多目标进化优化（精）

　　近年来，多目标进化算法（MOEA）的研究进入了快速发展阶段，越来越多的人开始从事MOEA新方法和新技术的设计与实现，MOEA的应用日益广泛。 本书比较全面地综述了MOEA的国际研究现状和发展趋势，介绍了MOEA的基础知识和基本原理；论述和分析了构造Pareto优解集的方法、保持进化群体分布性的方法和策略，以及MOEA的收敛性；讨论了目前国际上具代表性的MOEA以及高维MOEA、偏好MOEA和动态MOEA；探讨了MOEA的性能评价方法、MOEA的测试方法，以及MOEA测试实验平台。最后，讨论了用多目标进化方法求解约束优化问题，并分类概述了MOEA的应用及两个具体应用实例。 本书可作为计算机、自动控制和其他相关专业高年级本科生、硕士研究生、博士研究生，以及MOEA爱好者研究和学习的教材或参考书。

暂缺《多目标进化优化（精）》作者简介

序言
前言
第1章 绪论
1．1 MOEA概述
1．2 MOEA的分类
1．2．1 按不同的进化机制分类
1．2．2 按不同的决策方式分类
1．3 多目标进化优化方法研究
1．4 MOEA理论研究
1．5 MOEA应用研究
1．6 有待进一步研究的课题
第2章 多目标进化优化基础
2．1 进化算法
2．1．1 遗传算法的基本流程
2．1．2 编码
2．1．3 适用度评价
2．1．4 遗传操作
2．2 多目标优化问题
2．3 多目标进化个体之间关系
2．4 基于Pareto的多目标最优解集
2．4．1 Pareto最优解
2．4．2 Pareto最优边界
2．4．3 凸空间和凹空间
2．5 基于Pareto的多目标进化算法的一般框架
第3章 多目标Pareto最优解集构造方法
3．1 构造Pareto最优解的简单方法
3．1．1 Deb的非支配排序方法
3．1．2 用排除法构造非支配集
3．2 用庄家法则构造Pareto最优解集
3．2．1 用庄家法则构造非支配集的方法
3．2．2 正确性论证
3．2．3 时间复杂度分析
3．2．4 实例分析
3．2．5 实验结果
3．3 用擂台赛法则构造Pareto最优解集
3．3．1 用擂台赛法则构造非支配集的方法
3．3．2 正确性论证及时间复杂度分析
3．3．3 实例分析
3．3．4 实验结果
3．4 用递归方法构造Pareto最优解集
3．5 用快速排序方法构造Pareto最优解集
3．5．1 个体之间的关系
3．5．2 用快速排序方法构造非支配集
3．6 用改进的快速排序方法构造Pareto最优解集
3．6．1 改进的快速排序算法
3．6．2 实验结果
第4章 多目标进化群体的分布性
4．1 用小生境技术保持进化群体的分布性
4．2 用信息熵保持进化群体的分布性
4．3 用聚集密度方法保持进化群体的分布性
4．4 用网格保持进化群体的分布性
4．4．1 网格边界
4．4．2 个体在网格中的定位
4．4．3 自适应网格
4．5 用聚类方法保持进化群体的分布性
4．5．1 聚类分析中的编码及其相似度计算
4．5．2 聚类分析
4．5．3 极点分析与处理
4．6 非均匀问题的分布性
4．6．1 非均匀分布问题
4．6．2 杂乱度分析
4．6．3 种群维护
第5章 多目标进化算法的收敛性
5．1 多目标进化模型及其收敛性分析
5．1．1 多目标进化简单模型
5．1．2 reduce函数
5．1．3 收敛性分析
5．2 自适应网格算法及其收敛性
5．2．1 有关定义
5．2．2 自适应网格算法
5．2．3 AGA收敛性分析
5．2．4 AGA的收敛条件
5．3 MOEA的收敛性分析
5．3．1 Pareto最优解集的特征
5．3．2 MOEA的收敛性
第6章 多目标进化算法
6．1 基于分解的MOEA
6．1．1 i类聚合函数
6．1．2 基于分解的MOEA算法框架
6．2 基于支配的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 基于信息熵的MOEA
6．2．10 mBOA
6．3 基于指标的MOEA
6．3．1 Hypervolume指标和二元ε-indicator指标
6．3．2 SMS-EMOA
6．3．3 IBEA
6．4 NSGA-Ⅱ、SPEA2、MOEA／D实验比较结果
