进化算法的设计与应用系统

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

《进化算法的设计与应用研究》涵盖了一系列重要的主题，范围从进化算法普遍涉及的问题（如算法参数控制与约束处理）到进化算法的研究热点——分布估计算法，并且重点突出分布估计算法的设计与应用。全书共有6章。第1章讨论如何设置进化算法各种参数的值，以这些参数值是否最好事先设置或在进化过程中如何改变等议题开始，给出了许多基于互补特征的不同方法的分类。第2章讨论使用进化算法时的约束处理。基于约束问题的分类，讨论从进化算法角度理解约束处理的含义，并研究了最常用的约束处理的进化技术.第3章集中于设计并行分布估计算法，更详细地给出了利用并行适应度评价和并行建模设计有效分布估计算法的具体指导。此外，第4章研究设计一类新的分布估计算法。最后，第5章和第6章汇合了分布估计算法解决医学和资源管理领域的优化问题的研究。《进化算法的设计与应用研究》对进化算法领域的研究人员来说非常有用，也可供计算机专业的博士、硕士研究生使用。