☆☆☆☆☆
簡體網頁||繁體網頁



點擊這裡下載

類似圖書 點擊查看全場最低價

---

內容簡介

近年來，多目標進化算法(MOEA)的研究進入瞭快速發展階段，越來越多的人開始從事MOEA新方法和新技術的設計與實現，MOEA的應用日益廣泛。

本書比較全麵地綜述瞭MOEA的國際研究現狀和發展趨勢，介紹瞭MOEA的基礎知識和基本原理；論述和分析瞭構造Pareto優解集的方法、保持進化群體分布性的方法和策略，以及MOEA的收斂性；討論瞭目前國際上具代錶性的MOEA以及高維MOEA、偏好MOEA和動態MOEA；探討瞭MOEA的性能評價方法、MOEA的測試方法，以及MOEA測試實驗平颱。最後，討論瞭用多目標進化方法求解約束優化問題，並分類概述瞭MOEA的應用及兩個具體應用實例。

本書可作為計算機、自動控製和其他相關專業高年級本科生、碩士研究生、博士研究生，以及MOEA愛好者研究和學習的教材或參考書。

目錄

序言
前言
第1章 緒論
1．1 MOEA概述
1．2 MOEA的分類
1．2．1 按不同的進化機製分類
1．2．2 按不同的決策方式分類
1．3 多目標進化優化方法研究
1．4 MOEA理論研究
1．5 MOEA應用研究
1．6 有待進一步研究的課題

第2章 多目標進化優化基礎
2．1 進化算法
2．1．1 遺傳算法的基本流程
2．1．2 編碼
2．1．3 適用度評價
2．1．4 遺傳操作
2．2 多目標優化問題
2．3 多目標進化個體之間關係
2．4 基於Pareto的多目標最優解集
2．4．1 Pareto最優解
2．4．2 Pareto最優邊界
2．4．3 凸空間和凹空間
2．5 基於Pareto的多目標進化算法的一般框架

第3章 多目標Pareto最優解集構造方法
3．1 構造Pareto最優解的簡單方法
3．1．1 Deb的非支配排序方法
3．1．2 用排除法構造非支配集
3．2 用莊傢法則構造Pareto最優解集
3．2．1 用莊傢法則構造非支配集的方法
3．2．2 正確性論證
3．2．3 時間復雜度分析
3．2．4 實例分析
3．2．5 實驗結果
3．3 用擂颱賽法則構造Pareto最優解集
3．3．1 用擂颱賽法則構造非支配集的方法
3．3．2 正確性論證及時間復雜度分析
3．3．3 實例分析
3．3．4 實驗結果
3．4 用遞歸方法構造Pareto最優解集
3．5 用快速排序方法構造Pareto最優解集
3．5．1 個體之間的關係
3．5．2 用快速排序方法構造非支配集
3．6 用改進的快速排序方法構造Pareto最優解集
3．6．1 改進的快速排序算法
3．6．2 實驗結果

第4章 多目標進化群體的分布性
4．1 用小生境技術保持進化群體的分布性
4．2 用信息熵保持進化群體的分布性
4．3 用聚集密度方法保持進化群體的分布性
4．4 用網格保持進化群體的分布性
4．4．1 網格邊界
4．4．2 個體在網格中的定位
4．4．3 自適應網格
4．5 用聚類方法保持進化群體的分布性
4．5．1 聚類分析中的編碼及其相似度計算
4．5．2 聚類分析
4．5．3 極點分析與處理
4．6 非均勻問題的分布性
4．6．1 非均勻分布問題
4．6．2 雜亂度分析
4．6．3 種群維護

第5章 多目標進化算法的收斂性
5．1 多目標進化模型及其收斂性分析
5．1．1 多目標進化簡單模型
5．1．2 reduce函數
5．1．3 收斂性分析
5．2 自適應網格算法及其收斂性
5．2．1 有關定義
5．2．2 自適應網格算法
5．2．3 AGA收斂性分析
5．2．4 AGA的收斂條件
5．3 MOEA的收斂性分析
5．3．1 Pareto最優解集的特徵
5．3．2 MOEA的收斂性

第6章 多目標進化算法
6．1 基於分解的MOEA
6．1．1 i類聚閤函數
6．1．2 基於分解的MOEA算法框架
6．2 基於支配的MOEA
6．2．1 schaffer和Fonseca等的工作
6．2．2 NSGA-Ⅱ
6．2．3 NPGA
6．2．4 SPEA2
6．2．5 PESA
6．2．6 PAES
6．2．7 MGAM00
6．2．8 MOMGA
6．2．9 基於信息熵的MOEA
6．2．10 mBOA
6．3 基於指標的MOEA
6．3．1 Hypervolume指標和二元ε-indicator指標
6．3．2 SMS-EMOA
6．3．3 IBEA
6．4 NSGA-Ⅱ、SPEA2、MOEA／D實驗比較結果

