搜索方法论：优化与决策支持技术入门教程PDF电子书下载

第1章 概述 1

1.1跨学科决策支持：动力 1

1.2本书的结构 1

1.3基本概念和底层问题 2

附加信息资源 7

参考文献 8

第2章 经典方法 10

2.1引言 10

2.2线性规划 11

2.2.1简介 11

2.2.2线性规划的问题形式 11

2.2.3对偶性 12

2.2.4求解技巧 13

2.3分支限界法 13

2.3.1简介 13

2.3.2基于部分解的分支限界法 15

2.3.3一个推广 20

2.3.4其他问题 21

2.4动态规划 22

2.4.1简介 22

2.4.2建立DP模型 23

2.4.3其他问题 27

2.5网络流规划 28

2.5.1简介 28

2.5.2最大流问题 28

2.5.3最小费用流问题 30

2.5.4其他问题 34

2.6若干有用的模型 34

2.6.1最短路径问题：动态规划方法 35

2.6.2运输与指派问题和转运问题：网络流方法 36

2.6.3其他有用的模型 37

2.7今后的应用领域 37

2.7.1预处理和后处理 38

2.7.2真混成 38

2.7.3杂交 39

2.8诀窍 39

2.8.1简介 39

2.8.2有关分支限界法的小提示 40

2.8.3有关动态规划的小提示 40

2.8.4有关网络流规划的小提示 41

2.9结论 41

附加信息源 42

参考文献 43

第3章 整数规划 45

3.1介绍 45

3.1.1设备选址 46

3.1.2解决设备选址整数规划问题 47

3.1.3整数规划中的难点 49

3.2在方程中具有创新性 49

3.2.1整数数量 50

3.2.2二进制决策 50

3.2.3固定费用需求 51

3.2.4逻辑约束 51

3.2.5排序问题 52

3.3寻找具有强松弛的公式 52

3.4避免对称 55

3.5考虑多约束的公式 56

3.6考虑带多个变量的公式 57

3.7修正分支限界法的参数 59

3.7.1问题描述 59

3.7.2线性规划的求解方法 60

3.7.3分支变量选择 60

3.7.4待解子问题选择 60

3.7.5分支方向 60

3.7.6容忍度 60

3.8诀窍 61

3.9结论 61

附加信息源 61

参考文献 62

第4章 遗传算法 64

4.1引言 64

4.1.1基本的遗传算法算子 65

4.1.2可胜任遗传算法 69

4.1.3基于效率和/或有效性的遗传算法改进 72

4.2诀窍 75

附加信息源 76

参考文献 77

第5章 遗传规划 84

5.1引言 84

5.2遗传规划的准备步骤 85

5.3遗传规划的执行步骤 86

5.4运行一个遗传规划的实例 92

5.5遗传规划的深入特征 95

5.5.1约束的语法结构 95

5.5.2自动定义的函数 95

5.5.3自动定义的迭代、循环、递归和存储 96

5.5.4程序结构以及结构改变操作 96

5.5.5遗传规划问题的解算机 97

5.5.6启发式遗传规划 97

5.6通过遗传规划生成的人类竞争结果 97

5.7未来应用的前景领域 100

5.8遗传规划理论 100

5.9诀窍 103

5.10结论 104

附加信息源 104

参考文献 106

第6章 禁忌搜索 110

6.1引言 110

6.2示例问题 110

6.2.1作业车间调度问题 110

6.2.2选址运输问题 111

6.3基本概念 112

6.3.1历史背景 112

6.3.2禁忌搜索 112

6.3.3搜索空间与邻域结构 113

6.3.4禁忌 114

6.3.5特赦准则 115

6.3.6一个简单禁忌搜索的模板 115

6.3.7终止条件 116

6.3.8概率禁忌搜索与候选列表 116

6.4基本概念的扩展 117

6.4.1强化 117

6.4.2分散 117

6.4.3允许不可行解 118

6.4.4替代与辅助目标函数 118

6.5未来应用的前景领域 119

6.6诀窍 119

6.6.1起步 119

6.6.2更多提示 120

6.6.3概率禁忌搜索的更多提示 120

6.6.4参数调校和计算测试 121

6.7结论 121

附加信息源 122

参考文献 122

第7章 模拟退火 126

7.1引言 126

7.2局部搜索 126

7.3基本模拟退火 128

7.4数学建模 130

7.5平衡态统计 132

7.6实际应用 135

7.6.1静态冷却进度表 136

7.6.2动态冷却进度表 136

7.7诀窍 136

7.8结论 138

附加信息源 138

参考文献 139

第8章 变邻域搜索 142

8.1引言 142

8.2预备知识：文档编集 144

8.3变邻域下降 145

8.4简化变邻域搜索 147

8.5基本和广义变邻域搜索 149

8.6偏变邻域搜索 152

8.7变邻域分解搜索 153

8.8性能分析 154

8.9有前景的研究领域 155

8.10诀窍 157

8.10.1起步 157

8.10.2更多提示 158

