| 模拟进化算法求解多目标优化问题是智能计算的一个热门和重要领域，它突破古典运筹学中多目标优化方法的局限性，并具有区别于传统单目标进化算法的特征，在工业工程、科学和国防军事上具有很高的应用价值。 本书在参考国内外有关书籍的基础上，借助合作者的科研成果，细致而全面地展示多目标进化算法的研究进展，具有新颖性、学术性和应用性。内容深入浅出，并尽量反映这一领域的研究发展方向以及在其他学科专业的应用实践。书中附有丰富的参考文献，便于读者自学。 |
| 第1章 绪论 1.1 引言 1.2 定义 1.3 示例 1.4 问题 1.5 模拟进化算法的基本知识 1.6 多目标优化方法 1.7 古典的多目标优化方法 1.8 进化算法的引入 1.9 相关研究机构的网址 参考文献 第2章 主要的多目标进化算法 2.1 多目标进化算法回顾 2.1.1 算法分类 2.1.2 选择机制 2.2 隐式积木块类型算法 2.2.1 向量评估遗传算法（VEGA） 2.2.2 多目标遗传算法（MOGA） 2.2.3 小生境Pareto遗传算法（NPGA） 2.2.4 非劣分类遗传算法（NSGA） 2.2.5 孟德尔多目标简单遗传算法（MMOSGA） 2.2.6 微遗传算法（(micro-GA) 2.2.7 Pareto存档进化策略（PAES） 2.2.8 强度Pareto进化算法（SPEA） 2.2.9 Pareto包络选择算法（PESA） 2.2.10 多目标遗传局部搜索算法（MOMGA） 2.3 显式积木块类型算法 2.3.1 多目标杂乱遗传算法（MOMGA） 2.3.2 改进型多目标杂乱遗传算法（MOMGA） 2.4 常用开放源代码序与软件工具 2.5 总结 参考文献 第3章 多目标进化算法的关键理论 3.1 适应度分配 3.1.1 问题背景 3.1.2 基于适应度函数的选择 3.1.3 基于个体排序的适应度赋值 3.1.4 最优个体保留策略 3.2 多样性保持 3.2.1 策略分类 3.2.2 如何保持群体的多样性 3.3.4 多样性度量 3.3.5 基于免疫机制的多样性保持策略 3.3 收敛性 3.3.1 全局收剑性的特征 3.3.2 Pareo近似解集与收敛性的关系 3.4 约 |
内容加载中，请稍后...
商品评论（0条）