进化算法的设计与应用研究 英文版PDF电子书下载

1 在进化算法中如何设置参数的值 1

1.1 引言 1

1.2 如何改变参数 4

1.2.1 改变变异规模 4

1.2.2 改变惩罚系数 6

1.2.3 总结 9

1.3 进化算法参数控制技术分类 10

1.3.1 改变算法的成分或参数 10

1.3.2 改变参数值的方法 11

1.3.3 决定改变参数值的依据 13

1.3.4 改变的范围 15

1.3.5 总结 16

1.4 改变进化算法参数的案例 17

1.4.1 表达式 17

1.4.2 适应度函数 18

1.4.3 变异 20

1.4.4 交叉 21

1.4.5 选择 22

1.4.6 种群 24

1.4.7 同时改变几个参数 24

1.5 讨论 27

2 进化算法中的约束处理 28

2.1 引言 28

2.2 约束问题 28

2.2.1 无约束的优化问题 29

2.2.2 约束满足问题 30

2.2.3 受约束的优化问题 31

2.3 约束处理的种类 32

2.4 约束处理的途径 33

2.4.1 惩罚函数 36

2.4.2 纠正函数 39

2.4.3 限制搜寻在可行域内 41

2.4.4 解码器函数 41

2.5 应用实例 43

2.5.1 间接解决方法 43

2.5.2 直接解决方法 44

3 设计并行分布估计算法指导 46

3.1 引言 46

3.2 并行分布估计算法的方法 47

3.2.1 分布式适应度评价 47

3.2.2 构建分布式模型 48

3.3 混合贝叶斯优化算法 49

3.4 复杂性分析 50

3.4.1 选择算子的复杂性 50

3.4.2 构造模型的复杂性 50

3.4.3 模型取样的复杂性 52

3.4.4 替换算子的复杂性 53

3.4.5 适应度评价的复杂性 53

3.5 可扩展性分析 54

3.5.1 处理器数为固定时的可扩展性 55

3.5.2 处理器数增加时可扩展性如何变化 56

4 基于最大熵原理设计一类新的分布估计算法 57

4.1 引言 57

4.2 熵、模式 57

4.2.1 熵 57

4.2.2 在子集条件约束下的最大熵 59

4.2.3 模式 59

4.2.4 最大熵分布和模式约束 60

4.3 算法的基本思路 60

4.4 分布估计和取样 61

4.5 新算法 65

4.5.1 一阶模式算法 65

4.5.2 二阶模式算法 65

4.6 实验结果 67

4.7 结论 69

5 基于种群递增学习算法的癌症化疗优化技术 70

5.1 引言 70

5.2 癌症化学疗法的优化问题 70

5.2.1 化学疗法的医学处理 71

5.2.2 癌症化疗模型 71

5.3 GA和PBIL解决方案 73

5.3.1 问题的编码 74

5.3.2 遗传算法 75

5.3.3 基于种群递增学习算法 75

5.4 实验结果 76

5.4.1 算法有效性比较 77

5.4.2 化疗治疗效果比较 78

5.5 结论 79

6 应用分布估计算法和遗传算法优化动态价格问题 80

6.1 引言 80

6.2 通过动态价格途径提高资源管理 81

6.3 动态价格模型 83

6.4 动态价格的进化算法解决方案 84

6.4.1 进化算法解的表达式 85

6.4.2 进化算法 86

6.5 实验及结果 88

6.5.1 算法参数化 88

6.5.2 结果 89

6.5.3 结果分析 91

6.6 结论 93