智能優(yōu)化算法及其應用

第1章 緒論
1.1 最優(yōu)化問題及其分類
1.1.1 函數(shù)優(yōu)化問題
1.1.2 組合優(yōu)化問題
1.2 優(yōu)化算法及其分類
1.3 鄰域函數(shù)與局部搜索
1.4 計算復雜性與NP完全問題
1.4.1 計算復雜性的基本概念
1.4.2 P，NP，NP－C和NP－h(huán)ard
第2章 模擬退火算法
2.1 模擬退火算法
2.1.1 物理退火過程和Metropolis準則
2.1.2 組合優(yōu)化與物理退火的相似性
2.1.3 模擬退火算法的基本思想和步驟
2.2 模擬退火算法的馬氏鏈描述
2.3 模擬退火算法的收斂性
2.3.1 時齊算法的收斂性
2.3.2 非時齊算法的收斂性
2.3.3 SA算法漸進性能的逼近
2.4 模擬退火算法關鍵參數(shù)和操作的設計
2.5 模擬退火算法的改進
2.6 并行模擬退火算法
2.7 算法實現(xiàn)與應用
2.7.1 組合優(yōu)化問題的求解
2.7.2 函數(shù)優(yōu)化問題的求解
第3章 遺傳算法
3.1 遺傳算法的基本流程
3.2 模式定理和隱含并行性
3.3 遺傳算法的馬氏鏈描述及其收斂性
3.3.1 預備知識
3.3.2 標準遺傳算法的馬氏鏈描述
3.3.3 標準遺傳算法的收斂性
3.4 一般可測狀態(tài)空間上遺傳算法的收斂性
3.4.1 問題描述
3.4.2 算法及其馬氏鏈描述
3.4.3 收斂性分析和收斂速度估計
3.5 算法關鍵參數(shù)與操作的設計
3.6 遺傳算法的改進
3.7 免疫遺傳算法
3.7.1 引言
3.7.2 免疫遺傳算法及其收斂性
3.7.3 免疫算子的機理與構造
3.7.4 TSP問題的免疫遺傳算法
3.8 并行遺傳算法
3.9 算法實現(xiàn)與應用
第4章 禁忌搜索算法
4.1 禁忌搜索
4.1.1 引言
4.1.2 禁忌搜索示例
4.1.3 禁忌搜索算法流程
4.2 禁忌搜索的收斂性
4.3 禁忌搜索的關鍵參數(shù)和操作
4.4 并行禁忌搜索算法
4.5 禁忌搜索的實現(xiàn)與應用
4.5.1 基于禁忌搜索的組合優(yōu)化
4.5.2 基于禁忌搜索的函數(shù)優(yōu)化
第5章 神經(jīng)網(wǎng)絡與神經(jīng)網(wǎng)絡優(yōu)化算法
5.1 神經(jīng)網(wǎng)絡簡介
5.1.1 神經(jīng)網(wǎng)絡發(fā)展回顧
5.1.2 神經(jīng)網(wǎng)絡的模型
5.2 基于Hopfield反饋網(wǎng)絡的優(yōu)化策略
5.2.1 基于Hopfield模型優(yōu)化的一般流程
5.2.2 基于Hopfield模型優(yōu)化的缺陷
5.2.3 基于Hopfield模型優(yōu)化的改進研究
5.3 動態(tài)反饋神經(jīng)網(wǎng)絡的穩(wěn)定性研究
5.3.1 動態(tài)反饋網(wǎng)絡的穩(wěn)定性分析
5.3.1.1 離散對稱動態(tài)反饋網(wǎng)絡的漸近穩(wěn)定性分析
5.3.1.2 非對稱動態(tài)反饋網(wǎng)絡的全局漸近穩(wěn)定性分析
5.3.1.3 時延動態(tài)反饋網(wǎng)絡的全局漸近穩(wěn)定性分析
5.3.2 動態(tài)反饋神經(jīng)網(wǎng)絡的收斂域估計
5.4 基于混飩動態(tài)的優(yōu)化研究概述
5.4.1 基于混飩神經(jīng)網(wǎng)絡的組合優(yōu)化概述
5.4.2 基于混飩序列的函數(shù)優(yōu)化研究概述