第7章 高維MOEA
7．1 概述
7．2 NSGA-Ⅲ
7．2．1 參考點的設置
7．2．2 種群的自適應標準化
7．2．3 關聯操作
7．2．4 個體保留操作
7．2．5 NSGA-Ⅲ時間復雜度分析
7．3 ε-MOEA
7．4 SDE
7．5 實驗結果及對高維MOEA研究的思考

第8章 偏好MoEA
8．1 概述
8．2 g-dominance算法
8．3 r-dominanee算法
8．4 角度信息偏好算法
8．5 實驗結果

第9章 基於動態環境的MOEA
9．1 動態多目標優化問題（DMOP）
9．1．1 DMOP基本概念及數學錶述
9．1．2 DMOP的分類·
9．1．3 動態多目標進化方法
9．1．4 動態多目標測試問題
9．2 FPS
9．2．1 預測策略及算法
9．2．2 實驗結果
9．3 PPS
9．3．1 PPS基本原理
9．3．2 PS中心點的預測
9．3．3 PS的副本估計
9．3．4 下一時刻解的生成
9．3．5 PPS算法
9．3．6 實驗結果
9．4 DEE-PDMS
9．4．1 動態環境模型
9．4．2 動態進化模型的實現
9．4．3 DEE-PDMS
9．4．4 實驗結果

第10章 MOEA性能評價
10．1 概述
10．2 實驗設計與分析
10．2．1 實驗目的
10．2．2 MOEA評價工具的選取
10．2．3 實驗參數設置
10．2．4 實驗結果分析
10．3 MOEA性能評價方法
10．3．1 評價方法概述
10．3．2 收斂性評價方法
10．3．3 分布性評價方法
10．4 綜閤評價指標
10．4．1 超體積指標
10．4．2 反轉世代距離

第11章 MoEA測試函數
11．1 概述
11．2 MOEA測試函數集
11．3 MOP問題分類
11．3．1 非偏約束的數值MOEA測試函數集
11．3．2 帶偏約束的數值MOEA測試函數集
11．4 構造MOP測試函數的方法
11．4．1 從數值上構造MOP
11．4．2 規模可變的多目標測試函數的構造方法
11．4．3 自底嚮上地構造規模可變的多目標測試函數
11．4．4 對麯麵進行約束構造規模可變的多目標測試函數
11．5 DTLZ測試函數係列
11．5．1 DTLZl
11．5．2 DTLZ2
11．5．3 DTLZ3
11．5．4 DTLZ4
11．5．5 DTLZ5
11．5．6 DTLZ6
11．5．7 DTLZ7
11．5．8 DTLZ8
11．5．9 DTLZ9
11．6 組閤優化類MOEA測試函數
11．7 WFG測試問題工具包
11．7．1 問題特性
11．7．2 Pareto最優麵的幾何結構
11．7．3 構造測試問題的一般方法
11．7．4 WFGl～WFG9
11．8 可視化測試問題
11．9 其他測試問題

第12章 多目標優化實驗平颱
12．1 多目標優化實驗平颱特性
12．2 開源軟件框架
12．3 優化模闆庫
12．3．1 OTL的構成
12．3．2 OTL麵嚮對象的設計架構
12．3．3 0TL的三個組成工程

第13章 基於多目標優化求解單目標約束優化問題
13．1 約束優化概述
13．2 CW算法
13．3 HCOEA算法

第14章 MOEA應用
14．1 MOEA應用概述
14．1．1 MOEA在環境與資源配置方麵的應用
14．1．2 MOEA在電子與電氣工程方麵的應用
14．1．3 MOEA在通信與網絡優化方麵的應用
14．1．4 MOEA在機器人方麵的應用
14．1．5 MOEA在航空航天方麵的應用
14．1．6 MOEA在市政建設方麵的應用
14．1．7 MOEA在交通運輸方麵的應用
14．1．8 MOEA在機械設計與製造方麵的應用
14．1．9 MOEA在管理工程方麵的應用
14．1．10 MOEA在金融方麵的應用
14．1．11 MOEA在科學研究中的應用
14．2 MOEA在車輛路徑問題中的應用
14．2．1 帶時間窗的車輛路徑問題
14．2．2 求解VRPTW問題的MOEA
14．2．3 可變概率的λ-interchange局部搜索法
14．2．4 實驗與分析
14．3 MOEA在供水係統中的應用
14．3．1 水泵調度問題
14．3．2 求解方法
14．3．3 實驗結果分析
附錄A 符號及縮寫
附錄B MOPs測試函數
附錄C 錶B．1 測試函數的Pture圖和PFtrue圖
附錄D 錶B．2 測試函數的Pture圖和PFtrue圖
參考文獻
多目標進化優化 [Multi-objective Evolutionary Optimization] 下載 mobi epub pdf txt 電子書

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

類似圖書 點擊查看全場最低價