《多目标优化免疫算法、理论和应用》PDF下载

  • 购买积分:12 如何计算积分?
  • 作  者:焦李成,尚荣华,马文萍等著
  • 出 版 社:北京:科学出版社
  • 出版年份:2010
  • ISBN:9787030263568
  • 页数:305 页
图书介绍:本书在全面总结目前国内外多目标优化及人工免疫系统发展现状的基础上,着重介绍作者在基于人工免疫系统的多目标优化这一领域的研究成果,针对不同问题提出多种新的算法和实现策略。主要内容包括:第一部分人工免疫系统基础。首先,论述人工智能和计算智能以及进化论与计算智能之间的关系,强调进化论和仿生方法在人工智能方法发展中的作用。其次,从信息处理的角度,介绍有关生物免疫系统的基本概念、构成及其功能,为人工免疫系统研究做生物学准备。然后,阐述人工免疫系统的历史、研究现状。第二部分多目标优化相关理论。系统介绍多目标优化问题、多目标优化算法的研究现状、多目标优化算法的设计目标、多目标优化算法的收敛性及其性能度量方法。第三部分免疫克隆选择多目标优化算法、免疫记忆克隆算法及其应用。在这一部分系统探讨相应免疫克隆选择多目标优化算法及其在多目标0/1背包问题、约束优化问题、动态多目标优化问题及多目标聚类中的应用。第四部分给出了四种有效的多目标优化算法。求解多目标优化的非支配近邻免疫算法、求解偏好多目标优化的偏好等级免疫记忆克隆选择算法、基于多智能体的多目标社会协同进化算法、量子免疫克隆多目标优化算法。

