmark問題195

C：Job?shop Benchmark問題211

參考文獻217