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