书籍详情
差分进化算法及其高维多目标优化应用
作者：肖婧，许小可，张永建，刘丹凤 著
出版社：人民邮电出版社
出版时间：2018-02-01
ISBN：9787115448545
定价：¥88.00
购买这本书可以去
内容简介
本书从群智能优化算法和高维多目标优化两方面入手，一方面系统地介绍了差分进化算法的基本原理及国内外研究现状，通过分析算法的模型、关键步骤及参数设置，设计和构建了高性能的改进算法，并将其应用于医学图像处理、电子商务等实际工程领域；另一方面，深入分析了高维多目标优化算法的基本原理、国内外研究现状及关键技术难点，详细描述了基于差分进化算法的高维多目标优化算法设计、构建与实验分析，以及其在智能交通系统中的实际应用。本书取材新颖、内容翔实、覆盖面广，案例分析具有较强的可重复性和可执行性，不仅适合于初学者，也适合自动化、计算机、信息科学等相关专业的高年级本科生和研究生、进化计算及高维多目标优化研究爱好者以及工程优化人员等。
作者简介
肖婧 研究方向：智能信息处理、复杂网络 讲授课程：网络科学理论与应用、算法分析与设计 图书出版：《信息智能处理技术》电子工业出版社，***热销商品排名： 图书商品里排第976，385名。中国石油大学、深圳大学等高校硕士研究生教材
目录
第 1章 绪论 1
1．1 引言 1
1．2 差分进化算法研究现状 3
1．2．1 差分进化算法研究数据统计 3
1．2．2 差分进化算法理论及应用研究概况 5
参考文献 7
第 2章 差分进化算法概述 12
2．1 引言 12
2．2 差分进化算法基本原理 12
2．2．1 算法原理及关键步骤 12
2．2．2 算法框架及流程 16
2．3 差分进化算法优化策略及其对算法的影响 17
2．3．1 变异策略及其对算法的影响 18
2．3．2 交叉策略及其对算法的影响 19
2．4 差分进化算法的参数分析及设置 20
2．5 差分进化算法的收敛性分析 22
2．5．1 差分进化算法的随机过程描述 22
2．5．2 差分进化算法的收敛性定义 23
2．6 本章小结 23
参考文献 24
第3章 基于分类变异策略的自适应差分进化算法 26
3．1 引言 26
3．2 基于分类策略的新变异方法 27
3．2．1 新DE变异策略DE/rand-to-best/pbest 27
3．2．2 分类策略 28
3．3 新参数自适应调整策略 29
3．4 实验测试及结果分析 31
3．4．1 测试函数选择 31
3．4．2 比较算法选择 32
3．4．3 算法比较策略及准则 33
3．4．4 算法比较结果及分析 33
3．5 本章小结 48
参考文献 49
第4章 基于DE算法的人脑PET图像目标边缘检测 51
4．1 引言 51
4．2 传统Snake模型及GVF Snake模型 52
4．3 结合p-ADE算法的GVF Snake模型实现PET图像目标边缘检测 54
4．4 实验测试及结果分析 58
4．5 本章小结 61
参考文献 62
第5章 基于DE算法的电子商务多边多议题协商 63
5．1 引言 63
5．2 基于多Agent的多边多议题协商 64
5．3 p-ADE算法在合-作环境下多边多议题协商中的应用 66
5．3．1 基于p-ADE算法的多Agent协商协议 66
5．3．2 基于p-ADE算法的多Agent协商策略 67
5．4 实验测试及结果分析 69
5．5 本章小结 72
参考文献 72
第6章 基于精英策略的改进多目标自适应DE算法 74
6．1 引言 74
6．2 多目标优化问题的数学描述 76
6．3 多目标进化算法的研究现状 78
6．4 精英SDEMO算法 80
6．4．1 精英多目标进化算法模型 81
6．4．2 SDEMO算法精英选择策略改进 84
6．4．3 SDEMO算法密度估计方法改进 84
6．4．4 SDEMO算法中DE算法变异策略改进 85
6．4．5 SDEMO算法中DE算法参数自适应方法改进 86
6．4．6 SDEMO算法流程 87
6．5 实验测试及结果分析 87
6．5．1 测试函数及性能评价标准 88
6．5．2 测试结果及分析 90
6．6 本章小结 95
参考文献 96
第7章 高维多目标进化算法概述 100
7．1 引言 100
7．2 高维多目标进化算法研究进展 101
7．2．1 算法模型框架的国内外研究现状及分析 102
7．2．2 精英选择策略的国内外研究现状及分析 103
