協同進化遺傳算法理論及應用

《智能科學技術著作叢書》序
序
前言
第1章 協同進化遺傳算法入門
1.1 遺傳算法
1.1.1 遺傳算法的運行機制
1.1.2 遺傳算法的提出與發展
1.1.3 並行遺傳算法
1.2 協同進化遺傳算法
1.2.1 協同進化遺傳算法的提出
1.2.2 協同進化遺傳算法的思想
1.2.3 競爭型協同進化遺傳算法
1.3 合作型協同進化遺傳算法
1.3.1 合作型協同進化遺傳算法的思想
1.3.2 進化個體評價
1.3.3 代表個體選擇
1.3.4 合作型協同進化遺傳算法的研究
1.3.5 合作型協同進化遺傳算法存在的問題
1.4 本書主要內容
1.5 本章小結
參考文獻
第2章 基于緊聯結識別的協同進化種群分割
2.1 種群分割的必要性
2.2 基于概率模型的緊聯結識別算法
2.3 基于緊聯結識別的協同進化種群分割
2.3.1 一次性緊聯結識別協同進化種群分割
2.3.2 進化緊聯結識別協同進化種群分割
2.4 在多模態數值函數優化中的應用
2.4.1 優化函數描述
2.4.2 運行環境與參數設置
2.4.3 運行結果比較與分析
2.5 本章小結
參考文獻
第3章 協同進化種群搜索區域的動態變化
3.1 搜索區域動態變化的必要性
3.2 搜索區域動態變化
3.2.1 搜索區域變化時機
3.2.2 搜索區域變化策略
3.3 種群規模自適應調整
3.3.1 種群規模調整策略
3.3.2 新種群的生成
3.3.3 算法步驟
3.4 算法性能分析
3.5 在多模態數值函數優化中的應用
3.5.1 優化函數描述
3.5.2 運行環境與參數設置
3.5.3 停機準則
3.5.4 運行結果比較與分析
3.6 本章小結
參考文獻
第4章 協同進化遺傳算法種群規模的動態變化
4.1 種群規模動態變化的必要性
4.1.1 單種群遺傳算法的變種群規模
4.1.2 多種群遺傳算法的變種群規模
4.1.3 合作型協同進化遺傳算法的計算復雜性
4.1.4 種群規模動態變化的意義
4.2 基于二進制編碼的搜索區域變焦
4.3 基于實數編碼的搜索區域變焦
4.3.1 進化子種群的表示
4.3.2 子種群的進化能力
4.3.3 搜索子空間的變焦
4.4 子種群規模動態變化
4.4.1 代表個體的信用度
4.4.2 算法步驟
4.5 在多模態數值函數優化中的應用
4.5.1 被優化函數
4.5.2 參數取值
4.5.3 優化結果與分析
4.6 與第3章的比較
4.7 本章小結
參考文獻
第5章 基于局域網並行實現的協同進化種群的代表個體選擇
5.1 局域網並行實現的必要性
5.2 協同進化遺傳算法的局域網並行實現
5.3 代表個體選擇
5.3.1 影響代表個體選擇的因素
5.3.2 代表個體選擇方法
5.3.3 子種群分布的多樣性描述
5.3.4 代表個體數量
5.3.5 選擇代表個體
5.3.6 合作團體構成
5.3.7 算法步驟
5.4 在多模態數值函數優化中的應用
5.4.1 被優化函數
5.4.2 計算資源的性能
5.4.3 參數取值
5.4.4 優化結果與分析
5.5 本章小結
參考文獻
第6章 協同進化遺傳算法網絡實現的資源分配
6.1 資源分配的必要性
6.2 資源分配決策模型
6.2.1 需要考慮的因素
6.2.2 一些假設
6.2.3 決策模型
6.2.4 對模型的解釋
6.3 決策模型求解
6.4 算例
6.4.1 各子種群采用相同的遺傳策略
6.4.2 子種群分為多組，不同組采用不同的遺傳策略
6.4.3 各子種群均采用不同遺傳策略
6.5 本章小結
參考文獻
第7章 協同進化遺傳算法的搜索空間分割
7.1 空間分割的必要性
7.2 算法思想及空間分割
7.3 種內及種問進化遺傳算法
7.3.1 種內進化遺傳算法
7.3.2 種間進化遺傳算法
7.3.3 新的進化子種群的生成
7.4 超級個體集合
7.5 算法復雜度分析
7.6 在多目標數值函數優化中的應用
7.6.1 參數設置
7.6.2 空間分割個數對Pareto邊界的影響
7.6.3 子空間劃分形式對Pareto邊界的影響
7.6.4 種內進化策略對Pareto邊界的影響
7.6.5 超級個體的形成和更新策略對Pareto邊界的影響
7.6.6 種聞講化對Pareto邊界的影響
7.7 本章小結
參考文獻
第8章 協同進化遺傳算法在機器人路徑規劃中的應用
8.1 機器人路徑規劃
8.1.1 傳統路徑規劃方法
8.1.2 智能路徑規劃方法
8.2 多機器人協調路徑規劃模型
8.3 多機器人協調路徑規劃的協同進化遺傳算法求解
8.3.1 遞階編碼
8.3.2 適應度函數
8.3.3 遺傳操作
8.3.4 算法步驟
8.4 算例
8.4.1 問題描述
8.4.2 實驗設置
8.4.3 實驗結果及性能分析
8.5 本章小結
參考文獻
第9章 協同進化遺傳算法在神經網絡優化中的應用
9.1 神經網絡優化
9.1.1 傳統訓練算法
9.1.2 基于遺傳算法的神經網絡設計
9.2 神經網絡優化的協同進化遺傳算法求解
9.2.1 進化種群分割
9.2.2 決策變量編碼
9.2.3 交叉操作
9.2.4 變異操作
9.2.5 基于啟發式的神經網絡結構優化
9.2.6 適應度函數
9.2.7 代表個體選擇
9.2.8 算法步驟
9.3 用于分類的神經網絡優化
9.3.1 問題描述
9.3.2 實驗設置
9.3.3 實驗結果及性能分析
9.4 本章小結
參考文獻
第10章 協同進化遺傳算法在群體決策中的應用
10.1 群體決策的必要性和難度
10.2 分布協同交互式遺傳算法
10.2.1 共享個體
10.2.2 群體決策結果的評價
10.2.3 類適應值替換
10.3 在服裝進化設計系統中的應用
10.3.1 實驗設置
10.3.2 實驗結果及分析
10.4 本章小結
參考文獻
附錄 部分協同進化遺傳算法源程序
附錄1 標準合作型協同進化遺傳算法MATLAB源程序
附錄2 第8章機器人路徑規劃部分源程序

