第1章 绪论 1
1.1 研究背景与意义 1
1.2 国内外研究进展 2
1.2.1 合作协同演化算法研究进展 2
1.2.2 微粒群优化算法研究进展 4
1.2.3 微粒群优化计算典型应用 8
1.3 研究目的 10
1.4 研究内容 10
1.5 创新点 11
第2章 相关理论 13
2.1 引言 13
2.2 最优化理论 13
2.2.1 单目标优化问题 14
2.2.2 多目标优化问题 16
2.3 合作协同演化理论 18
2.4 智能计算方法 19
2.4.1 微粒群优化算法 19
2.4.2 蜂群优化算法 22
2.5 小结 25
第3章 基于自适应学习的并行协同微粒群算法及理论研究 26
3.1 引言 26
3.2 基于自适应学习的并行PSO算法 26
3.2.1 并行协同演化策略 27
3.2.2 自适应学习机制 28
3.2.3 HLPSO算法步骤 28
3.2.4 HLPSO算法实现 29
3.3 自适应学习的并行PSO算法理论基础 30
3.3.1 HLPSO算法收敛性分析 30
3.3.2 HLPSO算法复杂度分析 32
3.4 HLPSO在函数优化中的应用 33
3.4.1 测试函数 33
3.4.2 均值方差对比 35
3.4.3 双侧T-检验 36
3.5 小结 36
第4章 基于多阶段协同微粒群智能优化算法 37
4.1 引言 37
4.2 多阶段协同微粒群智能优化算法 37
4.2.1 DMPSOABC算法思想 37
4.2.2 DMPSOABC算法模型 38
4.2.3 DMPSOABC算法描述 40
4.2.4 DMPSOABC算法实现 41
4.3 DMPSOABC算法时间复杂度分析 42
4.4 DMPSOABC算法在函数优化中的应用 42
4.4.1 测试函数 42
4.4.2 实验目的 44
4.4.3 实验环境 44
4.4.4 参数设置 45
4.4.5 实验结果 46
4.5 基于多阶段协同的柔性作业车间智能调度 51
4.5.1 柔性作业车间调度问题数学模型 51
4.5.2 柔性作业车间调度算法描述 52
4.5.3 实例验证 56
4.6 小结 61
第5章 基于空间自适应划分的动态种群多目标优化算法 62
5.1 引言 62
5.2 基于空间自适应划分的动态多目标优化算法 62
5.2.1 ECMPSO算法思想 62
5.2.2 ECMPSO算法模型 66
5.2.3 ECMPSO算法描述 67
5.3 ECMPSO算法时间复杂度分析 68
5.4 实验测试 68
5.4.1 测试函数及参数设置 68
5.4.2 参数敏感性分析 70
5.4.3 测试结果 74
5.5 ECMPSO在解决环境经济调度问题中的应用 80
5.5.1 环境经济调度的数学模型 80
5.5.2 环境经济调度算法描述 81
5.5.3 仿真实验与分析 82
5.6 小结 84
第6章 基于集合编码的车辆路径多目标优化模型及算法 86
6.1 引言 86
6.2 带时间窗车辆路径多目标优化模型 86
6.3 基于集合编码的带时间窗车辆路径多目标优化算法 88
6.3.1 算法思想 88
6.3.2 种群编码 88
6.3.3 初始化种群 89
6.3.4 粒子更新 90
6.3.5 局部搜索策略 93
6.3.6 算法描述 93
6.4 实验仿真与结果分析 94
6.4.1 测试问题 94
6.4.2 性能评价指标 94
6.4.3 实验结果 95
6.4.4 实例分析 99
6.5 小结 100
第7章 低碳供应链选址—路径—库存集成优化模型及算法 101
7.1 引言 101
7.2 考虑碳排放的CLIRP模型 103
7.2.1 问题描述及假设 103
7.2.2 模型构建 104
7.3 基于两阶段协同多目标微粒群的CLRIP决策算法 108
7.3.1 算法思想 108
7.3.2 算法模型 110
7.3.3 算法描述 110
7.4 数值与算例分析 111
7.5 小结 117
第8章 总结与展望 118
8.1 本书的主要工作和结论 118
8.2 对未来工作的研究展望 119
参考文献 120