8.11结论 158

附加信息源 159

参考文献 159

第9章 约束规划 162

9.1引言 162

9.2推理 164

9.3建模 165

9.4搜索 165

9.4.1扩展 166

9.4.2修复 167

9.5样例 167

9.6易处理性 168

9.6.1理论 169

9.6.2实验 169

9.7最优化 169

9.8算法 170

9.8.1管理约束 170

9.8.2域和约束传播 170

9.8.3约束和搜索 171

9.8.4全局约束 172

9.8.5不同的约束行为 173

9.8.6扩展和修复搜索 173

9.9约束语言 174

9.9.1约束逻辑编程 174

9.9.2建模语言 175

9.10应用 175

9.10.1当前的应用领域 175

9.10.2在控制、查证和确认中的应用 175

9.10.3组合问题的解决 176

9.10.4其他的应用 177

9.11未来应用的前景领域 177

9.11.1动态约束，软约束 177

9.11.2混合技术 177

9.11.3知识获取和注解 177

9.11.4合成模型和算法 178

9.11.5分布式处理 178

9.11.6不确定性 178

9.12诀窍 178

9.12.1初始化变量 179

9.12.2搜索和传播 179

9.12.3分支和边界 180

9.12.4代码 180

9.12.5引入冗余约束 182

9.12.6增加搜索启发式算法 182

9.12.7使用一个不完备搜索技术 182

附加信息源 182

参考文献 183

第10章 多目标优化 186

10.1引言 186

10.2多目标优化的两个方法 188

10.3非支配解和Pareto最优解 191

10.3.1特殊解 191

10.3.2支配的概念 192

10.3.3支配关系的性质 193

10.3.4 Pareto最优解 193

10.3.5求非支配解的步骤 195

10.4多目标优化的一些方法 197

10.4.1经典方法：权重求和的方法 197

10.4.2经典方法：？限制方法 198

10.4.3多目标进化优化方法 199

10.4.4样例的仿真结果 201

10.4.5其他的多目标进化算法 202

10.5约束处理 203

10.6一些应用 204

10.6.1航天器轨迹设计 204

10.6.2悬臂板设计问题 205

10.7诀窍 207

10.7.1经典的多目标优化 207

10.7.2进化多目标优化 207

10.7.3优化后研究 209

10.7.4评价一个多目标优化算法 209

10.8未来方向 210

10.9总结 211

附加信息源 211

参考文献 213

第11章 复杂性理论与无免费午餐定理 217

11.1引言 217

11.2 P和NP复杂性 217

11.3无免费午餐 220

11.3.1无免费午餐：同一主题的不同变化 223

11.3.2无免费午餐与排列闭包 223

11.3.3免费午餐定理与可压缩性 226

11.3.4无免费午餐和NP-完全性 227

11.3.5评价搜索算法 228

11.4诀窍 229

11.5当前及未来的研究方向 229

11.6结论 230

附加信息源 230

参考文献 231

第12章 机器学习 233

12.1引言 233

12.1.1学习模型 233

12.1.2学习任务和机器学习中的问题 234

12.2学习算法综述 235

12.2.1学习决策树 235

12.2.2归纳逻辑编程 236

12.2.3贝叶斯学习 238

12.2.4强化学习 239

12.2.5神经网络 241

12.2.6演化学习 244

12.3学习和演化 245

12.3.1演化神经网络 245

12.3.2学习规则的演化 247

12.3.3演化神经网络的一般框架 248

12.4未来应用的前景领域 249

12.5诀窍 250

12.6结论 251

附加信息来源 252

参考文献 252

第13章 人工免疫系统 255

13.1前言 255

13.2生物免疫系统的概述 255

13.2.1免疫网络理论 257

13.2.2消极的选择机制 257

13.2.3克隆选择原则 257

13.3说明性问题 258

13.3.1入侵检测系统 258

13.3.2数据挖掘——协同过滤和聚类 258

13.4人工免疫系统的基本概念 259

13.4.1初始化/编码 259

13.4.2相似度或者相关性测度 259

13.4.3消极、克隆或近邻选择 260

13.4.4体细胞突变 261

13.5遗传算法和神经网络的比较 262

13.6人工免疫系统的延伸 262

13.6.1独特型网络——网络互动（抑制） 262

13.6.2危险理论 264

13.7未来应用的前景领域 266

13.8诀窍 267

13.9结论 268

附加信息源 268

参考文献 269

第14章 群智能 271

14.1引言 271

14.2蚁群优化（ACO）算法 271

14.2.1示例1：基本的ACO和TSP 273