5.4.3 混飩優(yōu)化的發(fā)展性研究
5.5 一類基于混飩神經(jīng)網(wǎng)絡的優(yōu)化策略
5.5.1 ACNN模型的描述
5.5.2 ACNN模型的優(yōu)化機制
5.5.3 計算機仿真研究與分析
5.5.4 模型參數(shù)對算法性能影響的幾點結論
第6章 廣義鄰域搜索算法及其統(tǒng)一結構
6.1 廣義鄰域搜索算法
6.2 廣義鄰域搜索算法的要素
6.3 廣義鄰域搜索算法的統(tǒng)一結構
6.4 優(yōu)化算法的性能評價指標
6.5 廣義鄰域搜索算法研究進展
6.5.1 理論研究概述
6.5.2 應用研究概述
6.5.3 發(fā)展性研究
第7章 混合優(yōu)化策略
7.1 引言
7.2 基于統(tǒng)一結構設計混合優(yōu)化策略的關鍵問題
7.3 一類GASA混合優(yōu)化策略
7.3.1 GASA混合優(yōu)化策略的構造出發(fā)點
7.3.2 GASA混合優(yōu)化策略的流程和特點
7.3.3 GASA混合優(yōu)化策略的馬氏鏈描述
7.3.4 GASA混合優(yōu)化策略的收斂性
7.3.5 GASA混合優(yōu)化策略的效率定性分析
第8章 混合優(yōu)化策略的應用
8.1 基于模擬退火-單純形算法的函數(shù)優(yōu)化
8.1.1 單純形算法簡介
8.1.2 SMSA混合優(yōu)化策略
8.1.3 算法操作與參數(shù)設計
8.1.4 數(shù)值仿真與分析
8.2 基于混合策略的控制器參數(shù)整定和模型參數(shù)估計研究
8.2.1 引言
8.2.2 模型參數(shù)估計和PID參數(shù)整定
8.2.3 混合策略的操作與參數(shù)設計
8.2.4 數(shù)值仿真與分析
8.3 基于混合策略的TSP優(yōu)化研究
8.3.1 TSP的混合優(yōu)化策略設計
8.3.2 基于典型算例的仿真研究
8.3.3 對TSP的進一步討論
8.4 基于混合策略的加工調(diào)度研究
8.4.1 基于混合策略的Job-shop優(yōu)化研究
8 4.1.1 引言
8.4.1.2 JSP的析取圖描述和編碼
8.4.1.3 JSP的混合優(yōu)化策略設計
8.4.1.4 基于典型算例的仿真研究
8.4.2 基于混合策略的置換Flow-shop優(yōu)化研究
8.4.2.1 混合優(yōu)化策略
8.4.2.2 算法操作與參數(shù)設計
8.4.2.3 數(shù)值仿真與分析
8.4.3 基于混合策略的一類批量可變流水線調(diào)度問題的優(yōu)化研究
8.4.3.1 問題描述及其性質
8.4.3.2 混合優(yōu)化策略的設計
8.4.3.3 仿真結果和分析
8.5 基于混合策略的神經(jīng)網(wǎng)絡僅值學習研究
8.5.1 BPSA混合學習策略
8.5.2 GASA混合學習策略
8.5.3 GATS混合學習策略
8.5.4 編碼和優(yōu)化操作設計
8.5.5 仿真結果與分析
8.6 基于混合策略的神經(jīng)網(wǎng)絡結構學習研究
8.6.1 RBF網(wǎng)絡簡介
8.6.2 RBF網(wǎng)絡結構優(yōu)化的編碼和操作設計
8.6.3 RBF網(wǎng)絡結構的混合優(yōu)化策略
8.6.4 計算機仿真與分析
8.7 基于混合策略的光學儀器設計研究
8.7.1 引言
8.7.2 模型設計
8.7.3 仿真研究和設計結果
附錄 Benchmark問題
A：TSP Benchmark問題
B：置換Flow－shop Benchmark問題
C：Job－shop Benchmark問題
參考文獻