-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
3/26 新書到! 3/19 新書到! 3/14 新書到! 12/12 新書到!
購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopAutoCadMasterCamSolidWorksCreoUGRevitNuke
C#CC++Java遊戲程式Linux嵌入式PLCFPGAMatlab
駭客資料庫搜索引擎影像處理FluentVR+ARANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
HadoopPythonStm32CortexLabview手機程式AndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

演化計算方法及應用

( 簡體 字)
作者:竇全勝,陳姝穎類別:1. -> 程式設計 -> 綜合
譯者:
出版社:電子工業出版社演化計算方法及應用 3dWoo書號: 43228
詢問書籍請說出此書號!

有庫存
NT售價: 190

出版日:12/1/2015
頁數:180
光碟數:0
站長推薦:
印刷:黑白印刷語系: ( 簡體 版 )
加入購物車 加到我的最愛
(請先登入會員)
ISBN:9787121264825
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
(簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證)
作者序:

譯者序:

前言:

前言


最優化問題是一門既古老又年輕的學科,特別是隨著科學技術的發展,許多更加復雜的大規模優化問題不斷涌現出來,本書詳細闡述了基于演化方法的最優化問題求解,主要內容包括:
? 基于遺傳算法的優化問題求解。
? 進化規劃和群體啟發進化規劃。
? 粒子群優化算法和算法改進。
? 微分演化方法。
? 基于文化算法的約束優化問題求解。
? 蟻群算法。
? 演化算法的應用示例。
本書共分8章:第1章為緒論,介紹本書的研究背景,對求解優化問題的數學方法和演化計算方法進行了簡要的概括和比較;第2章對基于遺傳算法的最優化問題求解過程進行了闡述,對以往的一些處理技巧進行了論述;第3章對標準進化規劃進行了分析,闡述了群體啟發進化規劃方法,并把它應用于求解高維優化問題;第4章介紹了PSO算法,并進一步闡述了關于PSO方法的兩種改進方法;第5章介紹了微分演化方法的執行過程;第6章概括了用演化方法求解約束優化問題的幾個策略,著重介紹了幾種不可行個體的處理方式,討論了基于約束與群體的分離策略的文化算法;第7章對蟻群算法和蟻群聚類進行介紹;第8章列舉了幾個演化計算方法在實際問題中的應用示例。
本書的工作得到了國家自然基金(61272244,60970088,61175053,61173173)等項目和山東省高校智能信息處理重點實驗室(山東工商學院)的資助,在此表示感謝。
此外,還要特別感謝吉林大學的周春光教授,山東工商學院的范輝教授、原達教授、謝青松教授、劉培強教授,感謝他們為本書寫作提供的幫助與支持。由于水平有限,書中難免有疏漏和不足之處,敬請讀者指正。作者的聯系方式為:qsdou@yeah.net。


作者
2015年2月
內容簡介:

本書全面概括了用演化方法求解優化問題的一些新方法,重點介紹了進化規劃、粒子群優化、微分演化、文化算法和蟻群算法,并闡述了幾種新的改進算法,例如,群體啟發進化規劃方法、模擬退火粒子群優化算法及有分工策略的粒子群優化等,同時就所涉及的算法進行了系統的實驗和比較,討論了不同算法對不同環境的適應能力。 本書可作為從事群體智能、演化計算等領域的研究人員的參考書,對于解決優化問題有一定的參考和應用價值。

目錄:

第1章 緒論 1
1.1 最優化問題 2
1.2 求解優化問題的數學方法 4
1.3 求解優化問題的演化計算方法 5
第2章 遺傳算法 9
2.1 標準遺傳算法 10
2.2 編碼 12
2.2.1 二進制編碼 12
2.2.2 值編碼(Value Encoding) 12
2.2.3 互換編碼(Permutation Encoding) 13
2.3 遺傳算子 14
2.3.1 交叉 14
2.3.2 變異 16
2.3.3 選擇 17
2.4 參數控制 19
2.5 模式定理和隱并行性定理 19
2.6 收縮映射原理 21
2.7 小結 24



第3章 進化規劃 26
3.1 標準進化規劃方法 27
3.2 進化策略 29
3.3 概率分析 30
3.4 群體啟發進化規劃 34
3.4.1 群體啟發進化規劃算法 34
3.4.2 PHEP算法驗證 36
3.5 用群體啟發進化規劃求解高維優化問題 41
3.5.1 高維優化 41
3.5.2 實驗結果 42
3.6 小結 45
第4章 粒子群優化 46
4.1 標準粒子群優化方法 48
4.2 二進制粒子群優化算法 50
4.3 參數設置 57
4.4 粒子軌跡的確定性分析 60
4.5 粒子的分布特征 63
4.6 粒子的聚度 64
4.7 模擬退火粒子群優化方法 67
4.7.1 模擬退火 68
4.7.2 模擬退火粒子群優化 69
4.8 有分工策略的粒子群優化方法 71
4.9 算法測試 74
4.10 動態優化 76
4.10.1 線性模型 77
4.10.2 環形模型 77
4.10.3 隨機模型 78
4.10.4 動態優化仿真 78
4.11 小結 84
第5章 微分演化 86
5.1 微分演化方法描述 87
5.2 DE參數的設置 90
5.3 算法仿真 91
5.3.1 低維條件下的仿真結果 91
5.3.2 高維條件下的仿真結果 92
5.4 微分演化粒子群優化 93
5.5 用DE確定PSO的最佳參數 96
5.6 小結 98
第6章 文化算法 99
6.1 約束的處理 101
6.1.1 可行解和不可行解 101
6.1.2 可行個體評價函數 的設計 102
6.1.3 不可行個體的處理 103
6.2 文化算法簡介 108
6.2.1 文化算法框架 108
6.2.2 信仰空間的約束表達和信仰空間的更新 109
6.2.3 群體空間的演化 113
6.3 算法測試 113
6.4 小結 114
第7章 蟻群優化 116
7.1 蟻群優化算法 117
7.2 蟻群聚類 120
7.3 小結 123
第8章 應用舉例 125
8.1 屬性約簡 126
8.1.1 信息系統與屬性約簡 126
8.1.2 常用的屬性約簡方法 126
8.1.3 基于遺傳算法的屬性約簡 129
8.2 電力負荷關聯規則提取 132
8.2.1 問題概述 132
8.2.2 關聯規則 133
8.2.3 頻項集挖掘 136
8.2.4 基于DPSO方法負荷規則萃取 138
8.3 神經網絡訓練 142
8.3.1 神經元模型 143
8.3.2 神經網絡 144
8.3.3 神經網絡的學習 145
8.3.4 前向神經網絡 146
8.4 小結 149
附錄A 無約束優化問題 151
附錄B 約束優化問題 158
參考文獻 163
序: