| 1 在进化算法中如何设置参数的值1.1 引言1.2 如何改变参数1.2.1 改变变异规模1.2.2 改变惩罚系数1.2.3 总结1.3 进化算法参数控制技术分类1.3.1 改变算法的成分或参数1.3.2 改变参数值的方法1.3.3 决定改变参数值的依据1.3.4 改变的范围1.3.5 总结1.4 改变进化算法参数的案例1.4.1 表达式1.4.2 适应度函数1.4.3 变异1.4.4 交叉1.4.5 选择1.4.6 种群1.4.7 同时改变几个参数1.5 讨论2 进化算法中的约束处理2.1 引言2.2 约束问题2.2.1 无约束的优化问题2.2.2 约束满足问题2.2.3 受约束的优化问题2.3 约束处理的种类2.4 约束处理的途径2.4.1 惩罚函数2.4.2 纠正函数2.4.3 限制搜寻在可行域内2.4.4 解码器函数2.5 应用实例2.5.1 间接解决方法2.5.2 直接解决方法3 设计并行分布估计算法指导3.1 引言3.2 并行分布估计算法的方法3.2.1 分布式适应度评价3.2.2 构建分布式模型3.3 混合贝叶斯优化算法3.4 复杂性分析3.4.1 选择算子的复杂性3.4.2 构造模型的复杂性3.4.3 模型取样的复杂性3.4.4 替换算子的复杂性3.4.5 适应度评价的复杂性3.5 可扩展性分析3.5.1 处理器数为固定时的可扩展性3.5.2 处理器数增加时可扩展性如何变化4 基于最大熵原理设计一类新的分布估计算法4.1 引言4.2 熵、模式4.2.1 熵4.2.2 在子集条件约束下的最大熵4.2.3 模式4.2.4 最大熵分布和模式约束4.3 算法的基本思路4.4 分布估计和取样4.5 新算法4.5.1 一阶模式算法4.5.2 二阶模式算法4.6 实验结果4.7 结论5 基于种群递增学习算法的癌症化疗优化技术5.1 引言5.2 癌症化学疗法的优化问题5.2.1 化学疗法的医学处理5.2.2 癌症化疗模型5.3 GA和PBIL解决方案5.3.1 问题的编码5.3.2 遗传算法5.3.3 基于种群递增学习算法5.4 实验结果5.4.1 算法有效性比较5.4.2 化疗治疗效果比较5.5 结论6 应用分布估计算法和遗传算法优化动态价格问题6.1 引言6.2 通过动态价格途径提高资源管理6.3 动态价格模型6.4 动态价格的进化算法解决方案6.4.1 进化算法解的表达式6.4.2 进化算法6.5 实验及结果6.5.1 算法参数化6.5.2 结果6.5.3 结果分析6.6 结论 |
内容加载中，请稍后...
商品评论（0条）