自然计算PDF电子书下载

第1章 绪论 1

1.1 自然计算的概念与主要研究分支 1

1.2 自然启发的计算 5

1.3 本书的缘起与组织结构 7

第2章 遗传算法及其改进 9

2.1 遗传算法概述 9

2.1.1 遗传算法的发展历史 9

2.1.2 遗传算法的基本原理 12

2.1.3 遗传算法的求解步骤 13

2.1.4 遗传算法的基本特点 14

2.2 自学习遗传算法 15

2.2.1 自学习遗传算法的描述 15

2.2.2 自学习遗传算法的理论分析 17

2.3 基于Metropolis判别准则的遗传算法 20

2.3.1 Metropolis判别准则的内涵 20

2.3.2 基于Metropolis判别准则的复制算子 21

2.3.3 基于Metropolis判别准则的遗传算法的理论分析 23

2.4 两级递阶遗传算法 24

2.4.1 两级递阶遗传算法的描述 24

2.4.2 两级递阶遗传算法的理论分析 25

2.5 三种算法在函数优化中的应用 26

2.6 小结 27

参考文献 28

第3章 非线性遗传算法 29

3.1 非线性遗传算法抽象模型 29

3.1.1 标准遗传算子分析 29

3.1.2 基于函数族形式的非线性遗传算法抽象模型 29

3.1.3 基于抽象模型的理论分析 30

3.2 基于规范化操作的十进制非线性遗传算法研究 31

3.2.1 基于规范化操作的十进制非线性遗传算法框架 31

3.2.2 基于规范化操作的十进制非线性遗传算法效率及收敛性分析 32

3.2.3 自适应非线性遗传算法 34

3.2.4 自调整非线性遗传算法 34

3.2.5 基于规范化操作的十进制非线性遗传算法模式定理分析 35

3.3 其他形式的实数非线性遗传算法 37

3.3.1 标准遗传算法分析 37

3.3.2 动态双圆形非线性遗传算法［9］ 38

3.4 二进制非线性遗传算法 40

3.4.1 距离空间的定义及其性质 40

3.4.2 基于距离空间的标准遗传算子讨论 42

3.4.3 基于代数杂交算子的二进制非线性遗传算法［14］ 44

3.4.4 基于模式考虑的二进制非线性遗传算法［15］ 47

3.5 小结 50

参考文献 50

第4章 遗传算法在生产调度问题中的应用 52

4.1 基于主动调度编码的遗传调度算法 52

4.1.1 车间作业调度问题 52

4.1.2 基于主动调度的遗传算法的描述 53

4.1.3 实例仿真和分析 58

4.2 多个体交叉遗传调度算法 59

4.2.1 常见遗传调度算法的分析 59

4.2.2 多个体交叉遗传算法的描述 61

4.2.3 实例仿真和分析 64

4.3 分部遗传调度算法 65

4.3.1 柔性车间作业调度问题 65

4.3.2 分部遗传算法的描述 67

4.3.3 实例仿真和分析 71

4.4 小结 72

参考文献 73

第5章 分布估计算法研究 74

5.1 引言 74

5.2 copula分布估计算法 75

5.2.1 copula分布估计算法的统一框架 76

5.2.2 copula分布估计算法的收敛性 77

5.3 阿基米德copula分布估计算法 82

5.3.1 阿基米德copula函数采样算法 82

5.3.2 Gumbel copula分布估计算法 83

5.3.3 基于PMLE的阿基米德copula分布估计算法参数估计法 84

5.4 经验copula分布估计算法 85

5.4.1 多维经验copula函数的构造方式 85

5.4.2 经验copula EDA算法步骤及复杂性分析 87

5.5 基于离散Quasi-Copula的分布估计算法 88

5.5.1 离散Quasi-Copula基本概念 88

5.5.2 基于离散Quasi-Copula的概率模型 89

5.5.3 群体的产生 90

5.5.4 算法流程 91

5.5.5 实例仿真 91

5.6 优良模式连接的分布估计算法 92

5.6.1 优良模式连接的思想 92

5.6.2 模式矩阵的建立 93

5.6.3 分块优化过程 93

5.6.4 算法流程 95

5.6.5 实例仿真 96

5.7 基于Bayesian统计推断的分布估计算法 98

5.7.1 Bayesian统计推断理论 98

5.7.2 概率模型的建立 98

5.7.3 概率模型的更新 100

5.7.4 算法流程 101

5.7.5 实例仿真 101

5.8 基于序贯重点采样粒子滤波的分布估计算法 102

5.8.1 序贯重点采样粒子滤波 103

5.8.2 序贯重点采样粒子滤波与分布估计算法 105

5.8.3 测试函数 113

5.8.4 仿真实验 114

5.9 小结 119

参考文献 120

第6章 思维进化计算 124

6.1 基本思维进化计算 124

6.1.1 研究背景 124

6.1.2 算法的基本原理及系统结构 124

6.1.3 算法流程 126

6.2 基于遗传算法与思维进化计算的广义进化模型 127

6.2.1 广义进化模型的提出 127

6.2.2 GA与MEC内在机制的比较分析 128

6.2.3 广义进化模型的构成 129

