第1章 概论 1
1.1 模拟进化计算技术 1
1.1.1 什么是模拟进化计算技术？ 1
1.1.2 模拟进化计算技术所处理的基本问题 2
1.2 模拟进化计算的生物学基础 4
1.2.1 遗传变异理论 4
1.2.2 进化论 5
1.2.3 遗传与进化的系统观 5
1.2.4 免疫学原理 6
1.3 模拟进化计算的一般框架 8
1.4 典型例子 10
1.4.1 遗传算法（GA） 10
1.4.2 免疫算法（IA） 11
1.4.3 演化策略（ES） 12
1.5 模拟进化计算的本质优点与适用领域 13
习题一 15
2.1 模拟进化算法的形式化模型 17
第2章 模拟进化算法的基本要素与数学描述 17
2.2 编码格式 19
2.3 适应度度量 27
2.4 选择算子 28
2.4.1 比例型 29
2.4.2 排序型 31
2.4.3 非单调型 31
2.5 繁殖算子 33
2.5.1 变异算子 34
2.5.2 交叉算子 36
2.6 进化参数 38
习题二 40
第3章 模拟进化计算的典型执行策略 41
3.1 杰出者记录与”父子混合”选择策略 41
3.2 适应值共享策略 43
3.3 并行实现策略 45
3.3.1 基于群体分组的并行策略 46
3.3.2 基于空间分解的并行策略 48
3.4 混合策略 50
3.5 自适应策略 55
习题三 60
第4章 遗传算法的搜索机理 61
4.1 种群增长方程 61
4.2 交叉算子的搜索可达域 65
4.3 变异算子的搜索可达域 68
4.4 选择算子的搜索能力与搜索速度 72
4.5 遗传算法的搜索机制 74
习题四 75
第5章 遗传算法的收敛性理论 76
5.1 种群序列的收敛性定义及性质 76
5.2 遗传算法的马氏链分析 78
5.2.1 马氏链的定义及相关性质 78
5.2.2 标准遗传算法的马氏链分析 85
5.2.3 杰出者选择遗传算法的概率收敛性 87
5.3 遗传算法的公理化分析 88
5.3.1 进化算子的特征数 89
5.3.2 抽象模拟进化算法的概率收敛性定理 92
5.3.3 应用举例 96
5.4* 遗传算法的鞅分析 98
5.4.1 条件期望与鞅 98
5.4.2 遗传算法的几乎必然收敛性 99
习题五 109
第6章 模拟进化计算的新近发展 111
6.1 蚁群算法 111
6.2 粒子群优化 114
6.3 差分演化算法 116
6.4 人口迁移算法 118
6.5 基于思维进化的机器学习 120
习题六 123
第7章 评注与展望 124
7.1 有关理论基础研究 124
7.2 有关算法设计 129
7.3 有关模拟进化计算的应用 132
参考文献 134