7．2．3 多目标分解的国内外研究现状及分析 104
7．3 高维多目标进化算法的标准测试函数 105
7．4 高维多目标进化算法的性能指标 109
7．4．1 收敛性评价指标 109
7．4．2 分布性评价指标 110
7．4．3 综合性评价指标 112
7．5 高维多目标进化算法关键技术 112
7．6 本章小结 114
参考文献 115
第8章 基于改进K支配的高维多目标差分进化算法 118
8．1 引言 118
8．2 K支配关系及排序方法改进 119
8．2．1 K支配关系改进及参数确定 120
8．2．2 K支配等级排序方法改进 121
8．3 基于参考点的拥挤密度估计方法改进 122
8．4 个体适应度值评价方法改进 123
8．5 CAO局部搜索 124
8．6 实验测试及结果分析 125
8．7 本章小结 129
参考文献 129
第9章 基于全局排序的高维多目标差分进化算法 131
9．1 引言 131
9．2 高维多目标优化支配排序方法 132
9．3 全局排序高维多目标差分进化算法概述 133
9．3．1 高维多目标优化全局排序策略 134
9．3．2 高维多目标优化全局密度估计 139
9．3．3 高维多目标优化个体适应度值评价 140
9．3．4 GR-MODE算法流程 140
9．4 实验测试及结果分析 141
9．5 本章小结 143
参考文献 143
第 10章 基于高维多目标优化的城市智能化动态停车诱导 146
10．1 引言 146
10．2 城市PGS 147
10．2．1 城市PGS及核心关键技术 147
10．2．2 城市PGS研究现状 147
10．3 高维多目标智能停车场及路径诱导模型 150
10．3．1 出行前静态的高维多目标停车场及路径诱导模型 151
10．3．2 出行中动态的高维多目标停车场及路径诱导模型 152
10．4 高维多目标智能停车场及路径诱导算法 154
10．4．1 基于KS-MODE算法的高维多目标智能停车场诱导算法 154
10．4．2 基于DE算法的单目标*优路径诱导算法 156
10．5 实验测试及结果分析 157
10．5．1 出行前静态停车场选择及路径诱导结果 162
10．5．2 出行中动态停车场选择及路径诱导结果 164
10．6 本章小结 167
参考文献 167
第 11章 基于高维多目标优化的道路交叉口信号控制 169
11．1 引言 169
11．2 交叉口混合交通流信号控制指标 170
11．3 交叉口信号高维多目标优化智能控制模型 174
11．3．1 高维多目标优化信号控制模型建立 174
11．3．2 高维多目标优化信号控制模型求解 175
11．4 实验测试及结果分析 176
11．5 本章小结 178
参考文献 179
附 录 180
名词索引 183
1．1 引言 1
1．2 差分进化算法研究现状 3
1．2．1 差分进化算法研究数据统计 3
1．2．2 差分进化算法理论及应用研究概况 5
参考文献 7
第 2章 差分进化算法概述 12
2．1 引言 12
2．2 差分进化算法基本原理 12
2．2．1 算法原理及关键步骤 12
2．2．2 算法框架及流程 16
2．3 差分进化算法优化策略及其对算法的影响 17
2．3．1 变异策略及其对算法的影响 18
2．3．2 交叉策略及其对算法的影响 19
2．4 差分进化算法的参数分析及设置 20
2．5 差分进化算法的收敛性分析 22
2．5．1 差分进化算法的随机过程描述 22
2．5．2 差分进化算法的收敛性定义 23
2．6 本章小结 23
参考文献 24
第3章 基于分类变异策略的自适应差分进化算法 26
3．1 引言 26
3．2 基于分类策略的新变异方法 27
3．2．1 新DE变异策略DE/rand-to-best/pbest 27
3．2．2 分类策略 28
3．3 新参数自适应调整策略 29
3．4 实验测试及结果分析 31
3．4．1 测试函数选择 31
3．4．2 比较算法选择 32
3．4．3 算法比较策略及准则 33
3．4．4 算法比较结果及分析 33
3．5 本章小结 48
参考文献 49
第4章 基于DE算法的人脑PET图像目标边缘检测 51
4．1 引言 51
4．2 传统Snake模型及GVF Snake模型 52
4．3 结合p-ADE算法的GVF Snake模型实现PET图像目标边缘检测 54
