中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
協同進化遺傳算法理論及應用 版權信息
- ISBN：9787030244642
- 條形碼：9787030244642 ; 978-7-03-024464-2
- 裝幀：暫無
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
協同進化遺傳算法理論及應用 本書特色
遺傳算法是一類模擬生物進化和遺傳變異機制的概率優化方法，協同進化遺傳算法是對遺傳算法的有力改進，是在協同進化論基礎上提出的一類新的進化算法。本書在詳細闡述協同進化遺傳算法原理與新技術的同時，給出了協同進化遺傳算法在多峰多目標復雜數值函數優化、機器人協調路徑規劃、神經網絡優化，以及群體決策等方面的具體應用。該書可供各大專院校作為教材使用，也可供從事相關工作的人員作為參考用書使用。
協同進化遺傳算法理論及應用 內容簡介
協同進化遺傳算法是解決復雜的實際優化問題的智能計算方法，近年來已在許多領域得到成功的應用，是智能優化與決策領域的熱點研究方向之一。
本書主要闡述協同進化遺傳算法的原理及其應用，主要內容包括：協同進化遺傳算法入門、基于緊聯結識別的協同進化種群分割、協同進化種群的搜索區域動態變化、協同進化遺傳算法的種群規模動態變化、基于局域網并行實現的協同進化種群的代表個體選擇、協同進化遺傳算法網絡實現的資源分配，以及協同進化遺傳算法的搜索空間分割等。本書在詳細闡述協同進化遺傳算法原理與核心技術的同時，還給出其在多峰多目標復雜數值函數優化、多機器人協調路徑規劃、神經網絡結構與連接權值同時優化，以及群體決策中的具體應用，并給出詳細的算法對比結果。為便于應用本書闡述的算法，書后附有部分協同進化遺傳算法源程序。
本書可供理工科大學計算機、自動控制和人工智能等專業的教師及研究生閱讀，也可供自然科學和工程技術領域中的研究人員參考。
協同進化遺傳算法理論及應用 目錄
《智能科學技術著作叢書》序
序
前言
第1章 協同進化遺傳算法入門
1.1 遺傳算法
1.1.1 遺傳算法的運行機制
1.1.2 遺傳算法的提出與發展
1.1.3 并行遺傳算法
1.2 協同進化遺傳算法
1.2.1 協同進化遺傳算法的提出
1.2.2 協同進化遺傳算法的思想
1.2.3 競爭型協同進化遺傳算法
1.3 合作型協同進化遺傳算法
1.3.1 合作型協同進化遺傳算法的思想
1.3.2 進化個體評價
1.3.3 代表個體選擇
1.3.4 合作型協同進化遺傳算法的研究
1.3.5 合作型協同進化遺傳算法存在的問題
1.4 本書主要內容
1.5 本章小結
參考文獻
第2章 基于緊聯結識別的協同進化種群分割
2.1 種群分割的必要性
2.2 基于概率模型的緊聯結識別算法
2.3 基于緊聯結識別的協同進化種群分割
2.3.1 一次性緊聯結識別協同進化種群分割
2.3.2 進化緊聯結識別協同進化種群分割
2.4 在多模態數值函數優化中的應用
2.4.1 優化函數描述
2.4.2 運行環境與參數設置
2.4.3 運行結果比較與分析
2.5 本章小結
參考文獻
第3章 協同進化種群搜索區域的動態變化
3.1 搜索區域動態變化的必要性
3.2 搜索區域動態變化
3.2.1 搜索區域變化時機
3.2.2 搜索區域變化策略
3.3 種群規模自適應調整
3.3.1 種群規模調整策略
3.3.2 新種群的生成
3.3.3 算法步驟
3.4 算法性能分析
3.5 在多模態數值函數優化中的應用
3.5.1 優化函數描述
3.5.2 運行環境與參數設置
3.5.3 停機準則
3.5.4 運行結果比較與分析
3.6 本章小結
參考文獻
第4章 協同進化遺傳算法種群規模的動態變化
4.1 種群規模動態變化的必要性
4.1.1 單種群遺傳算法的變種群規模
4.1.2 多種群遺傳算法的變種群規模
4.1.3 合作型協同進化遺傳算法的計算復雜性
4.1.4 種群規模動態變化的意義