第1章 多目标优化研究进展 1

1.1 多目标优化问题 1

1.2 多目标优化问题的数学模型 3

1.3 多目标优化算法 4

1.3.1 古典的多目标优化方法 4

1.3.2 基于进化算法的多目标优化方法 5

1.3.3 基于粒子群的多目标优化方法 10

1.3.4 基于协同进化的多目标优化方法 11

1.3.5 基于人工免疫系统的多目标优化方法 12

1.3.6 基于分布估计的多目标优化方法 16

1.4 多目标优化的研究趋势 16

1.4.1 新型占优机制研究 17

1.4.2 高维多目标优化的研究 17

1.4.3 动态多目标优化的研究 19

1.4.4 多目标优化测试问题研究 19

1.5 多目标优化算法的设计目标 20

参考文献 21

第2章 人工免疫系统基础 28

2.1 进化计算的基础 28

2.1.1 进化计算的生物学基础 28

2.1.2 进化算法的一般框架及特点 29

2.1.3 进化算法的主要分支 30

2.1.4 进化算法研究进展 32

2.2 生物免疫系统 34

2.2.1 生物免疫学和免疫的基本概念 34

2.2.2 免疫分类 35

2.2.3 免疫系统及其功能 36

2.3 生物免疫系统的两个重要学说 40

2.3.1 克隆选择学说 40

2.3.2 免疫网络学说 42

2.4 人工免疫系统 43

2.4.1 人工免疫系统研究历史和现状 43

2.4.2 人工免疫系统模型 44

2.4.3 人工免疫系统算法 45

参考文献 48

第3章 多目标优化算法的收敛性及性能度量 53

3.1 多目标优化算法的收敛性 53

3.1.1 概述 53

3.1.2 全局收敛性的特征 54

3.1.3 Pareto-最优解集的特征 54

3.1.4 多目优化算法的收敛性 56

3.2 多目标优化算法的性能度量 57

3.2.1 概述 57

3.2.2 常见的性能度量方法 58

3.2.3 改进的性能度量方法 60

3.3 本章小结 64

参考文献 64

第4章 免疫克隆选择多目标优化算法 67

4.1 引言 67

4.2 算法设计与实现 68

4.2.1 算法流程图 69

4.2.2 初始化 69

4.2.3 免疫克隆操作 69

4.2.4 免疫基因操作 71

4.2.5 克隆选择操作 72

4.2.6 抗体群更新操作 73

4.2.7 NICA用于求解多目标优化问题 74

4.3 算法的复杂度分析 75

4.4 算法的性能度量指标 76

4.5 仿真结果及其分析 76

4.5.1 测试问题 76

4.5.2 算法的参数选择和分析 79

4.5.3 仿真结果分析 81

4.6 本章小结 109

参考文献 110

第5章 免疫克隆多目标优化算法求解约束优化问题 113

5.1 引言 113

5.2 问题定义 113

5.3 约束处理技术 114

5.3.1 已有的约束处理技术 114

5.3.2 本章使用的约束处理方法 115

5.4 算法设计与实现 116

5.4.1 免疫和克隆选择 116

5.4.2 克隆操作 116

5.4.3 免疫基因操作 117

5.4.4 求解约束优化问题的免疫克隆多目标优化算法 120

5.5 算法的收敛性分析 121

5.6 算法的复杂度分析 123

5.7 实验结果与分析 124

5.7.1 测试问题 124

5.7.2 测试结果及性能分析 128

5.8 本章小结 131

参考文献 131

第6章 免疫记忆克隆算法用于求解约束多目标优化问题 133

6.1 引言 133

6.2 约束多目标优化问题的数学模型 134

6.3 用于约束多目标优化的免疫记忆克隆算法 134

6.3.1 约束条件的处理方法 134

6.3.2 免疫记忆克隆 135

6.3.3 免疫克隆重组操作 136

6.3.4 免疫克隆变异操作 136

6.3.5 免疫记忆克隆约束多目标优化 136

6.4 算法的特点分析 138

6.5 算法的复杂度分析 139

6.6 性能度量指标 140

6.7 实验结果与分析 140

6.7.1 测试问题 140

6.7.2 算法的参数选择和分析 141

6.7.3 测试结果及性能分析 142

6.8 本章小结 146

参考文献 147

第7章 免疫克隆算法求解动态多目标优化问题 149

7.1 引言 149

7.2 动态多目标优化问题 150

7.3 算法设计与实现 151

7.3.1 免疫克隆选择算子 151

7.3.2 非一致性变异算子 152

7.3.3 抗体群更新算子 152

7.3.4 动态多目标免疫克隆优化算法 153

7.4 算法的性能分析 154

7.5 算法的复杂度分析 155

7.6 实验结果与分析 155

7.6.1 收敛测度 155

7.6.2 测试问题 156

7.6.3 测试结果及性能分析 158

7.7 本章小结 165

参考文献 166

第8章 基于免疫优势克隆选择的多目标组合优化 167

8.1 引言 167

8.2 典型多目标优化问题的数学模型 168

8.3 用于多目标组合优化问题的免疫优势克隆选择算法 169

8.3.1 基本定义 169

8.3.2 免疫优势获得操作 171

