差分进化算法理论与应用

第l章 差分进化算法

1.1 引言

1.2 标准差分进化算法

1.2.1 差分变异

1.2.2 交叉

1.2.3 选择

1.3 差分进化算法的研究现状

1.3.1 控制参数调整策略的改进

1.3.2 操作算子策略的改进

1.3.3 种群结构的改进

1.3.4 混合差分进化算法研究

1.3.5 差分进化算法在组合优化中的应用研究

1.4 差分进化算法研究展望

1.5 本章小结

参考文献

第2章 种群规模适应性差分进化算法

2.1 种群规模的适应性调节策略

2.1.1 寿命机制

2.1.2 灭绝机制

2.2 引入新个体的策略

2.2.1 精英个体的复制

2.2.2 建立新种群

2.3 适应性调节种群规模的差分进化算法（DEAPS）及分析

2.3.1 DEAPS算法步骤

2.3.2 DEAPS参数分析及设置

2.3.3 DEAPS算法中种群规模调节策略分析

2.4 计算实验与比较

2.4.1 实验结果的统计分析

2.4.2 收敛性能比较

2.5 本章小结

参考文献

第3章 参数适应性分布式差分进化算法

3.1 分布式DE的拓扑结构与迁移机制

3.1.1 分布式DE的拓扑结构

3.1.2 分布式DE的迁移机制

3.2 分布式DE算法中F和CR的适应性调节策略

3.2.1 缩放因子F的适应性调节策略

3.2.2 交叉率CR的适应性调节策略

3.3 分布式DE中的参数设置

3.4 APDDE算法分析

3.5 计算实验与比较

3.6 本章小结

参考文献

第4章 分布式Memetie差分进化算法

4.1 Memetic算法

4.1.1 Memetic算法的基本要素

4.1.2 Memetic算法的设计方案

4.1.3 Memetic算法流程

4.2 Memetic DE算法

4.2.1 Hooke—Jeeves算法

4.2.2 Lamarckian学习与Baldwinian学习的协作

4.3 协调Lamarckian与Baldwinian学习的分布式Memetic DE算法

4.3.1 分布式DE与Hooke-Jeeves混合过程中L-学习与B-学习的协作

4.3.2 分布式DE迁移策略中L-学习与B-学习的协作

4.4 DMDE算法分析

4.4.1 DMDE中两种学习机制的协作分析

4.4.2 DMDE中集成混合策略和多子种群策略的优势

4.5 计算实验与比较

4.5.1 计算复杂度比较

4.5.2 优化性能比较

4.6 本章小结

参考文献

第5章 求解组合优化问题的差分进化算法

5.1 组合优化

5.2 基于排列的差分进化方法

5.2.1 排列矩阵方法

5.2.2 相邻矩阵方法

5.2.3 相对位置索引

5.2.4 向前／向后转换方法

5.2.5 最小位置值方法

5.2.6 离散方法

5.3 本章小结

参考文献

第6章 离散差分进化算法求解组合优化问题算例

6.1 离散DE算法求解流水线车间调度问题算例

6.2 离散DE算法求解旅行商问题算例

6.3 Memetic离散DE算法求解广义旅行商问题算例

6.4 本章小结

参考文献

第7章 求解武器目标分配问题的离散差分进化算法

7.1 前言

7.2 SWTA问题模型

7.3 求解SWTA的DDE算法（DDE—MRR）

7.3.1 解的表示与初始化

7.3.2 差分变异

7.3.3 交叉

7.3.4 选择

7.4 SWTA问题的求解

7.4.1 SWTA问题的种群规模NP与维数N关系的确定

7.4.2 DDE-MRR算法与DDE—FBT、DDE—RPI算法的比较

7.5 本章小结

参考文献

附录1 标准测试函数

附录2 几种典型的组合优化问题

附录2.1 旅行商问题

附录2.1.1 问题描述

附录2.1.2 有时间约束的TSP

附录2.1.3 多重TSP

附录2.1.4 时间约束性多重TSP

附录2.1.5 广义旅行商问题

附录2.2 车间作业调度问题

附录2.2.1 并行机器调度问题

附录2.2.2 调度性能指标与调度解分类

附录2.3 背包问题

附录2.3.1 多选择背包问题

附录2.3.2 多约束背包问题

附录2.4 指派问题

《差分进化算法理论与应用》是著者在北京理工大学博士研究期间取得成果的基础上，进一步深入研究、充实整理后形成的，全书共分为7章。内容包括差分进化算法、种群规模适应性差分进化算法、参数适应性分布式差分进化算法、分布式Memetie差分进化算法等。
　　《差分进化算法理论与应用》可以为自动化、计算机科学、管理科学等相关学科的教师、学生和工作人员在学习和生产实践中提供参考。