14.2.2示例2：基于种群的ACO和TSP 275

14.2.3示例3： ACO解决调度问题 276

14.2.4 ACO算法的高级属性 278

14.2.5 ACO在未来应用中的前景领域 280

14.3粒子群优化 280

14.3.1示例1：基本的PSO和连续函数优化 281

14.3.2示例2：离散二进制PSO的子集问题 283

14.3.3 PSO的高级属性 283

14.3.4 PSO未来应用的前景领域 286

14.4诀窍 287

14.5结论 288

额外信息源 288

参考文献 289

第15章 模糊推理 294

15.1引言 294

15.2模糊集理论的基本定义 295

15.2.1模糊集和隶属度的概念 295

15.2.2隶属度函数 296

15.2.3模糊集运算 299

15.2.4变换算子 300

15.2.5模糊集的笛卡儿内积 300

15.2.6模糊关系 301

15.2.7模糊集合成 301

15.2.8模糊蕴含 301

15.2.9推理规则 302

15.2.10逆问题 302

15.2.11模糊相似度测度 302

15.3模糊推理系统的基本结构 303

15.3.1去模糊化单元 304

15.3.2规则库的设计 305

15.4案例研究：模糊控制系统 306

15.4.1模糊逻辑控制闭环 306

15.4.2比例积分（PI）和比例微分（PD）形式的模糊逻辑控制器 306

15.4.3示例 307

15.4.4模糊自适应控制方法 310

15.5模型辨识与模糊系统稳定性 312

15.5.1模糊系统建模 312

15.5.2模糊系统的稳定性 313

15.6诀窍 313

15.7结论与展望 314

附加信息来源 315

参考文献 315

第16章 基于粗糙集的决策支持 322

16.1引言 322

16.2粗糙集基础 323

16.2.1通过示例进行的说明 323

16.2.2经典粗糙集方法的正式描述 327

16.2.3由粗近似导出的决策规则 329

16.2.4由不可区分性到相似性 330

16.3知识发现的范式以及先验知识 331

16.4基于支配的粗糙集方法 334

16.4.1基于支配锥的粒计算 334

16.4.2决策规则的导出 338

16.4.3一个示例 340

16.5用于多判据选择和排名的基于支配的粗糙集方法 343

16.5.1作为偏好信息和学习样本的成对比较表 344

16.5.2成对比较表给定的排名不低于和排名低于关系的粗近似 345

16.5.3由排名不低于和排名低于关系的粗近似导出决策规则 347

16.5.4将决策规则用于决策支持 347

16.5.5说明性示例 348

16.5.6总结 350

16.6诀窍 351

16.7结论与有前景的未来研究领域 352

附加信息源 353

参考文献 353

第17章 超启发式 358

17.1超启发式的概念 358

17.2一个简单的例子：装箱问题 360

17.3简要概述 363

17.4一些研究问题 363

17.4.1没有免费午餐 363

17.4.2什么是问题族 364

17.4.3应该选择什么启发式 365

17.4.4应该使用什么搜索算法 365

17.4.5在搜索中，如何评估性能 365

17.4.6应该寻找什么类型的算法 366

17.5未来应用的前景领域 366

17.5.1时间表 366

17.5.2带时间窗的车辆路径 367

17.5.3其他前景领域 368

17.6诀窍 369

17.6.1滑雪旅馆问题 369

17.6.2构造性方法的简单框架 373

附加信息源 374

参考文献 374

第18章 近似算法 378

18.1引言 378

18.2近似策略 380

18.2.1预备知识 380

18.2.2贪婪方法 382

18.2.3序贯算法 386

18.2.4随机化 388

18.3近似类一览 389

18.3.1 PTAS和FPTAS 389

18.3.2 APX 390

18.3.3 PCP简介 391

18.4近似与随机算法有前景的应用领域 391

18.4.1随机回溯与后门 391

18.4.2用于引导完全回溯搜索的近似 392

18.4.3平均情况下的复杂度和近似 392

18.5诀窍 393

18.6结论 393

附加信息源 394

参考文献 395

第19章 适应度曲面 398

19.1历史回溯 398

19.2组合优化 399

19.3数学描述 402

19.3.1邻域结构 402

19.3.2局部最优 403

19.3.3吸引域 404

19.3.4图表示 404

19.3.5拉普拉斯矩阵 405

19.3.6图的特征系统 405

19.3.7重组曲面 407

19.3.8总结 407

19.4统计度量 408

19.4.1自相关 408

19.4.2最优解的数量 408

19.5凭经验的研究 409

19.6未来应用的前景领域 411

19.7诀窍 411

19.8结论 412

附加信息源 412

参考文献 413