第1章 绪论 1
1.1从生物进化到遗传算法 2
1.2遗传算法的描述 6
1.3表示方案的实例 15
1.3.1工程设计的最优化 16
1.3.2人工蚁问题 18
1.4遗传算法的特点 22
1.5遗传算法的发展简史 25
1.6遗传算法的研究内容及前景 32
1.7遗传算法的应用 36
第2章 遗传算法的基本原理 39
2.1复杂系统的适应过程 40
2.1.1复杂系统的适应性 41
2.1.2适应过程的数学模型 45
2.2遗传算法的基本描述 49
2.2.1整体优化问题 50
2.2.2遗传算法的基本流程 51
2.2.3遗传编码 52
2.2.4适应函数（评价函数） 59
2.2.5遗传算子 60
2.2.6群体设定 70
2.2.7初始化群体 71
2.2.8终止循环的条件 71
2.2.9标准遗传算法的流程 72
2.2.10控制参数和选择 72
2.2.11遗传算法的性能评估 73
2.3遗传算法的模式理论 75
2.3.1模式与模式空间 75
2.3.2模式生存模型 78
2.3.3双臂赌机分析 81
2.3.4基因模块假设 83
2.3.5模式处理与隐含并行性 86
2.3.6模式处理与遗传算子的性能 88
2.4遗传算法与其他搜索技术的比较 89
2.4.1启发式随机搜索技术的基本功能 90
2.4.2局域搜索技术 91
2.4.3模拟退火算法 92
2.4.4遗传算法搜索 93
2.4.5启发式搜索技术比较 94
2.5遗传算法计算实例 96
2.5.1单调连续函数 96
2.5.2 One-Max函数 100
2.5.3皇家大道问题 101
2.6遗传算法杂交率与变异率关系的研究 105
2.6.1研究方法简述 106
2.6.2算例 106
2.6.3应用 108
2.6.4结论 109
第3章 遗传算法数学机理分析 111
3.1遗传算法的基本定理 112
3.2隐含并行性 119
3.3 Walsh模式变换 121
3.3.1 Walsh函数 121
3.3.2用Walsh函数表示模式平均适应度 124
3.3.3 Walsh系数与异位显性（epistasis） 124
3.4非均匀Walsh模式变换 128
3.5最小欺骗问题 129
3.6遗传算法欺骗问题的分析与设计 136
3.7模式的几何表示 137
3.8遗传算法收敛分析 138
3.8.1基本定义 139
3.8.2守恒杂交算子 142
3.8.3完全变异算子 144
3.8.4遗传算法的马尔可夫（Markov）链分析 145
第4章 解连续优化问题的遗传算法 149
4.1基本的遗传算法 149
4.1.1引言 149
4.1.2算法描述 150
4.1.3算法性能分析 152
4.1.4从目标函数到适应函数 155
4.1.5基本的选择（复制）方法 157
4.2遗传算法中控制参数的最优化 158
4.2.1自适应系统模型 158
4.2.2试验设计 160
4.2.3试验结果 164
4.3适应值的比例变换 167
4.3.1基本的比例方法 167
4.3.2用于选择比例函数的准则的性质 170
4.3.3比例函数的一维族 172
4.3.4比例函数的m维族 175
4.4解函数优化的并行遗传算法 179
4.4.1遗传算法与并行计算机 179
4.4.2并行搜索和最优化 181
4.4.3并行遗传算法的形式描述 181
4.4.4性能评估 185
4.4.5数值结果 188
4.4.6超线性加速比 189
4.4.7 PGA与一般最优化方法 190
4.5混合遗传算法 191
4.5.1混合的原则 191
4.5.2修改的遗传算子 192
4.6退火演化算法 194
4.6.1模拟退火算法概述 194
4.6.2退火演化算法用于求解连续优化问题 196
4.6.3比较结果及退火演化算法的并行策略 198
4.7约束最优化问题 201
4.8遗传算法控制参数优化策略研究 205
4.8.1 Pc、Pm的调整策略 206
4.8.2动态收敛准则 208
4.8.3最佳群体规模的确定 209
第5章 分布式遗传算法研究 211
5.1 PGA分类 211
5.1.1全局PGA模型 211
5.1.2粗粒度PGA模型 213
5.1.3粗粒度模型的生物学依据 215
5.1.4细粒度PGA模型 216
5.1.5细粒度模型的理论基础 217
5.1.6 混合PGA模型 218
5.2分布式遗传算法简介 218
