1.1 从进化论到进化计算 1
1.1.1 现代进化论 1
第1章 绪论 1
1.1.2 生物进化与优化 3
1.2 进化计算 5
1.2.1 进化计算的主要分支 6
1.2.2 进化计算的数学基础 8
1.2.3 进化算法的收敛性理论 10
1.2.4 进化计算的应用 16
1.3.1 协同进化的生物学基础 17
1.3 协同进化计算 17
1.3.2 协同进化的动力学描述 21
1.3.3 协同进化算法的发展现状 23
1.4 复杂适应系统 26
1.4.1 复杂适应系统 26
1.4.2 复杂适应系统的适应性与生物进化过程 28
1.4.3 生物进化过程的数学模型 31
1.5 多智能体系统 34
1.5.1 智能体的基本概念 34
1.5.2 智能体形式化描述 37
1.5.3 多智能体系统的主要研究内容 40
1.5.4 面向问题解决的多智能体系统研究现状 43
1.5.5 多智能体系统与分布式人工智能 45
1.5.6 多智能体系统与人工生命 47
1.5.7 多智能体系统与进化计算 49
第2章 组织协同进化分类算法 52
2.1 分类问题与组织学习模型 52
2.2 用于分类的组织 54
2.3 组织适应度函数 57
2.4 组织协同进化分类算法 58
2.5.1 UCI标准数据集 61
2.5 仿真实验比较研究 61
2.5.2 算法扩展性分析 62
2.6 算法实际应用 64
2.6.1 雷达一维像识别 64
2.6.2 遥感舰船目标识别 67
第3章 组织进化算法求解SAT问题 70
3.1 用于SAT问题的组织 70
3.2 组织进化算子设计 72
3.2.1 自学习算子 72
3.2.2 吞并算子 72
3.2.3 分裂算子 73
3.3 求解SAT问题的组织进化算法 74
3.4 仿真实验比较研究 77
第4章 组织进化数值优化算法 80
4.1 用于数值优化的组织 80
4.2 组织进化算子设计 81
4.2.1 分裂算子 81
4.2.2 吞并算子 82
4.2.3 合作算子 83
4.3 组织进化数值优化算法 84
4.4 收敛性证明 84
4.5 无约束优化仿真实验 87
4.5.1 OEA的实验结果 88
4.5.2 OEA与FEP和OGA/Q的比较 90
4.6 有约束优化仿真实验 91
4.6.1 OEA与已有方法的性能比较 92
4.6.2 OEA的实验结果 94
4.6.3 种群规模对OEA求解无约束优化性能的影响 95
4.7 参数机理研究 96
4.7.1 参数AS和CS对OEA性能的影响 97
4.7.2 参数Maxos对OEA性能的影响 97
第5章 移动模式序列——一种新的VLSI布图表示方法 100
5.1 布图规划问题 100
5.2.1 移动模式序列的定义 102
5.2 矩形模块移动模式序列 102
5.2.2 移动模式序列到布局的转换算法 103
5.2.3 移动模式序列到布局转换算法的正确性与计算复杂度分析 108
5.3 直线边界模块移动模式序列 110
5.3.1 直线边界模块的信息表示结构 111
5.3.2 移动模式序列到布局的转换算法 112
5.3.3 移动模式序列到布局的转换实例 117
第6章 基于移动模式序列的组织进化算法 119
6.1 求解布图规划问题的组织定义 119
6.2 各类型模块形状的确定 119
6.3.2 吞并算子 123
6.3 组织进化算子设计 123
6.3.1 分裂算子 123
6.3.3 培训算子 125
6.4 基于移动模式序列的组织进化算法 126
6.5 仿真实验比较研究 127
6.5.1 硬矩形模块的布图规划实验 129
6.5.2 软矩形模块的布图规划实验 135
6.5.3 软矩形模块与硬直线边界模块混合的布图规划实验 138
第7章 协同进化多目标优化算法求解VLSI布图规划问题 140
7.1 多目标优化 140
7.1.1 多目标优化问题的起源与数学模型 141
7.1.2 经典的多目标进化算法 143
7.1.3 种群多样性 146