4.2 基于二進制編碼的搜索區域變焦
4.3 基于實數編碼的搜索區域變焦
4.3.1 進化子種群的表示
4.3.2 子種群的進化能力
4.3.3 搜索子空間的變焦
4.4 子種群規模動態變化
4.4.1 代表個體的信用度
4.4.2 算法步驟
4.5 在多模態數值函數優化中的應用
4.5.1 被優化函數
4.5.2 參數取值
4.5.3 優化結果與分析
4.6 與第3章的比較
4.7 本章小結
參考文獻
第5章 基于局域網并行實現的協同進化種群的代表個體選擇
5.1 局域網并行實現的必要性
5.2 協同進化遺傳算法的局域網并行實現
5.3 代表個體選擇
5.3.1 影響代表個體選擇的因素
5.3.2 代表個體選擇方法
5.3.3 子種群分布的多樣性描述
5.3.4 代表個體數量
5.3.5 選擇代表個體
5.3.6 合作團體構成
5.3.7 算法步驟
5.4 在多模態數值函數優化中的應用
5.4.1 被優化函數
5.4.2 計算資源的性能
5.4.3 參數取值
5.4.4 優化結果與分析
5.5 本章小結
參考文獻
第6章 協同進化遺傳算法網絡實現的資源分配
6.1 資源分配的必要性
6.2 資源分配決策模型
6.2.1 需要考慮的因素
6.2.2 一些假設
6.2.3 決策模型
6.2.4 對模型的解釋
6.3 決策模型求解
6.4 算例
6.4.1 各子種群采用相同的遺傳策略
6.4.2 子種群分為多組，不同組采用不同的遺傳策略
6.4.3 各子種群均采用不同遺傳策略
6.5 本章小結
參考文獻
第7章 協同進化遺傳算法的搜索空間分割
7.1 空間分割的必要性
7.2 算法思想及空間分割
7.3 種內及種問進化遺傳算法
7.3.1 種內進化遺傳算法
7.3.2 種間進化遺傳算法
7.3.3 新的進化子種群的生成
7.4 超級個體集合
7.5 算法復雜度分析
7.6 在多目標數值函數優化中的應用
7.6.1 參數設置
7.6.2 空間分割個數對Pareto邊界的影響
7.6.3 子空間劃分形式對Pareto邊界的影響
7.6.4 種內進化策略對Pareto邊界的影響
7.6.5 超級個體的形成和更新策略對Pareto邊界的影響
7.6.6 種聞講化對Pareto邊界的影響
7.7 本章小結
參考文獻
第8章 協同進化遺傳算法在機器人路徑規劃中的應用
8.1 機器人路徑規劃
8.1.1 傳統路徑規劃方法
8.1.2 智能路徑規劃方法
8.2 多機器人協調路徑規劃模型
8.3 多機器人協調路徑規劃的協同進化遺傳算法求解
8.3.1 遞階編碼
8.3.2 適應度函數
8.3.3 遺傳操作
8.3.4 算法步驟
8.4 算例
8.4.1 問題描述
8.4.2 實驗設置
8.4.3 實驗結果及性能分析
8.5 本章小結
參考文獻
第9章 協同進化遺傳算法在神經網絡優化中的應用
9.1 神經網絡優化
9.1.1 傳統訓練算法
9.1.2 基于遺傳算法的神經網絡設計
9.2 神經網絡優化的協同進化遺傳算法求解
9.2.1 進化種群分割
9.2.2 決策變量編碼
9.2.3 交叉操作
9.2.4 變異操作
9.2.5 基于啟發式的神經網絡結構優化
9.2.6 適應度函數
9.2.7 代表個體選擇
9.2.8 算法步驟
9.3 用于分類的神經網絡優化
9.3.1 問題描述
9.3.2 實驗設置
9.3.3 實驗結果及性能分析
9.4 本章小結
參考文獻
第10章 協同進化遺傳算法在群體決策中的應用
10.1 群體決策的必要性和難度
10.2 分布協同交互式遺傳算法
10.2.1 共享個體
10.2.2 群體決策結果的評價
10.2.3 類適應值替換
10.3 在服裝進化設計系統中的應用
10.3.1 實驗設置
10.3.2 實驗結果及分析
10.4 本章小結
參考文獻
附錄 部分協同進化遺傳算法源程序
附錄1 標準合作型協同進化遺傳算法MATLAB源程序
附錄2 第8章機器人路徑規劃部分源程序
序
前言
第1章 協同進化遺傳算法入門
