书籍详情
多目标群体智能优化算法
作者：谢承旺 著
出版社：北京理工大学出版社
出版时间：2020-06-01
ISBN：9787568285124
定价：¥89.00
购买这本书可以去
内容简介
群体智能优化算法作为解决复杂优化问题的有力工具近年来获得了较大的发展，业已成为智能计算领域的研究热点之一。《多目标群体智能优化算法/新一代人工智能系列丛书》比较全面地介绍了多目标优化问题和群体智能优化算法的研究现状和发展趋势，讨论了多目标优化方法的基本知识和基本原理；探讨了多目标优化方法的性能度量方法和基准的多目标优化测试函数集，并分类阐述了几种多目标烟花爆炸算法、多目标萤火虫算法、多目标粒子群算法和多目标进化算法的设计过程，包括算法的算子、算法流程、实验方案和实验结果与分析等。《多目标群体智能优化算法/新一代人工智能系列丛书》可作为计算机、人工智能和其他相关专业高年级本科生、硕士研究生、博士研究生，以及多目标群智能算法的爱好者和相关从业者进行学习和研究的参考书。
作者简介
谢承旺，男，1974年10月出生，湖北武汉人，博士，教授，硕士生导师，中国计算机学会高级会员。谢承旺教授主要从事进化计算、群体智能优化理论与应用等研究，近年来在多目标群体智能优化和高维多目标进化优化方面开展了较为深入的研究。近五年来，主持和参与国家自然科学基金项目5项、主持和参与省级自然科学基金重点项目、省级重大科技专项等项目10余项，并指导研究生多次获得省级研究生创新基金项目。作者在《Information Sciences》《Neurocomputing》《计算机学报》《软件学报》和《自动化学报》等著名期刊上发表学术论文60余篇，申请国家发明专利多项。
目录
第1章 多目标优化问题
1．1 多目标优化问题的发展
1．1．1 多目标优化问题的历史
1．1．2 多目标进化算法
1．1．3 多目标进化优化方法的新趋势
1．1．4 高维多目标优化问题
1．2 多目标优化问题及相关概念
1．2．1 多目标优化问题的模型
1．2．2 多目标优化问题相关概念
1．2．3 多目标进化算法的设计目标
1．3 群体智能优化算法基础
本章参考文献
第2章 多目标优化算法性能度量
2．1 性能度量方法概述
2．2 常见的性能度量方法
2．2．1 收敛性度量方法
2．2．2 分布性度量方法
2．2．3 综合性能度量指标
本章参考文献
第3章 多目标优化测试问题
3．1 引言
3．2 多目标优化问题的设计原则和方法
3．3 ZDT系列测试问题
3．4 DTLZ系列测试问题
3．5 WFG系列测试函数
3．5．1 形状函数
3．5．2 转换函数
3．5．3 WFG系列函数
3．6 UF系列测试函数
3．7 多目标优化算法性能的比较
本章参考文献
第4章 多目标烟花爆炸算法
4．1 烟花爆炸算法
4．1．1 烟花爆炸算法基础
4．1．2 烟花爆炸算法的实现
4．1．3 烟花爆炸算法的进展
4．2 应用精英反向学习的多目标烟花爆炸算法
4．2．1 引言
4．2．2 多目标优化问题及相关概念
4．2．3 MOFAEOL算法
4．2．4 实验结果与分析
4．2．5 结论
4．3 增强型多目标烟花爆炸算法
4．3．1 引言
4．3．2 eMOFEOA算法
4．3．3 实验结果与分析
4．3．4 结论
本章参考文献
第5章 多目标萤火虫算法
5．1 萤火虫算法
5．1．1 萤火虫算法基础
5．1．2 萤火虫算法基本思想
5．1．3 萤火虫算法的数学描述
5．1．4 基本萤火虫算法的流程
5．2 混合型多目标萤火虫算法
5．2．1 引言
5．2．2 多目标优化问题定义
5．2．3 HMOFA算法
5．2．4 实验与结果分析
5．2．5 结论
5．3 多策略协同的多目标萤火虫算法
5．3．1 引言
5．3．2 多目标优化问题相关概念
5．3．3 MOFA-MCS算法
5．3．4 实验结果与分析
5．3．5 结论
本章参考文献
第6章 多目标粒子群优化算法
6．1 粒子群优化算法
6．1．1 粒子群优化算法基础
6．1．2 全局最优PSO算法
6．1．3 局部最优PSO算法
6．1．4 粒子群算法的应用
6．2 多种策略融合的多目标粒子群优化算法
6．2．1 引言
6．2．2 MSMOPSO算法
6．2．3 MSMOPSO算法收敛性分析
6．2．4 实验结果与分析
6．2．5 结论
6．3 自适应模糊支配的高维多目标粒子群算法
6．3．1 引言
6．3．2 高维多目标粒子群算法基本知识
6．3．3 MaPSOAF算法
6．3．4 实验与分析
