绪论 1
第一篇 遗传算法 9
第1章 遗传算法简介 9
1.1遗传算法的发展历史 9
1.2遗传算法的基本原理 10
1.3遗传算法的数学机理 12
1.4遗传算法的特点 14
参考文献 15
第2章 遗传算法求解传统旅行商问题 17
2.1TSP的数学描述 17
2.2求解TSP的遗传算法 19
2.3模拟实验结果与分析 25
本章小结 32
参考文献 32
第3章 遗传算法求解有约束旅行商问题 34
3.1三类有约束的TSP 34
3.2有约束TSP的求解 35
3.3模拟实验结果 37
本章小结 42
参考文献 42
第4章 遗传算法求解广义旅行商问题 44
4.1广义旅行商问题 44
4.2广义染色体遗传算法 46
4.3广义染色体遗传算法的若干分析 61
4.4数值模拟实验 63
本章小结 70
参考文献 71
第二篇 粒子群优化算法 75
第5章 粒子群优化简介 75
5.1粒子群优化算法原理 75
5.2粒子群优化算法同其他算法的比较 79
5.3粒子群优化算法应用 80
本章小结 81
参考文献 81
第6章 离散PSO算法解决（广义）旅行商问题 83
6.1离散PSO算法及其在TSP中的应用 83
6.2离散PSO算法在广义TSP中的扩展 87
参考文献 91
第7章 基于粒子群优化的车间作业调度问题求解 92
7.1车间调度问题描述 92
7.2调度性能指标与调度解分类 94
7.3基于粒子群优化的JSSP求解 95
7.4数值模拟实验 100
参考文献 102
第三篇 蚁群算法 107
第8章 蚁群算法简介 107
8.1蚁群算法起源及发展 107
8.2蚁群算法的原理 107
8.3蚁群算法的特点 110
参考文献 110
第9章 蚁群算法在求解旅行商问题中的应用 113
9.1基本蚁群算法求解旅行商问题 113
9.2蚁群算法求解广义旅行商问题 114
9.3蚁群算法求解带时间窗的利润收集TSP 119
参考文献 124
第10章 蚁群算法在求解车间调度问题中的应用 125
10.1相遇算法 125
10.2Job-Shop问题的图形化定义 126
10.3求解Job-Shop问题的相遇算法 127
10.4MMMS与SA的混合算法求解Job-Shop问题 129
10.5数值模拟实验 131
参考文献 132
第四篇 免疫算法 135
第11章 免疫算法简介 135
11.1人工免疫系统的概念与范畴 135
11.2人工免疫系统原理 136
11.3免疫算法与体液免疫的关系 137
11.4免疫算法的运行机制 138
参考文献 140
第12章 基于人工免疫系统的旅行商问题求解 143
12.1亲和度 143
12.2变异操作 143
12.3克隆选择 144
12.4疫苗接种 144
12.5免疫记忆 145
12.6算法步骤 146
12.7数值模拟实验 146
参考文献 147
第13章 基于人工免疫系统的车间作业调度问题求解 148
13.1抗体群初始化算法 148
13.2亲和力的计算和调整 149
13.3克隆选择 149
13.4疫苗接种和变异 150
13.5受体编辑 151
13.6基于免疫系统求解车间作业调度问题的流程 151
13.7数值模拟实验 151
参考文献 153
第五篇 其他群智能优化算法 157
第14章 细菌觅食算法 157
14.1算法简介 157
14.2细菌觅食算法分析 158
14.3求解车间调度问题 159
14.4仿真实验及结果分析 165
本章小结 168
参考文献 168
第15章 Memetic算法 170
15.1算法简介 170
15.2算法实现框架 170
15.3克隆选择Memetic算法 171
15.4数值模拟试验及结果 181
本章小结 183
参考文献 183
第六篇 混合群智能优化算法及应用 187
第16章 基于隐马尔可夫模型和免疫粒子群优化的多序列比对算法 187
16.1多重序列比对与HMM简介 187
16.2免疫粒子群优化算法 191
16.3基于IPSO的多序列比对 193
16.4数值模拟实验 195
本章小结 197
参考文献 197
第17章 粒子-免疫算法求解车间作业调度问题 199
17.1基于PSO和AIS的混合智能算法 199
17.2数值模拟实验及结果 200
参考文献 206
第18章 基于群智能的混合算法 208
18.1基于群智能的混合模式 208
18.2各种混合模式的分析 213
18.3数值计算及结果比较 215
本章小结 219
参考文献 219