《遗传算法及其应用》求取 ⇩

第一章绪论1

1.1 引言1

1.2 生物进化2

1.3遗传算法3

1.3.1 基础用语3

1.3.2 标准遗传算法5

1.4遗传算法的特点10

1.4.1 遗传算法和其它传统搜索方法的对比10

1.4.2 遗传算法和若干搜索方法的亲近关系13

1.4.3 遗传算法和自律分布系统的亲近关系14

1.5遗传算法的研究历史和现状14

1.5.1 遗传算法的研究概况14

1.5.2 遗传算法研究的新焦点21

1.6 遗传算法今后研究的主要课题23

参考文献26

第二章遗传算法的基本原理和方法28

2.1模式定理(schemate theorem)28

2.1.1 模式29

2.1.2 模式定理30

2.2 积木块假设36

2.3 骗问题41

2.4 隐并行性48

2.5 性能评估49

2.6编码51

2.6.1 编码问题51

2.6.2 编码(译码)评估规范和编码原理52

2.6.3 编码技术55

2.7群体设定67

2.7.1 初始群体设定67

2.7.2 群体多样性68

2.8适应度函数69

2.8.1 目标函数映射成适应度函数70

2.8.2 适应度函数定标(scaling)71

2.8.3 适应度函数的设计对遗传算法的影响74

2.9遗传操作75

2.9.1 选择算子76

2.9.2 交叉算子(crossover operator)81

2.9.3 变异算子(mutation operator)85

2.10收敛性88

2.10.1 未成熟收敛88

2.10.2 有限马尔柯夫链90

2.10.3 标准遗传算法的收敛性92

参考文献98

第三章遗传算法与组合优化101

3.1基于遗传算法的组合优化方法101

3.1.1 遗传算法的关键参数确定102

3.1.2 几种流行的选择机制103

3.1.3 适应度函数的定标106

3.1.4 二倍体(diploidy)与显性(dominance)技术107

3.1.5 物种形成(speciation)与小生境(niche)技术111

3.2函数优化(functio optimization)117

3.2.1 问题描述117

3.2.2 编码与适应度函数121

3.2.3 基本遗传算法(SGA)的搜索性能122

3.2.4 基本遗传算法的若干变体形式的搜索性能127

3.3背包问题(knapsack problem)130

3.3.1 问题描述130

3.3.2 遗传编码131

3.3.3 适应度函数131

3.3.4 基于基本遗传算法求解背包问题132

3.3.5 基本遗传算法的搜索能力135

3.3.6 基于“与/或”交叉方法求解背包问题136

3.4货郎担问题137

3.4.1 编码与适应度函数137

3.4.2 交叉策略138

3.4.3 变异技术141

3.4.4 选择机制和群体构成142

3.4.5 混合GA技术143

3.4.6 基于遗传算法求解TSP的算法实现143

3.5混合搜索方法147

3.5.1 概述147

3.5.2 启发式搜索法简介148

3.5.3 混合遗传算法(Hybrid GA)151

3.5.4 实验与讨论153

3.6图的划分问题158

3.6.1 问题描述158

3.6.2 编码与适应度函数设计158

3.6.3 遗传操作159

3.6.4 实验结果159

参考文献161

第四章遗传算法与机器学习164

4.1 概述164

4.2分类器系统166

4.2.1 规则与消息168

4.2.2 桶队算法171

4.2.3 遗传算法174

4.3学习系统LS-1177

4.3.1 LS-1与CS-1的区别177

4.3.2 LS-1的工作原理178

4.4基于遗传算法的概念学习系统182

4.4.1 搜索空间的表示184

4.4.2 遗传操作186

4.4.3 执行过程187

4.4.4 非标准操作188

4.4.5 GABIL系统的自适应性189

4.5 小结191

参考文献192

第五章遗传算法与并行处理195

5.1遗传算法固有的并行性及其并行化的困难195

5.1.1 源于自然的并行性195

5.1.2 遗传算法理论中的并行性196

5.1.3 遗传算法在并行实现上的困难197

5.2遗传算法的并行化途径198

5.2.1 主从式(master-slave)并行化方法198

5.2.2 粗粒度模型200

5.2.3 细粒度模型201

5.3粗粒度的孤岛模型202

5.3.1 粗粒度模型的生物学依据203

5.3.2 粗粒度模型的研究现状204

5.3.3 孤岛模型在MIMD机器上的实现205

5.3.4 扩展的分布式遗传算法211

5.4细粒度的邻域模型214

5.4.1 细粒度模型的理论基础215

5.4.2 细粒度模型的研究现状216

5.4.3 MIMD上的细粒度模型的实现217

5.4.4 SIMD上的细粒度模型的实现220

5.5 粗粒度模型与细粒度模型的性能比较222

5.6实现并行遗传算法的一个例子224

5.6.1 迁入式算法224

5.6.2 迁出式算法226

5.6.3 扩散式算法227

5.7LCS的并行实现229

5.7.1 执行系统230

5.7.2 信用系统中的分配策略232

5.7.3 遗传算法在LCS中的应用232

5.7.4 LCS的一个MIMD实现233

5.7.5 LCS在CM机器上的实现235

参考文献237

第六章神经网络、模糊集理论和进化算法241

6.1遗传算法与神经网络241

6.1.1 神经网络的发展241

6.1.2 神经网络连接权的进化245

6.1.3 神经网络结构的进化250

6.1.4 神经网络学习规则的进化257

6.2遗传算法与模糊集理论258

6.2.1 基于遗传算法的模糊推理规则的优化259

6.2.2 遗传算法在模糊模式识别中的应用262

6.3进化算法271

6.3.1 引言271

6.3.2 进化算法的总框架274

6.3.3 遗传算法275

6.3.4 进化规划277

6.3.5 进化策略279

6.3.6 交叉和变异的关系282

6.3.7 小结284

参考文献285

第七章遗传算法与人工生命287

7.1人工生命的研究内容和方法287

7.1.1 人工生命及其特征287

7.1.2 人工生命研究的内容与方法289

7.2 遗传算法与人工生命进化模型292

7.3L系统与形态生成模型295

7.3.1 L系统与植物形态295

7.3.2 植物的形态生成模型296

7.3.3 讨论303

7.4博弈型人工生态系统307

7.4.1 博弈与策略308

7.4.2 博弈型生态系统311

7.4.3 生态动力学与自组织化314

7.5人工生命与遗传信息处理318

7.5.1 人类信息世界319

7.5.2 监视遗传321

7.5.3 遗传信息处理模型322

7.5.4 基于遗传信息处理模型的人工生命合成325

7.5.5 人工生命与人工智能327

参考文献332

第八章遗传算法应用实例334

8.1遗传算法在图像恢复中的应用334

8.1.1 引言334

8.1.2 图像退化模型335

8.1.3 遗传算法用于图像恢复335

8.1.4 遗传算法与贝叶斯方法相结合的图像恢复340

8.2遗传算法在图像识别中的应用345

8.2.1 引言345

8.2.2 数学模型347

8.2.3 目标函数形成348

8.2.4 随机全局优化方法351

8.2.5 实验结果352

8.3遗传算法在控制中的应用354

8.3.1 操作序列的最优化355

8.3.2 倒立摆控制356

8.4调度问题358

8.4.1 车间作业调度问题359

8.4.2 两种解法359

8.4.3 实验366

8.5硬件进化368

8.5.1 硬件进化的特点369

8.5.2 硬件进化的学习方法371

8.5.3 实例375

参考文献383

附录ASGA程序385

附录BTSP程序397

附录CCLS程序416