8.3.3 免疫优势克隆操作 171

8.3.4 免疫优势选择操作 172

8.3.5 免疫优势克隆选择算法 173

8.4 算法机理分析 174

8.4.1 算法的机理 174

8.4.2 算法的复杂度分析 175

8.5 性能评价指标 176

8.6 IDCMA求解背包问题 177

8.6.1 多目标0/1背包问题的数学模型 177

8.6.2 约束处理 178

8.6.3 算法设计 178

8.7 实验结果与分析 179

8.7.1 测试问题 179

8.7.2 算法的参数选择 179

8.7.3 实验结果分析 180

8.8 本章小结 184

参考文献 184

第9章 基于免疫克隆优化的多目标聚类 186

9.1 引言 186

9.2 多目标聚类算法分析 187

9.3 基于免疫克隆优化的多目标聚类算法 188

9.3.1 概念与定义 188

9.3.2 个体基因表示及操作算子 190

9.3.3 目标函数 192

9.3.4 算法描述 193

9.4 聚类数的自动确定 194

9.4.1 控制数据 194

9.4.2 Pareto最优面及控制面的集合 195

9.5 实验测试结果 196

9.5.1 对比算法描述 196

9.5.2 实验参数设置 196

9.5.3 聚类性能评价函数 197

9.5.4 算法聚类性能 197

9.6 本章小结 201

参考文献 201

第10章 求解多目标优化的非支配近邻免疫算法 203

10.1 非支配近邻免疫算法 203

10.1.1 基本概念 203

10.1.2 算法描述与分析 204

10.2 实验分析 207

10.2.1 实验设置 207

10.2.2 NNIA与PESA-Ⅱ、SPEA2、NSGA-Ⅱ和MISA的比较 212

10.2.3 重组对NNIA性能的影响 220

10.2.4 可扩展性研究 221

10.3 本章小结 223

参考文献 225

第11章 求解偏好多目标优化的偏好等级免疫记忆克隆选择算法 226

11.1 引言 226

11.2 问题与定义 227

11.2.1 偏好多目标优化问题定义 227

11.2.2 偏好关系模型 228

11.3 偏好等级免疫记忆克隆选择算法 229

11.3.1 偏好多目标优化 229

11.3.2 偏好等级的定义 230

11.3.3 偏好等级免疫记忆克隆选择算法 231

11.4 实验仿真 236

11.4.1 度量标准 236

11.4.2 测试函数 237

11.4.3 实验设置 238

11.4.4 实验测试结果与分析 239

11.4.5 PISA用于解决高维多目标问题 244

11.4.6 重组算子对PISA的影响 247

11.4.7 对比运行时间分析 248

11.5 本章小结 249

参考文献 249

第12章 多目标优化问题的多智能体社会进化算法 252

12.1 引言 252

12.2 多目标优化问题的多智能体社会进化算法 252

12.2.1 social multi-Agent系统 252

12.2.2 Agent生存环境 253

12.2.3 Agent定义 253

12.2.4 局部感知环境定义 254

12.2.5 Agent行为设计 255

12.2.6 算法描述 257

12.2.7 算法复杂度分析 258

12.3 实验结果及其分析 258

12.3.1 性能评价方法 258

12.3.2 多目标函数优化问题测试 259

12.3.3 局部环境建立方式分析 264

12.4 本章小结 266

参考文献 266

第13章 量子免疫克隆多目标优化算法 268

13.1 量子计算原理 268

13.1.1 状态的叠加 269

13.1.2 状态的相干 269

13.1.3 状态的纠缠 270

13.1.4 量子并行性 270

13.2 量子计算智能的几种模型 270

13.2.1 量子人工神经网络 270

13.2.2 基于量子染色体的进化算法 271

13.2.3 基于量子特性的优化算法 272

13.2.4 量子聚类算法 272

13.2.5 量子模式识别算法 273

13.2.6 量子小波与小波包算法 273

13.2.7 量子退火算法 273

13.2.8 其他算法 274

13.3 量子进化算法 274

13.3.1 量子进化算法的提出 274

13.3.2 量子进化算法中用到的一些基本概念 275

13.3.3 量子进化算法 276

13.3.4 量子进化算法的结构框架 279

13.3.5 量子进化算法的收敛性 282

13.4 量子克隆进化算法 284

13.4.1 量子克隆遗传算法 285

13.4.2 量子克隆进化规划 285

13.4.3 量子克隆进化策略 286

13.4.4 量子克隆进化算法的收敛性 286

13.5 量子免疫克隆多目标优化算法 288

13.5.1 问题描述 288

13.5.2 量子免疫克隆算子设计 289

13.5.3 算法描述 290

13.6 算法分析 291

13.6.1 算法的特点分析 291

13.6.2 算法的复杂度分析 292

13.7 仿真实验比较研究 293

13.8 本章小结 302

参考文献 302