5.2.1工作站机群（COW）并行计算模式 219
5.2.2分布式PGA 219
5.2.3 PVM简介 221
5.2.4 PVM的编程模式 222
5.3分布式遗传算法的实现和算法研究 222
5.3.1基于Windows Socket编程 223
5.3.2 Windows Socket编程算例 226
5.3.3结论及进一步的工作 236
5.4分布式遗传算法求解TSP问题的CORBA实现研究 237
5.4.1应用CORBA技术的原因 238
5.4.2分布式遗传算法求解TSP问题的CORBA实现软件体系结构 239
5.4.3分布式遗传算法求解TSP问题的CORBA实现的优越性 240
5.4.4参数设置和计算方法 240
5.4.5计算结果 241
5.4.6实验中表现出来的三条规律 242
5.4.7实验结果的验证 246
5.5一种新的混合分布式并行遗传算法 246
5.5.1 SEGA的算法描述 247
5.5.2 SEGA算法的收敛性分析 249
5.5.3 SEGA算法的时间复杂度分析 251
5.5.4 SEGA算法在有约束性问题中的应用 252
5.5.5实验与结果 254
5.5.6粗粒度并行遗传算法的分布式实现 255
5.5.7 ENDGA算法的设计与分析 262
5.5.8 ENDGA算法平台建立 269
5.5.9用ENDGA算法解决实际问题 272
5.6基于群体规模可变的粗粒度并行遗传算法 277
5.6.1基于一般粗粒度并行遗传算法分析 278
5.6.2基于群体规模可变的粗粒度并行遗传算法 279
5.6.3仿真研究 281
第6章 遗传算法的实现技术 284
6.1关于遗传算法的进一步讨论 284
6.1.1遗传算法中参数的编码原则 284
6.1.2目标函数的选取和选择淘汰的原则 285
6.1.3遗传算法控制参数的选择原则 287
6.2一种改进的实数编码遗传算法 288
6.2.1改进设想 288
6.2.2改进的遗传算法程序 291
6.2.3对遗传算法程序的说明 291
6.2.4改进算法的伪码描述 292
6.2.5改进的实数编码遗传算法程序运行实验 293
6.3一种改进的整数编码遗传算法 306
6.3.1算法介绍 307
6.3.2算法性能 310
6.3.3结论 313
6.4基于复数编码的遗传算法研究 314
6.4.1引言 314
6.4.2基于双倍体结构的遗传算法 314
6.4.3复数遗传算法流程 317
6.4.4试验方案及结果 317
6.4.5结论 319
6.5基于混合编码的遗传算法研究 319
6.5.1引言 320
6.5.2混合编码遗传算法 320
6.5.3混合编码遗传算法中遗传算子的设计 322
6.5.4优化实验 324
6.5.5讨论 326
6.6自适应遗传算法研究 327
6.6.1 M.Srinivas提出的自适应遗传算法 328
6.6.2一种改进的自适应遗传算法 328
6.6.3新的改进的自适应遗传算法 330
6.6.4自适应遗传算法的新探索 337
6.6.5群体规模自适应遗传算法 341
6.7基于多亲遗传机制的多目标优化算法 345
6.7.1问题的提出 345
6.7.2基于多亲遗传机制的多目标优化算法 346
6.7.3小结 352
第7章 遗传算法应用实例 353
7.1化学反应动力学模型参数估算 353
7.1.1费托合成反应的研究简介 353
7.1.2费托合成反应动力学实验 353
7.1.3费托合成反应动力学模型 354
7.1.4动力学参数回归实验结果及分析 356
7.2遗传算法和贪婪算法结合用于图的着色问题 361
7.2.1图的着色的基本概念 362
7.2.2遗传算法与贪婪算法的结合用于图的着色 365
7.2.3着色问题的混合遗传算法 368
7.2.4实验结果与分析 372
7.3基于遗传算法求解惠更斯问题 375
7.3.1问题陈述 375
7.3.2算法设计 376
7.3.3实验结果及分析 378
7.4基于遗传算法的病态线性方程组求解 383
7.4.1问题陈述 384
7.4.2求解病态线性方程组的遗传算法的构造过程 386
7.4.3算法实验设计 389
7.4.4模拟结果与分析 393
7.4.5模拟结果分析 397
7.4.6结论 399
附录A改进的实数编码遗传算法程序 401
附录B基本遗传算法示例程序 425
参考文献 439