智能演化優(yōu)化

上篇多目標(biāo)優(yōu)化問(wèn)題與智能演化優(yōu)化方法
第1章引言3
1.1研究背景3
1.2基本概念以及基本框架5
1.2.1多目標(biāo)優(yōu)化問(wèn)題5
1.2.2多目標(biāo)演化算法簡(jiǎn)介6
1.3相關(guān)研究工作綜述8
1.3.1進(jìn)化高維多目標(biāo)優(yōu)化8
1.3.2多目標(biāo)演化算法中的變化算子11
1.4本章小結(jié)12
第2章基礎(chǔ)知識(shí)13
2.1典型的基于分解的多目標(biāo)演化算法13
2.1.1問(wèn)題分解多目標(biāo)演化算法13
2.1.2集成適應(yīng)度排序14
2.1.3第三代非支配排序遺傳算法14
2.1.4多目標(biāo)遺傳局部搜索15
2.2差分進(jìn)化16
2.3柔性作業(yè)車間調(diào)度的析取圖模型17
2.4標(biāo)準(zhǔn)測(cè)試問(wèn)題19
2.4.1高維多目標(biāo)優(yōu)化測(cè)試問(wèn)題19
2.4.2柔性作業(yè)車間調(diào)度測(cè)試問(wèn)題20
2.5性能指標(biāo)20
2.6本章小結(jié)22
第3章在基于聚合的多目標(biāo)演化算法中平衡收斂性和多樣性24
3.1前言24
3.2類似算法簡(jiǎn)介25
3.3基本思想26
3.4算法詳解27
3.4.1增強(qiáng)MOEA/D28
3.4.2增強(qiáng)EFR29
3.4.3可選歸一化過(guò)程30
3.4.4計(jì)算復(fù)雜度30
3.4.5討論31
3.5實(shí)驗(yàn)設(shè)計(jì)32
3.5.1測(cè)試問(wèn)題32
3.5.2性能指標(biāo)34
3.5.3比較算法34
3.5.4實(shí)驗(yàn)設(shè)置35
3.6算法的性能分析37
3.6.1參數(shù)K的影響38
3.6.2收斂性和多樣性的研究40
3.7與先進(jìn)算法的比較44
3.7.1在歸一化問(wèn)題上的比較44
3.7.2在非歸一化問(wèn)題上的比較53
3.7.3進(jìn)一步討論56
3.8本章小結(jié)57
目錄  智能演化優(yōu)化〖2〗〖2〗 〖1〗 第4章基于新型支配關(guān)系的多目標(biāo)演化算法58
4.1前言58
4.2基于θ支配的演化算法59
4.2.1算法框架59
4.2.2參考點(diǎn)的生成60
4.2.3重組算子61
4.2.4自適應(yīng)歸一化62
4.2.5聚類算子62
4.2.6θ支配64
4.2.7θDEA的計(jì)算復(fù)雜度65
4.3實(shí)驗(yàn)設(shè)計(jì)65
4.3.1測(cè)試問(wèn)題65
4.3.2性能指標(biāo)66
4.3.3比較算法67
4.3.4實(shí)驗(yàn)設(shè)置68
4.4實(shí)驗(yàn)結(jié)果70
4.4.1與NSGAⅢ和MOEA/D的比較70
4.4.2與先進(jìn)算法的比較79
4.4.3參數(shù)θ的影響92
4.4.4進(jìn)一步討論95
4.5本章小結(jié)96
第5章基于分解的多目標(biāo)演化算法中的變化算子97
5.1前言97
5.2目標(biāo)算法98
5.3實(shí)驗(yàn)研究99
5.3.1實(shí)驗(yàn)設(shè)置99
5.3.2NSGAⅢDE中參數(shù)的影響100
5.3.3NSGAⅢDE、NSGAⅢSBX: 探索與開(kāi)發(fā)102
5.3.4NSGAⅢ變體之間的比較104
5.4本章小結(jié)109
第6章多目標(biāo)優(yōu)化中的目標(biāo)降維: 演化多目標(biāo)優(yōu)化方法與綜合分析110
6.1前言110
6.2基本知識(shí)和背景112
6.2.1多目標(biāo)優(yōu)化112
6.2.2目標(biāo)降維的基本概念113
6.2.3Pareto前沿的表示和誤導(dǎo)114
6.2.4目標(biāo)降維的現(xiàn)有方法115
6.3多目標(biāo)優(yōu)化方法117
6.3.1基于支配結(jié)構(gòu)的多目標(biāo)優(yōu)化公式117
6.3.2基于相關(guān)性的多目標(biāo)優(yōu)化公式118
6.3.3使用多目標(biāo)演化優(yōu)化算法119
6.3.4采用多目標(biāo)優(yōu)化方法的好處120
6.4對(duì)基于支配結(jié)構(gòu)的方法和基于相關(guān)性方法的分析121
6.4.1理論基礎(chǔ)121
6.4.2基于支配結(jié)構(gòu)的方法的優(yōu)缺點(diǎn)122
6.4.3基于相關(guān)性方法的優(yōu)勢(shì)和局限性123
6.5基準(zhǔn)實(shí)驗(yàn)125
6.5.1基準(zhǔn)問(wèn)題125
6.5.2樣本集的生成126
6.5.3算法的比較126
6.5.4多目標(biāo)降維方法行為研究127
6.5.5演化多目標(biāo)優(yōu)化搜索的有效性130
6.5.6在演化多目標(biāo)搜索領(lǐng)域中確定關(guān)鍵目標(biāo)集的比較132
6.6應(yīng)用于現(xiàn)實(shí)問(wèn)題141
6.6.1應(yīng)用于水資源問(wèn)題141
6.6.2應(yīng)用于汽車側(cè)面碰撞問(wèn)題142
6.6.3討論143
6.7方法的優(yōu)勢(shì)145
