第1章 最优化问题和优化算法 1
1.1 最优化问题 1
1.1.1 函数优化问题 1
1.1.2 组合优化问题 3
1.1.3 局部最优解和全局最优解 4
1.2 计算复杂性 5
1.2.1 算法复杂性 5
1.2.2 问题复杂性 5
1.3 智能优化算法 7
1.3.1 优化算法 7
1.3.2 智能优化算法 8
1.3.3 基于概率模型的智能优化算法 11
第2章 概率图模型基础 15
2.1 概率论的基本概念 15
2.2 图论的基本概念 20
2.3 概率图模型概述 21
2.4 贝叶斯网络 22
2.5 高斯网络 25
2.6 马尔科夫网络 26
2.7 其他概率图模型 26
第3章 遗传算法 29
3.1 遗传算法的基本原理 29
3.1.1 遗传算法的生物学基础 30
3.1.2 遗传算法的基本流程 30
3.2 遗传算法的实现 32
3.2.1 编码 32
3.2.2 选择 34
3.2.3 交叉 35
3.2.4 变异 36
3.2.5 更新 37
3.2.6 适应度函数 37
3.2.7 控制参数设定 39
3.3 遗传算法的理论基础 40
3.3.1 模式定理 40
3.3.2 积木块假设 42
3.4 遗传算法存在的主要问题及其改进 43
第4章 分布估计算法 47
4.1 概述 47
4.1.1 分布估计算法的基本原理 48
4.1.2 分布估计算法的基本框架 49
4.1.3 分布估计算法的发展 50
4.1.4 分布估计算法的分类 55
4.2 离散分布估计算法 57
4.2.1 单变量离散分布估计算法 57
4.2.2 双变量离散分布估计算法 60
4.2.3 多变量离散分布估计算法 63
4.3 连续分布估计算法 66
4.3.1 单变量连续分布估计算法 66
4.3.2 双变量连续分布估计算法 68
4.3.3 多变量连续分布估计算法 68
4.4 分布估计算法的收敛性分析 72
第5章 分布估计算法的改进 82
5.1 概述 82
5.2 基于权重的多解竞争紧致遗传算法 83
5.2.1 多解竞争紧致遗传算法 83
5.2.2 两种基于权重的多解竞争紧致遗传算法 83
5.2.3 实验与仿真 85
5.3 克隆选择单变量边缘分布算法 89
5.3.1 克隆选择算法 89
5.3.2 排列编码单变量边缘分布算法 90
5.3.3 克隆选择单变量边缘分布算法 91
5.3.4 实验与仿真 91
5.4 自适应实值分布估计算法 93
5.4.1 实值分布估计算法存在的主要问题 93
5.4.2 自适应实值分布估计算法 100
5.4.3 实验与仿真 100
5.5 基于自适应学习搜索框架的混合分布估计算法 103
5.5.1 自适应学习搜索框架 104
5.5.2 自适应学习搜索框架下的分布估计算法模型 104
5.5.3 自适应学习搜索框架下的模拟退火算法模型 105
5.5.4 基于自适应学习搜索框架的混合分布估计算法 106
5.5.5 TSP仿真实验 107
第6章 分布估计算法在制造单元设计中的应用 114
6.1 制造单元设计问题 114
6.2 基于遗传算法的制造单元设计问题 116
6.3 基于分布估计算法的制造单元设计 118
6.4 基于协同进化分布估计算法的制造单元设计 119
6.4.1 协同进化算法 120
6.4.2 协同进化分布估计算法 121
6.4.3 合作协同进化UMDA算法求解制造单元设计问题 122
6.5 结论 123
第7章 分布估计算法在机器人路径规划中的应用 127
7.1 机器人路径规划方法 127
7.2 机器人运动空间建模 129
7.3 基于分布估计算法的机器人路径规划 131
7.3.1 采用Dijkstra算法产生初始路径 131
7.3.2 PBIL算法 132
7.3.3 路径编码方式 133
7.3.4 基于PBIL算法的机器人路径规划 134
第8章 其他基于概率模型的智能优化算法 139
8.1 概述 139
8.2 蚁群优化算法 140
8.2.1 蚁群优化算法的基本原理 140
8.2.2 蚁群优化算法的理论模型 141
8.2.3 蚁群算法的实现 142
8.3 交叉熵方法 148
8.3.1 应用于小概率事件仿真的交叉熵方法 148
8.3.2 应用于组合优化的交叉熵方法 150
附录A PBIL算法的MATLAB程序 155
附录B 分布估计算法MATLAB工具箱——MATEDA简介 158