4．4 实验测试及结果分析 58
4．5 本章小结 61
参考文献 62
第5章 基于DE算法的电子商务多边多议题协商 63
5．1 引言 63
5．2 基于多Agent的多边多议题协商 64
5．3 p-ADE算法在合-作环境下多边多议题协商中的应用 66
5．3．1 基于p-ADE算法的多Agent协商协议 66
5．3．2 基于p-ADE算法的多Agent协商策略 67
5．4 实验测试及结果分析 69
5．5 本章小结 72
参考文献 72
第6章 基于精英策略的改进多目标自适应DE算法 74
6．1 引言 74
6．2 多目标优化问题的数学描述 76
6．3 多目标进化算法的研究现状 78
6．4 精英SDEMO算法 80
6．4．1 精英多目标进化算法模型 81
6．4．2 SDEMO算法精英选择策略改进 84
6．4．3 SDEMO算法密度估计方法改进 84
6．4．4 SDEMO算法中DE算法变异策略改进 85
6．4．5 SDEMO算法中DE算法参数自适应方法改进 86
6．4．6 SDEMO算法流程 87
6．5 实验测试及结果分析 87
6．5．1 测试函数及性能评价标准 88
6．5．2 测试结果及分析 90
6．6 本章小结 95
参考文献 96
第7章 高维多目标进化算法概述 100
7．1 引言 100
7．2 高维多目标进化算法研究进展 101
7．2．1 算法模型框架的国内外研究现状及分析 102
7．2．2 精英选择策略的国内外研究现状及分析 103
7．2．3 多目标分解的国内外研究现状及分析 104
7．3 高维多目标进化算法的标准测试函数 105
7．4 高维多目标进化算法的性能指标 109
7．4．1 收敛性评价指标 109
7．4．2 分布性评价指标 110
7．4．3 综合性评价指标 112
7．5 高维多目标进化算法关键技术 112
7．6 本章小结 114
参考文献 115
第8章 基于改进K支配的高维多目标差分进化算法 118
8．1 引言 118
8．2 K支配关系及排序方法改进 119
8．2．1 K支配关系改进及参数确定 120
8．2．2 K支配等级排序方法改进 121
8．3 基于参考点的拥挤密度估计方法改进 122
8．4 个体适应度值评价方法改进 123
8．5 CAO局部搜索 124
8．6 实验测试及结果分析 125
8．7 本章小结 129
参考文献 129
第9章 基于全局排序的高维多目标差分进化算法 131
9．1 引言 131
9．2 高维多目标优化支配排序方法 132
9．3 全局排序高维多目标差分进化算法概述 133
9．3．1 高维多目标优化全局排序策略 134
9．3．2 高维多目标优化全局密度估计 139
9．3．3 高维多目标优化个体适应度值评价 140
9．3．4 GR-MODE算法流程 140
9．4 实验测试及结果分析 141
9．5 本章小结 143
参考文献 143
第 10章 基于高维多目标优化的城市智能化动态停车诱导 146
10．1 引言 146
10．2 城市PGS 147
10．2．1 城市PGS及核心关键技术 147
10．2．2 城市PGS研究现状 147
10．3 高维多目标智能停车场及路径诱导模型 150
10．3．1 出行前静态的高维多目标停车场及路径诱导模型 151
10．3．2 出行中动态的高维多目标停车场及路径诱导模型 152
10．4 高维多目标智能停车场及路径诱导算法 154
10．4．1 基于KS-MODE算法的高维多目标智能停车场诱导算法 154
10．4．2 基于DE算法的单目标*优路径诱导算法 156
10．5 实验测试及结果分析 157
10．5．1 出行前静态停车场选择及路径诱导结果 162
10．5．2 出行中动态停车场选择及路径诱导结果 164
10．6 本章小结 167
参考文献 167
第 11章 基于高维多目标优化的道路交叉口信号控制 169
11．1 引言 169
11．2 交叉口混合交通流信号控制指标 170
11．3 交叉口信号高维多目标优化智能控制模型 174
11．3．1 高维多目标优化信号控制模型建立 174
11．3．2 高维多目标优化信号控制模型求解 175
11．4 实验测试及结果分析 176
11．5 本章小结 178
参考文献 179
附 录 180
名词索引 183
猜您喜欢