1.1 遺傳算法
1.1.1 遺傳算法的運行機制
1.1.2 遺傳算法的提出與發展
1.1.3 并行遺傳算法
1.2 協同進化遺傳算法
1.2.1 協同進化遺傳算法的提出
1.2.2 協同進化遺傳算法的思想
1.2.3 競爭型協同進化遺傳算法
1.3 合作型協同進化遺傳算法
1.3.1 合作型協同進化遺傳算法的思想
1.3.2 進化個體評價
1.3.3 代表個體選擇
1.3.4 合作型協同進化遺傳算法的研究
1.3.5 合作型協同進化遺傳算法存在的問題
1.4 本書主要內容
1.5 本章小結
參考文獻
第2章 基于緊聯結識別的協同進化種群分割
2.1 種群分割的必要性
2.2 基于概率模型的緊聯結識別算法
2.3 基于緊聯結識別的協同進化種群分割
2.3.1 一次性緊聯結識別協同進化種群分割
2.3.2 進化緊聯結識別協同進化種群分割
2.4 在多模態數值函數優化中的應用
2.4.1 優化函數描述
2.4.2 運行環境與參數設置
2.4.3 運行結果比較與分析
2.5 本章小結
參考文獻
第3章 協同進化種群搜索區域的動態變化
3.1 搜索區域動態變化的必要性
3.2 搜索區域動態變化
3.2.1 搜索區域變化時機
3.2.2 搜索區域變化策略
3.3 種群規模自適應調整
3.3.1 種群規模調整策略
3.3.2 新種群的生成
3.3.3 算法步驟
3.4 算法性能分析
3.5 在多模態數值函數優化中的應用
3.5.1 優化函數描述
3.5.2 運行環境與參數設置
3.5.3 停機準則
3.5.4 運行結果比較與分析
3.6 本章小結
參考文獻
第4章 協同進化遺傳算法種群規模的動態變化
4.1 種群規模動態變化的必要性
4.1.1 單種群遺傳算法的變種群規模
4.1.2 多種群遺傳算法的變種群規模
4.1.3 合作型協同進化遺傳算法的計算復雜性
4.1.4 種群規模動態變化的意義
4.2 基于二進制編碼的搜索區域變焦
4.3 基于實數編碼的搜索區域變焦
4.3.1 進化子種群的表示
4.3.2 子種群的進化能力
4.3.3 搜索子空間的變焦
4.4 子種群規模動態變化
4.4.1 代表個體的信用度
4.4.2 算法步驟
4.5 在多模態數值函數優化中的應用
4.5.1 被優化函數
4.5.2 參數取值
4.5.3 優化結果與分析
4.6 與第3章的比較
4.7 本章小結
參考文獻
第5章 基于局域網并行實現的協同進化種群的代表個體選擇
5.1 局域網并行實現的必要性
5.2 協同進化遺傳算法的局域網并行實現
5.3 代表個體選擇
5.3.1 影響代表個體選擇的因素
5.3.2 代表個體選擇方法
5.3.3 子種群分布的多樣性描述
5.3.4 代表個體數量
5.3.5 選擇代表個體
5.3.6 合作團體構成
5.3.7 算法步驟
5.4 在多模態數值函數優化中的應用
5.4.1 被優化函數
5.4.2 計算資源的性能
5.4.3 參數取值
5.4.4 優化結果與分析
5.5 本章小結
參考文獻
第6章 協同進化遺傳算法網絡實現的資源分配
6.1 資源分配的必要性
6.2 資源分配決策模型
6.2.1 需要考慮的因素
6.2.2 一些假設
6.2.3 決策模型
6.2.4 對模型的解釋
6.3 決策模型求解
6.4 算例
6.4.1 各子種群采用相同的遺傳策略
6.4.2 子種群分為多組，不同組采用不同的遺傳策略
6.4.3 各子種群均采用不同遺傳策略
6.5 本章小結
參考文獻
第7章 協同進化遺傳算法的搜索空間分割
7.1 空間分割的必要性
7.2 算法思想及空間分割
7.3 種內及種問進化遺傳算法
7.3.1 種內進化遺傳算法
7.3.2 種間進化遺傳算法
7.3.3 新的進化子種群的生成
7.4 超級個體集合
7.5 算法復雜度分析
7.6 在多目標數值函數優化中的應用
7.6.1 參數設置
7.6.2 空間分割個數對Pareto邊界的影響
7.6.3 子空間劃分形式對Pareto邊界的影響