6.3 基于思维进化计算求解约束优化问题 132

6.3.1 求解约束优化问题的演化算法 132

6.3.2 约束优化问题的描述 134

6.3.3 用于求解约束优化问题的MEC算法设计 135

6.3.4 算法的收敛性分析 136

6.4 用于求解TSP的思维进化计算模型 137

6.4.1 旅行商问题的描述 137

6.4.2 用于求解TSP的思维进化算法 138

6.4.3 全局收敛性算法 141

6.5 求解Job-Shop调度问题的MEC算法 142

6.5.1 Job-Shop调度问题及其研究现状 142

6.5.2 求解Job-Shop调度问题的MEC 143

6.6 用于动态系统建模的思维进化计算模型 147

6.6.1 动态系统建模问题及其研究现状 147

6.6.2 用于动态系统建模的MEC方法 149

6.7 小结 153

参考文献 154

第7章 社会情感算法 156

7.1 社会情感理论 156

7.1.1 理智前提下的情感 156

7.1.2 个人情绪和社会情感及其相互关系 157

7.1.3 情绪对行为的影响和对环境的反馈 157

7.2 社会情感优化算法 158

7.2.1 算法介绍 158

7.2.2 社会情感优化算法的优势 160

7.2.3 实验结果 161

7.3 情感的随机选择策略 163

7.3.1 基于Levy分布的社会情感优化算法 163

7.3.2 基于正态分布及柯西分布的社会情感优化算法 165

7.4 基于情感计算的社会情感优化算法 168

7.4.1 情绪变化模型 168

7.4.2 三维情绪空间 169

7.4.3 情绪变化矩阵 169

7.4.4 引入情绪变化模型的社会情感优化算法 170

7.4.5 算法步骤 171

7.4.6 电力系统无功优化的应用 171

7.5 小结 175

参考文献 175

第8章 微粒群算法 178

8.1 标准微粒群算法概述 178

8.1.1 基本概念及进化方程 178

8.1.2 算法流程 179

8.1.3 社会行为分析 179

8.1.4 与其他进化算法的比较 180

8.2 微粒群算法的研究现状 181

8.3 广义微粒群算法 184

8.4 微粒群算法的统一模型及分析 186

8.4.1 微粒群算法的统一模型［58］ 186

8.4.2 基于统一描述模型的PSO算法进化行为分析 186

8.4.3 收敛性分析 188

8.5 带控制器的微粒群算法 189

8.5.1 标准微粒群算法的控制理论分析 189

8.5.2 积分控制微粒群算法 190

8.5.3 PID控制微粒群算法 193

8.6 基于多样性控制的自组织微粒群算法 202

8.6.1 自组织微粒群算法的提出 202

8.6.2 群体多样性测度 203

8.6.3 多样性参考输入的确定 205

8.6.4 多样性控制器的设计 206

8.6.5 自组织微粒群算法在约束布局优化中的应用 207

8.7 小结 210

参考文献 210

第9章 微粒群算法在约束优化问题中的应用 217

9.1 约束处理方法 218

9.2 基于约束保持法的微粒群算法 219

9.2.1 基于一维搜索约束保持法的向量微粒群算法（ODCPVPSO） 220

9.2.2 基于多维搜索约束保持法的向量微粒群算法（MDCPVPSO） 223

9.2.3 仿真实验结果对比 226

9.3 基于可行规则法的改进微粒群算法 228

9.3.1 基于可行规则的改进微粒群算法Ⅰ（FRMPSO Ⅰ） 229

9.3.2 基于可行规则的改进微粒群算法Ⅱ（FRMPSO Ⅱ） 232

9.3.3 仿真实验结果对比 234

9.4 改进微粒群算法在机械约束优化问题上的应用 236

参考文献 243

第10章 拟态物理学优化算法 246

10.1 标准拟态物理学优化算法 246

10.1.1 拟态物理学背景 246

10.1.2 拟态物理学方法到基于种群的优化算法的映射 248

10.1.3 拟态物理学优化算法框架 249

10.1.4 算法流程 252

10.1.5 APO算法与EM、PSO算法的比较分析 252

10.1.6 作用力规则的选择策略 253

10.1.7 质量函数的选择策略 262

10.2 拟态物理学优化算法的扩展模型 267

10.2.1 一种扩展的拟态物理学优化算法 268

10.2.2 向量拟态物理学优化算法 269

10.2.3 混合一维搜索的向量拟态物理学优化算法 271

10.2.4 混合多维搜索的向量拟态物理学优化算法 272

10.3 无约束多目标拟态物理学优化算法 274

10.3.1 基于聚集函数法的多目标拟态物理学优化算法 274

10.3.2 基于虚拟力排序的多目标拟态物理学优化算法 280

10.3.3 基于序值的多目标拟态物理学优化算法 286

10.4 约束多目标拟态物理学优化算法研究 293

10.4.1 基于可行规则法的约束多目标拟态物理学优化算法研究 293

10.4.2 基于约束保持法的CMOAPO算法研究 297

10.5 小结 299

参考文献 299

附录A 典型测试函数 303

附录B 常用的约束优化测试函数 310