第7章 高维MOEA
7．1 概述
7．2 NSGA-Ⅲ
7．2．1 参考点的设置
7．2．2 种群的自适应标准化
7．2．3 关联操作
7．2．4 个体保留操作
7．2．5 NSGA-Ⅲ时间复杂度分析
7．3 ε-MOEA
7．4 SDE
7．5 实验结果及对高维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 实验结果
第9章 基于动态环境的MOEA
9．1 动态多目标优化问题（DMOP）
9．1．1 DMOP基本概念及数学表述
9．1．2 DMOP的分类·
9．1．3 动态多目标进化方法
9．1．4 动态多目标测试问题
9．2 FPS
9．2．1 预测策略及算法
9．2．2 实验结果
9．3 PPS
9．3．1 PPS基本原理
9．3．2 PS中心点的预测
9．3．3 PS的副本估计
9．3．4 下一时刻解的生成
9．3．5 PPS算法
9．3．6 实验结果
9．4 DEE-PDMS
9．4．1 动态环境模型
9．4．2 动态进化模型的实现
9．4．3 DEE-PDMS
9．4．4 实验结果
第10章 MOEA性能评价
10．1 概述
10．2 实验设计与分析
10．2．1 实验目的
10．2．2 MOEA评价工具的选取
10．2．3 实验参数设置
10．2．4 实验结果分析
10．3 MOEA性能评价方法
10．3．1 评价方法概述
10．3．2 收敛性评价方法
10．3．3 分布性评价方法
10．4 综合评价指标
10．4．1 超体积指标
10．4．2 反转世代距离
第11章 MoEA测试函数
11．1 概述
11．2 MOEA测试函数集
11．3 MOP问题分类
11．3．1 非偏约束的数值MOEA测试函数集
11．3．2 带偏约束的数值MOEA测试函数集
11．4 构造MOP测试函数的方法
11．4．1 从数值上构造MOP
11．4．2 规模可变的多目标测试函数的构造方法
11．4．3 自底向上地构造规模可变的多目标测试函数
11．4．4 对曲面进行约束构造规模可变的多目标测试函数
11．5 DTLZ测试函数系列
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 组合优化类MOEA测试函数
11．7 WFG测试问题工具包
11．7．1 问题特性
11．7．2 Pareto最优面的几何结构
11．7．3 构造测试问题的一般方法
11．7．4 WFGl～WFG9
11．8 可视化测试问题
11．9 其他测试问题
第12章 多目标优化实验平台
12．1 多目标优化实验平台特性
12．2 开源软件框架
12．3 优化模板库
12．3．1 OTL的构成
12．3．2 OTL面向对象的设计架构
12．3．3 0TL的三个组成工程
第13章 基于多目标优化求解单目标约束优化问题
13．1 约束优化概述
13．2 CW算法
13．3 HCOEA算法
第14章 MOEA应用
14．1 MOEA应用概述
14．1．1 MOEA在环境与资源配置方面的应用
14．1．2 MOEA在电子与电气工程方面的应用
14．1．3 MOEA在通信与网络优化方面的应用
14．1．4 MOEA在机器人方面的应用
14．1．5 MOEA在航空航天方面的应用
14．1．6 MOEA在市政建设方面的应用
14．1．7 MOEA在交通运输方面的应用
14．1．8 MOEA在机械设计与制造方面的应用
14．1．9 MOEA在管理工程方面的应用
14．1．10 MOEA在金融方面的应用
14．1．11 MOEA在科学研究中的应用
14．2 MOEA在车辆路径问题中的应用
14．2．1 带时间窗的车辆路径问题
14．2．2 求解VRPTW问题的MOEA
14．2．3 可变概率的λ-interchange局部搜索法
14．2．4 实验与分析
14．3 MOEA在供水系统中的应用
14．3．1 水泵调度问题
14．3．2 求解方法
14．3．3 实验结果分析
附录A 符号及缩写
附录B MOPs测试函数
附录C 表B．1 测试函数的Pture图和PFtrue图
附录D 表B．2 测试函数的Pture图和PFtrue图
参考文献