7.1.4 性能评价方法 147
7.2 协同进化多目标优化算法 148
7.2.1 适应度定义与选择机制 149
7.2.2 协同进化算子 150
7.2.3 算法描述 151
7.2.4 仿真实验比较研究 152
7.3.1 协同进化算子设计 156
7.3 求解VLSI布图规划问题的协同进化多目标优化算法 156
7.3.2 算法描述 160
7.3.3 仿真实验比较研究 161
第8章 用于超高维函数优化的多智能体遗传算法 165
8.1 用于函数优化的智能体 165
8.2 智能体遗传算子设计 167
8.2.1 邻域竞争算子 168
8.2.2 邻域正交交叉算子 168
8.2.3 变异算子 170
8.2.4 自学习算子 170
8.3 多智能体遗传算法 171
8.4 收敛性证明 172
8.5 仿真实验比较研究 175
8.5.1 几个典型算法 176
8.5.2 30维函数优化实验 177
8.5.3 20～1000维函数优化实验 177
8.5.4 1000～10000维函数优化实验 180
8.6 线性系统逼近问题仿真实验 183
8.6.1 自适应伸缩搜索空间的方法 184
8.6.2 自适应遗传算法仿真实验 185
8.6.3 用于线性系统逼近的多智能体遗传算法 189
8.6.4 线性系统逼近问题仿真实验 191
9.1 可分解函数 194
第9章 可分解函数优化的宏智能体进化模型 194
9.2 宏智能体 195
9.3 宏智能体进化模型 196
9.4 层次多智能体遗传算法 198
9.4.1 算法描述 199
9.4.2 收敛性证明与时间复杂度分析 200
9.4.3 仿真实验比较研究 202
第10章 组合优化多智能体进化算法 205
10.1 用于组合优化的智能体 205
10.2 智能体的行为 206
10.2.2 自学习行为 207
10.2.1 竞争行为 207
10.3 组合优化多智能体进化算法 209
10.4 收敛性证明 210
10.5 欺骗问题仿真实验 213
10.5.1 强联结欺骗函数实验 214
10.5.2 弱联结欺骗函数实验 216
10.5.3 重叠联结欺骗函数实验 218
10.6 等级问题仿真实验 220
10.6.1 等级问题 220
10.6.2 实验结果 222
第11章 约束满足智能体进化算法 225
11.1 约束满足智能体 225
11.1.1 约束满足问题 225
11.1.2 约束满足智能体的定义 226
11.1.3 约束满足智能体的生存环境 229
11.2 约束满足智能体的行为 230
11.2.1 竞争行为 230
11.2.2 自学习行为 231
11.2.3 变异行为 232
11.3 约束满足智能体进化算法 232
11.4.1 空间复杂度分析 233
11.4 算法复杂性分析 233
11.4.2 收敛性证明 234
11.5 非排列式约束满足问题仿真实验 237
11.5.1 与经典算法的性能比较研究 238
11.5.2 算法参数机理分析 239
11.6 排列式约束满足问题仿真实验 242
11.6.1 n－皇后问题 242
11.6.2 实验结果 245
第12章 多智能体进化算法的实际应用 247
12.1 约束布局优化问题 247
12.1.1 问题描述 247
12.1.3 仿真实验比较研究 249
12.1.2 求解约束布局优化问题的多智能体遗传算法 249
12.2 时延受限组播路由问题 255
12.2.1 组播路由算法概述 255
12.2.2 搜索空间动态扩展的多智能体进化算法求解时延受限组播路由问题 261
12.2.3 仿真实验研究 266
参考文献 268
附录A 第4章的15个无约束优化测试函数 282
附录B 第4章的13个有约束优化测试函数 284
附录C 图6.2布图结果对应的形状信息和移动模式序列 288
附录D 图6.3布图结果对应的形状信息和移动模式序列 296
附录E 图6.4布图结果对应的形状信息和移动模式序列 301