目录介绍
目录
第1章最优化问题概述1
1.1最优化问题概述1
1.2最优化问题的数学描述3
1.3最优化问题的主要分类4
1.4传统优化算法8
1.5智能优化算法10
1.6如何学好智能优化算法12
第2章遗传算法14
2.1遗传算法的原理15
2.2遗传算法的主要操作18
2.2.1编码18
2.2.2适应度评价20
2.2.3选择21
2.2.4交叉22
2.2.5变异25
2.3遗传算法的程序实现27
2.3.1一元多峰函数求极值27
2.3.2典型测试函数优化32
2.4遗传算法的改进及发展46
2.5遗传算法的应用48
第3章差分进化算法57
3.1差分进化算法的原理57
3.1.1总体流程58
3.1.2主要步骤59
3.1.3主要控制参数62
3.2差分进化算法的程序实现63
3.2.1基本差分进化算法求解一维多峰连续函数极值问题63
3.2.2基本差分进化算法求解二维多峰连续函数极值问题67
3.2.3自适应差分进化算法求解多维连续函数极值问题71
3.2.4差分进化算法求解Rastrigin函数74
3.2.5差分进化算法求解旅行商问题77
3.2.6差分进化算法求解指数拟合问题83
3.3差分进化算法的改进87
3.3.1JDE算法87
3.3.2JADE算法88
3.3.3SHADE算法89
第4章粒子群优化算法91
4.1粒子群优化算法的原理92
4.1.1基本粒子群优化算法92
4.1.2标准粒子群优化算法94
4.2粒子群优化算法主要的控制参数95
4.3粒子群优化算法的程序实现96
4.3.1一元多峰函数求最大值96
4.3.2典型测试函数优化100
4.4粒子群优化算法的改进及发展103
4.4.1离散粒子群优化算法103
4.4.2带有惯性权重的粒子群优化算法104
4.4.3全面学习的粒子群优化算法104
4.4.4反向学习的粒子群优化算法106
4.5粒子群优化算法的应用107
第5章人工鱼群算法118
5.1人工鱼群算法的原理118
5.1.1总体流程118
5.1.2行为描述119
5.1.3主要的控制参数122
5.2人工鱼群算法的程序实现123
5.2.1人工鱼群算法求解函数优化问题123
5.2.2人工鱼群算法解决旅行商问题130
5.3人工鱼群算法的改进143
5.3.1MAFSA的改进策略143
5.3.2MAFSA的程序实现145
第6章蚁群优化算法152
6.1蚁群优化算法概述152
6.2蚁群优化算法的理论基础152
6.2.1蚂蚁觅食机制152
6.2.2蚁群优化算法的模型153
6.3蚁群优化算法的流程154
6.4蚁群优化算法变体155
6.4.1最大最小蚂蚁系统算法156
6.4.2蚁群系统算法157
6.4.3多目标蚁群优化算法160
6.4.4量子蚁群优化算法163
6.5蚁群优化算法求解旅行商问题165
6.5.1旅行商问题165
6.5.2算法设计165
6.5.3代码实现166
6.5.4运行结果170
第7章多目标优化问题及其求解方法171
7.1多目标优化问题概述171
7.2多目标优化问题171
7.2.1多目标优化问题的数学模型172
7.2.2多目标优化问题的求解方法173
7.3多目标粒子群算法的原理及流程175
7.3.1多目标粒子群算法的原理175
7.3.2多目标粒子群算法的流程177
7.4多目标粒子群算法的应用178
7.5目标权重导向的多目标粒子群算法设计186
7.5.1外部档案186
7.5.2拥挤距离186
7.5.3目标权重因子187
7.5.4相关函数设计188
7.5.5目标权重导向的多目标粒子群算法的实现189
7.6多目标人工鱼群算法190
7.6.1多目标人工鱼群算法的原理及实现流程190
7.6.2多目标人工鱼群算法的应用191
第8章人工神经网络204
8.1神经网络概述204
8.1.1神经网络的特点204
8.1.2神经网络的发展205
8.1.3神经网络的应用206
8.2神经网络基本理论208
8.2.1神经网络模型208
8.2.2神经网络的结构210
8.2.3神经网络的学习211
8.3前馈型神经网络212
8.3.1感知器212
8.3.2BP神经网络216
8.3.3RBF神经网络219
8.4反馈型神经网络222
8.4.1Hopfield神经网络222
8.4.2Elman神经网络227
8.4.3自组织映射神经网络229
8.5神经网络的应用231
8.5.1MATLAB实现231
8.5.2应用实例243
参考文献246