在自然計算領域，基于達爾文進化論的遺傳算法已取得了令人矚目的進展，然而，由于個體多樣性得不到保證，遺傳算法的全局搜索能力仍然不盡人意。協同進化遺傳算法是對遺傳算法的有力改進，是在協同進化論基礎上提出的一類新的進化算法。與達爾文進化論不同，協同進化論認為，在生物進化的歷桂中，不同生物種類既相互制約競爭，又相互協調受益，這種相生相克的辯證關系有效維持了地球生態系統的生存均衡和進化發展。受之啟迪，協同進化遺傳算法考慮了種群之間以及種群與環境之間的協調，提高了算法的優化搜索能力，也不乏成功應用案例，引起人們的廣泛關注。

該書是著者近5年來在多項國家自然科學基金和教育部“新世紀優秀人才支持計劃”項目資助下，取得的一系列關于協同進化遺傳算法研究成果的結晶。書中介紹了協同進化遺傳算法基本原理、模型和方法，並重點針對協同進化遺傳算法迄今為止面臨的若干難題，系統闡述了協同進化遺傳算法中子種群數量和規模、搜索區域的調控、代表個體的選擇，以及計算資源的分配等關鍵理論和方法。此外，書中還詳細介紹了協同進化遺傳算法的若干典型的應用，包括︰多峰多目標復雜數值函數優化、機器人協調路徑規劃、神經網絡優化，以及群體決策等。該書內容豐富，闡述嚴謹，思想方法新穎且理論聯系實際，不失為我國自然計算領域又一部有一定閱讀和參考價值的著作。