第1章 绪论 1
1.1 最优化问题 2
1.2 求解优化问题的数学方法 4
1.3 求解优化问题的演化计算方法 5
第2章 遗传算法 9
2.1 标准遗传算法 10
2.2 编码 12
2.2.1 二进制编码 12
2.2.2 值编码（Value Encoding） 12
2.2.3 互换编码（Permutation Encoding） 13
2.3 遗传算子 14
2.3.1 交叉 14
2.3.2 变异 15
2.3.3 选择 17
2.4 参数控制 18
2.5 模式定理和隐并行性定理 19
2.6 收缩映射原理 21
2.7 小结 24
第3章 进化规划 25
3.1 标准进化规划方法 26
3.2 进化策略 28
3.3 概率分析 29
3.4 群体启发进化规划 33
3.4.1 群体启发进化规划算法 33
3.4.2 PHEP算法验证 35
3.5 用群体启发进化规划求解高维优化问题 40
3.5.1 高维优化 40
3.5.2 实验结果 41
3.6 小结 44
第4章 粒子群优化 45
4.1 标准粒子群优化方法 47
4.2 二进制粒子群优化算法 49
4.3 参数设置 56
4.4 粒子轨迹的确定性分析 59
4.5 粒子的分布特征 62
4.6 粒子的聚度 63
4.7 模拟退火粒子群优化方法 66
4.7.1 模拟退火 67
4.7.2 模拟退火粒子群优化 68
4.8 有分工策略的粒子群优化方法 70
4.9 算法测试 73
4.10 动态优化 76
4.10.1 线性模型 76
4.10.2 环形模型 77
4.10.3 随机模型 77
4.10.4 动态优化仿真 78
4.11 小结 83
第5章 微分演化 85
5.1 微分演化方法描述 86
5.2 DE参数的设置 89
5.3 算法仿真 90
5.3.1 低维条件下的仿真结果 90
5.3.2 高维条件下的仿真结果 91
5.4 微分演化粒子群优化 92
5.5 用DE确定PSO的最佳参数 95
5.6 小结 98
第6章 文化算法 99
6.1 约束的处理 101
6.1.1 可行解和不可行解 101
6.1.2 可行个体评价函数evalf的设计 102
6.1.3 不可行个体的处理 103
6.2 文化算法简介 108
6.2.1 文化算法框架 108
6.2.2 信仰空间的约束表达和信仰空间的更新 109
6.2.3 群体空间的演化 113
6.3 算法测试 113
6.4 小结 114
第7章 蚁群优化 116
7.1 蚁群优化算法 117
7.2 蚁群聚类 120
7.3 小结 123
第8章 应用举例 125
8.1 属性约简 126
8.1.1 信息系统与属性约简 126
8.1.2 常用的属性约简方法 126
8.1.3 基于遗传算法的属性约简 129
8.2 电力负荷关联规则提取 132
8.2.1 问题概述 132
8.2.2 关联规则 133
8.2.3 频繁项集挖掘 136
8.2.4 基于DPSO方法负荷规则萃取 138
8.3 神经网络训练 142
8.3.1 神经元模型 143
8.3.2 神经网络 144
8.3.3 神经网络的学习 145
8.3.4 前向神经网络 146
8.4 小结 149
附录A 无约束优化问题 150
附录B 约束优化问题 157
参考文献 162