7.6.4 種內進化策略對Pareto邊界的影響
7.6.5 超級個體的形成和更新策略對Pareto邊界的影響
7.6.6 種聞講化對Pareto邊界的影響
7.7 本章小結
參考文獻
第8章 協同進化遺傳算法在機器人路徑規劃中的應用
8.1 機器人路徑規劃
8.1.1 傳統路徑規劃方法
8.1.2 智能路徑規劃方法
8.2 多機器人協調路徑規劃模型
8.3 多機器人協調路徑規劃的協同進化遺傳算法求解
8.3.1 遞階編碼
8.3.2 適應度函數
8.3.3 遺傳操作
8.3.4 算法步驟
8.4 算例
8.4.1 問題描述
8.4.2 實驗設置
8.4.3 實驗結果及性能分析
8.5 本章小結
參考文獻
第9章 協同進化遺傳算法在神經網絡優化中的應用
9.1 神經網絡優化
9.1.1 傳統訓練算法
9.1.2 基于遺傳算法的神經網絡設計
9.2 神經網絡優化的協同進化遺傳算法求解
9.2.1 進化種群分割
9.2.2 決策變量編碼
9.2.3 交叉操作
9.2.4 變異操作
9.2.5 基于啟發式的神經網絡結構優化
9.2.6 適應度函數
9.2.7 代表個體選擇
9.2.8 算法步驟
9.3 用于分類的神經網絡優化
9.3.1 問題描述
9.3.2 實驗設置
9.3.3 實驗結果及性能分析
9.4 本章小結
參考文獻
第10章 協同進化遺傳算法在群體決策中的應用
10.1 群體決策的必要性和難度
10.2 分布協同交互式遺傳算法
10.2.1 共享個體
10.2.2 群體決策結果的評價
10.2.3 類適應值替換
10.3 在服裝進化設計系統中的應用
10.3.1 實驗設置
10.3.2 實驗結果及分析
10.4 本章小結
參考文獻
附錄 部分協同進化遺傳算法源程序
附錄1 標準合作型協同進化遺傳算法MATLAB源程序
附錄2 第8章機器人路徑規劃部分源程序
展開全部
協同進化遺傳算法理論及應用 節選
第1章 協同進化遺傳算法入門
遺傳算法（genetic algorithms，GA）是20世紀60年代被提出的一種模擬生物進化和遺傳變異機制的概率優化方法。自被提出以來，該算法已在數值函數優化、組合優化、調度、產品設計等領域得到廣泛應用。在應用過程中，人們逐漸發現傳統遺傳算法的性能難以滿足要求，于是眾多學者提出了很多高性能的改進遺傳算法。協同進化遺傳算法（C0—evolutionary genetic alg0rithms，CGA）即是其中的一種，它是基于多個種群同時進化的遺傳算法。由于其優越的性能，近年來該算法得到學術界的普遍重視，并取得了豐碩的研究成果。
但是，成功地應用協同進化遺傳算法解決復雜優化問題，絕非簡單的事情。這是因為，協同進化遺傳算法本身有許多特殊的問題需要解決。只有這些問題得到有效解決，其優越性才能得到充分發揮。本書即闡述協同進化遺傳算法需要解決的問題，以及近年來提出的解決方法及其在許多領域的應用。為便于讀者理解，在此之前，我們首先簡要地介紹相關的基礎知識，包括遺傳算法、協同進化遺傳算法的原理和步驟等。
1.1 遺傳算法
優化問題在實際系統中是普遍存在的，如旅行商問題、車間調度問題、產品設計問題等。對于一個優化問題，如果其目標函數是可微的，并且問題的規模不是很大，我們可以采用一些傳統的優化方法解決，如牛頓法。可是，對于目標函數不可微甚至不連續，或者雖然目標函數可微但問題的規模非常大的優化問題，很多傳統的優化方法往往不再適用。
遺傳算法是一種模擬生物進化和遺傳變異機制的概率優化方法。由于它不要求被優化的目標函數是連續和可微的，并且能在容許的時間內找到大規模優化問題的滿意解，因此在學術界和工業界得到普遍關注。
……
書友推薦
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
我從未如此眷戀人間
- >
巴金－再思錄
- >
名家帶你讀魯迅:朝花夕拾
- >
李白與唐代文化
- >
羅庸西南聯大授課錄
- >
朝聞道
- >
大紅狗在馬戲團-大紅狗克里弗-助人
本類暢銷
