遗传算法：理论、应用与软件实现

　　遗传算法是一种借鉴生物界自然选择和进化机制发展起来的高度并行、随机、自适应搜索算法。由于其具有健壮性，特别适合于处理传统搜索算法解决不好的复杂的和非线性问题。以遗传算法为核心的进化算法已与模糊系统理论、人工神经网络等一起成为计算智能研究中的热点，受到许多学科的共同关注。本书全面系统地介绍了遗传算法的基本理论，重点介绍了遗传算法的经典应用和国内外的新发展。全书共分11章。第1章概述了遗传算法的产生与发展、基本思想、基本操作以及应用情况；第2章介绍了基本遗传算法；第3章论述了遗传算法的数学基础；第4章分析了遗传算法的多种改进方法；第5章初步介绍了进化计算理论体系；第6章介绍了遗传算法应用于数值代化问题；第7章介绍了遗传算法应用于组合优化问题；第8章介绍了遗传算法应用于机器学习；第9章讨论了遗传算法在智能控制中的应用；第10章讨论了遗传算法与人工生命研究的相关问题；第11章介绍了遗传算法在图像处理、模式识别中的应用。本书可供从事计算智能、自动控制、图像处理与模式识别、系统工程、优化设计、高性能计算等专业领域的研究人员阅读，也可供研究生及高年级大学生参考。

暂缺《遗传算法：理论、应用与软件实现》作者简介

前言
第1章 遗传算法简介
1.1 遗传算法的产生与发展
1.2 遗传算法概要
1.3 遗传算法的基本操作
1.4 遗传算法的应用情况
参考文献
第2章 基本遗传算法
2.1 简单函数优化的实例
2.2 遗传基因型
2.3 适应度函数及其尺度变换
2.4 遗传操作
2.5 算法设计与实现
参考文献
第3章 遗传算法的数学基础
3.1 模式定理
3.2 Walsh模式变换
3.3 非均匀Walsh模式变换
3.4 欺骗问题
3.5 遗传算法动态分析
参考文献
第4章 遗传算法的改进
4.1 分层遗传算法
4.2 CHC算法
4.3 mesy GA
4.4 自适应遗传算法
4.5 基于小生境技术的遗传算法
4.6 混合遗传算法
4.7 并行遗传算法
参考文献
第5章 进化计算初步
5.1 进化计算理论的基本框架
5.2 进化策略
5.3 进化规划
5.4 遗传程序设计
参考文献
第6章 遗传算法与数值优化
6.1 最优化问题
6.2 只含上、下限约束的最优化问题
6.3 优化的约束问题解决
6.4 多目标优化问题
参考文献
第7章 遗传算法与组合最优化
7.1 巡回旅行商问题
7.2 作业调度问题
7.3 背包问题
参考文献
第8章 遗传算法与机器学习
8.1 基于遗传算法的机器学习
8.2 密歇根方法
8.3 匹茨堡方法
8.4 学习与进货之间的交互
参考文献
第9章 遗传算法与智能控制
9.1 线性系统辨识
9.2 非线性系统辨识
9.3 控制系统设计自动化和高性能实现
9.4 基于遗传算法优化的模糊控制
9.5 遗传优化神经网络控制
9.6 混合软计算技术
参考文献
第10章 遗传算法与人工生命
10.1 人工生命概述
10.2 基于遗传算法的人工生命模型设计
10.3 蚁群协作觅食模拟模型
10.4 免疫系统模型
10.5 进化硬件问题
10.6 进货对策论
参考文献
第11章 遗传算法与图像处理、模式识别
11.1 图像歪斜校准
11.2 图像分割
11.3 图像基元识别与提取
参考文献
附录 
I 有关遗传算法及进货计算的国际学术组织及其活动情况
II 源程序清单
III 名词术语中英文对照