●第1章绪论
1.1现代优化算法的产生与发展
1.2传统优化方法的基本步骤及其局限性
1.3现代优化算法的产生与发展
1.4怎样学习研究现代优化算法
1.5问题与思考
参考文献
第2章算法基础
2.1很优化问题
2.1.1无约束优化
2.1.2约束优化
2.1.3组合优化
2.2爬山算法
2.3邻域及局部搜索
2.4算法的智能性
2.4.1自适应
2.4.2随机性
2.4.3交流
2.4.4反馈
2.4.5探索与开发
参考文献
第3章禁忌搜索算法
3.1导言
3.2算法的构成要素
3.2.1编码方法
3.2.2适值函数的构造
3.2.3初始解的获得
3.2.4移动与邻域移动
3.2.5禁忌表
3.2.6选择策略
3.2.7渴望水平
3.2.8停止准则
3.3算法流程与算例
3.3.1基本步骤
3.3.2流程图
3.3.3一个简单的例子
3.4中期表与长期表
3.4.1中期表
3.4.2长期表
3.5算法性能的改进
3.5.1并行禁忌搜索算法
3.5.2主动禁忌搜索算法
3.5.3其他改进方法
3.6禁忌搜索算法的应用
3.6.1应用于实优化问题
3.6.2电子超市网站链接设计中的应用
3.6.3多盘刹车设计中的应用
3.6.4军事空运装载问题中的应用
参考文献
第4章模拟退火算法
4.1导言
4.1.1热力学中的退火过程
4.1.2退火与模拟退火
4.2退火过程的数学描述和玻耳兹曼方程
4.3模拟退火算法的构造及流程
4.3.1算法的要素构成
4.3.2算法的计算步骤和流程图
4.3.3一个简单的算例
4.4算法的收敛性分析
4.4.1马尔可夫过程
4.4.2SA的收敛性分析
4.5应用案例
4.5.1成组技术中加工中心的组成问题
4.5.2准时化生产计划问题
4.5.3陆航兵力投送很优路径问题
参考文献
第5章遗传算法
5.1生物的遗传和进化
5.2遗传算法的基本原理
5.2.1基本思想
5.2.2遗传算法的基本流程
5.2.3遗传算法的基本要素
5.2.4计算举例
5.3遗传算法参数分析
5.3.1种群规模
5.3.2交叉概率
5.3.3变异概率
5.3.4终止代数
5.4遗传算法应用实例
5.4.1背包问题
5.4.2最小生成树问题
5.4.3二次指派问题
5.4.4定向越野问题
5.5改进与变形
5.5.1模因算法
5.5.2随机键遗传算法
5.5.3二倍体遗传算法
5.5.4多种群遗传算法
5.5.5自适应遗传算法
参考文献
第6章蚁群算法
6.1导言
6.1.1蚁群觅食的特征
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蚁群算法与遗传算法的融合
6.5蚁群算法的典型应用
6.5.1军事物流车辆路径问题
6.5.2无人机集群路径规划
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粒子群优化的改进与变形
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火力分配问题
7.4.2战术训练空域规划问题
参考文献
第8章现代优化算法总结及发展趋势
8.1一些实际的建议
8.1.1学会查错
8.1.2充分认识算法的随机性
8.1.3小变化可能会有大影响
8.1.4大变化可能只有小影响
8.1.5中间过程包含很多信息
8.1.6鼓励多样性
8.1.7利用问题的信息
8.1.8经常保存结果
8.1.9理解统计显著性
8.1.10善于写作
8.1.11强调理论
8.1.12强调实践
8.1.13没有免费午餐定理
8.2算法集成技术
8.2.1单一优化算法的不足
8.2.2算法集成技术
8.2.3算法集成实例:遗传算法与模拟退火算法集成
8.3算法并行化技术
8.3.1基本思想
8.3.2遗传算法的并行化策略
8.4机器学习
8.4.1机器学习概览
8.4.2机器学习与现代优化算法
参考文献