6．3．5 结论
本章参考文献
第7章 多目标进化算法
7．1 进化算法基础
7．1．1 进化算法简介
7．1．2 进化算法形式化描述
7．1．3 遗传算法的基本原理
7．1．4 进化算法的研究现状
7．2 一种双链结构的多目标进化算法
7．2．1 引言
7．2．2 DCMOEA算法
7．2．3 实验结果与分析
7．2．4 结论
7．3 应用档案精英学习和反向学习的多目标进化算法
7．3．1 引言
7．3．2 多目标优化问题相关概念与定理
7．3．3 AOL-MOEA算法
7．3．4 实验结果与分析
7．3．5 结论
7．4 基于分解和协同策略的高维多目标进化算法
7．4．1 引言
7．4．2 多目标优化问题基本概念
7．4．3 MaOEA/DCE算法
7．4．4 实验结果与分析
7．4．5 结论
本章参考文献
1．1 多目标优化问题的发展
1．1．1 多目标优化问题的历史
1．1．2 多目标进化算法
1．1．3 多目标进化优化方法的新趋势
1．1．4 高维多目标优化问题
1．2 多目标优化问题及相关概念
1．2．1 多目标优化问题的模型
1．2．2 多目标优化问题相关概念
1．2．3 多目标进化算法的设计目标
1．3 群体智能优化算法基础
本章参考文献
第2章 多目标优化算法性能度量
2．1 性能度量方法概述
2．2 常见的性能度量方法
2．2．1 收敛性度量方法
2．2．2 分布性度量方法
2．2．3 综合性能度量指标
本章参考文献
第3章 多目标优化测试问题
3．1 引言
3．2 多目标优化问题的设计原则和方法
3．3 ZDT系列测试问题
3．4 DTLZ系列测试问题
3．5 WFG系列测试函数
3．5．1 形状函数
3．5．2 转换函数
3．5．3 WFG系列函数
3．6 UF系列测试函数
3．7 多目标优化算法性能的比较
本章参考文献
第4章 多目标烟花爆炸算法
4．1 烟花爆炸算法
4．1．1 烟花爆炸算法基础
4．1．2 烟花爆炸算法的实现
4．1．3 烟花爆炸算法的进展
4．2 应用精英反向学习的多目标烟花爆炸算法
4．2．1 引言
4．2．2 多目标优化问题及相关概念
4．2．3 MOFAEOL算法
4．2．4 实验结果与分析
4．2．5 结论
4．3 增强型多目标烟花爆炸算法
4．3．1 引言
4．3．2 eMOFEOA算法
4．3．3 实验结果与分析
4．3．4 结论
本章参考文献
第5章 多目标萤火虫算法
5．1 萤火虫算法
5．1．1 萤火虫算法基础
5．1．2 萤火虫算法基本思想
5．1．3 萤火虫算法的数学描述
5．1．4 基本萤火虫算法的流程
5．2 混合型多目标萤火虫算法
5．2．1 引言
5．2．2 多目标优化问题定义
5．2．3 HMOFA算法
5．2．4 实验与结果分析
5．2．5 结论
5．3 多策略协同的多目标萤火虫算法
5．3．1 引言
5．3．2 多目标优化问题相关概念
5．3．3 MOFA-MCS算法
5．3．4 实验结果与分析
5．3．5 结论
本章参考文献
第6章 多目标粒子群优化算法
6．1 粒子群优化算法
6．1．1 粒子群优化算法基础
6．1．2 全局最优PSO算法
6．1．3 局部最优PSO算法
6．1．4 粒子群算法的应用
6．2 多种策略融合的多目标粒子群优化算法
6．2．1 引言
6．2．2 MSMOPSO算法
6．2．3 MSMOPSO算法收敛性分析
6．2．4 实验结果与分析
6．2．5 结论
6．3 自适应模糊支配的高维多目标粒子群算法
6．3．1 引言
6．3．2 高维多目标粒子群算法基本知识
6．3．3 MaPSOAF算法
6．3．4 实验与分析
6．3．5 结论
本章参考文献
第7章 多目标进化算法
7．1 进化算法基础
7．1．1 进化算法简介
7．1．2 进化算法形式化描述
7．1．3 遗传算法的基本原理
7．1．4 进化算法的研究现状
7．2 一种双链结构的多目标进化算法
7．2．1 引言
7．2．2 DCMOEA算法
7．2．3 实验结果与分析
7．2．4 结论
7．3 应用档案精英学习和反向学习的多目标进化算法
7．3．1 引言
7．3．2 多目标优化问题相关概念与定理
7．3．3 AOL-MOEA算法
7．3．4 实验结果与分析
7．3．5 结论
7．4 基于分解和协同策略的高维多目标进化算法
7．4．1 引言
7．4．2 多目标优化问题基本概念
7．4．3 MaOEA/DCE算法
7．4．4 实验结果与分析
7．4．5 结论
本章参考文献
猜您喜欢