6.7.1關(guān)于輔助優(yōu)化的目標(biāo)降維145
6.7.2關(guān)于可視化和決策制定147
6.8本章小結(jié)148
第7章利用支配預(yù)測(cè)輔助的高成本多目標(biāo)演化優(yōu)化150
7.1前言150
7.2背景知識(shí)152
7.2.1多目標(biāo)優(yōu)化152
7.2.2θ支配153
7.2.3深度前饋神經(jīng)網(wǎng)絡(luò)154
7.3θDEADP算法155
7.3.1概述155
7.3.2Representative解157
7.3.3基于支配預(yù)測(cè)的代理模型158
7.3.4兩階段預(yù)選策略160
7.3.5討論161
7.4實(shí)驗(yàn)162
7.4.1實(shí)驗(yàn)設(shè)計(jì)162
7.4.2多目標(biāo)優(yōu)化問(wèn)題的性能166
7.4.3眾多目標(biāo)優(yōu)化問(wèn)題的性能171
7.4.4θDEADP組成部分的研究177
7.5本章小結(jié)180
上篇總結(jié)181
下篇柔性作業(yè)車間調(diào)度問(wèn)題及其優(yōu)化求解
第8章FJS問(wèn)題概述185
8.1多目標(biāo)柔性作業(yè)車間調(diào)度問(wèn)題185
8.2多目標(biāo)柔性作業(yè)車間調(diào)度的研究現(xiàn)狀187
8.3模因演算法189
8.3.1模因演算法簡(jiǎn)介189
8.3.2求解多目標(biāo)組合優(yōu)化問(wèn)題的模因演算法190
8.4本章小結(jié)191
第9章基于混合和聲搜索的柔性作業(yè)車間調(diào)度192
9.1前言192
9.2相關(guān)工作介紹193
9.2.1柔性車間調(diào)度193
9.2.2和聲搜索算法（HS算法）194
9.2.3混合和聲搜索（HHS）算法和混合TS算法（TSPCB）之間的差異194
9.3HHS算法196
9.3.1算法框架196
9.3.2和聲向量的表示196
9.3.3和聲向量的評(píng)估196
9.3.4初始化和聲記憶201
9.3.5新和聲向量生成202
9.3.6依賴問(wèn)題的局部搜索203
9.3.7更新和聲記憶207
9.4實(shí)驗(yàn)207
9.4.1實(shí)驗(yàn)設(shè)置207
9.4.2計(jì)算結(jié)果和比較209
9.4.3HHS與其他算法的進(jìn)一步比較215
9.5討論218
9.6本章小結(jié)219
第10章基于混合差分進(jìn)化的柔性作業(yè)車間調(diào)度算法220
10.1前言220
10.2基本DE算法222
10.2.1算法初始化222
10.2.2不同載體的突變222
10.2.3交叉223
10.2.4選擇223
10.3針對(duì)FJSP的HDE223
10.3.1HDE概述223
10.3.2表示和初始化225
10.3.3雙向量編碼225
10.3.4轉(zhuǎn)換技術(shù)227
10.3.5局部搜索算法229
10.4實(shí)驗(yàn)233
10.4.1實(shí)驗(yàn)設(shè)置233
10.4.2Kacem實(shí)例的結(jié)果235
10.4.3BRdata實(shí)例的結(jié)果235
10.4.4BCdata實(shí)例的結(jié)果235
10.4.5HUdata實(shí)例的結(jié)果239
10.4.6HDE的進(jìn)一步性能分析244
10.5本章小結(jié)251
第11章大規(guī)模柔性作業(yè)車間調(diào)度問(wèn)題的集成搜索啟發(fā)式算法252
11.1前言252
11.2混合和聲搜索253
11.2.1HS簡(jiǎn)介253
11.2.2HHS程序254
11.2.3HHS對(duì)FJSP的適配255
11.3大鄰域搜索260
11.3.1LNS概述260
11.3.2FJSP的基于約束的模型261
11.3.3約束破壞算法261
11.3.4構(gòu)造算法262
11.4集成的啟發(fā)式搜索方法: HHS/LNS262
11.5實(shí)驗(yàn)研究263
11.5.1實(shí)驗(yàn)設(shè)置263
11.5.2HHS模塊性能分析263
11.5.3LNS模塊性能分析268
11.5.4整合效應(yīng)269
11.5.5大規(guī)?；鶞?zhǔn)實(shí)例的計(jì)算結(jié)果269
11.6本章小結(jié)276
第12章求解多目標(biāo)柔性作業(yè)車間調(diào)度的模因演算法278
12.1前言278
12.2算法概述279
12.3全局搜索策略280
12.3.1染色體編碼280
12.3.2染色體解碼281
12.3.3遺傳操作282
12.4局部搜索策略283
12.4.1個(gè)體選擇283
12.4.2針對(duì)個(gè)體的局部搜索284
12.5實(shí)驗(yàn)分析289
12.5.1評(píng)價(jià)指標(biāo)290
12.5.2局部搜索中接受準(zhǔn)則的實(shí)驗(yàn)研究291
12.5.3遺傳搜索和局部搜索混合的有效性293
12.5.4局部搜索中分層策略的有效性297
12.5.5與先進(jìn)算法的比較299
12.6進(jìn)一步討論307
12.7本章小結(jié)308
下篇總結(jié)309
參考文獻(xiàn)310
附錄A334
A.1英文縮寫(xiě)對(duì)照表334
A.2圖片索引338
A.3表格索引342