引言

第一部分 遗 传 算 法

第1章 遗传算法的主要特征

1．1 简单函数的优化

1．1．1 表达

1．1．2 初始群体

1．1．3 评价函数

1．1．4 遗传算子

1．1．5 参数

1．1．6 实算结果

1．2 囚犯困境

1．2．1 策略表达

1．2．2 遗传算法的轮廓

1．2．3 实算结果

1．3 货郎担问题

1．4 爬山法、模拟退火法和遗传算法

1．5 结论

第2章 遗传算法的运行步骤

第3章 遗传算法的理论基础

第4章 遗传算法的典型专题

4．1 取样机制

4．2 函数特征

4．3 收缩映射遗传算法

4．4 变群体规模的遗传算法

4．5 遗传算法、约束及背包问题

4．5．1 0/1背包问题及测试数据

4．5．2 算法的描述

4．5．3 实算与结果

4．6 其他思想

第5章 二进制编码和浮点编码

第二部分 数 值 优 化

5．1 测试例子

5．2 两种执行

5．2．1 二进制执行

5．2．2 浮点执行

5．3 实算

5．3．1 随机变异和杂交

5．3．2 非均匀变异

5．3．3 其他算子

5．4 执行时间

5．5 结论

第6章 局部微调

6．1 测试例子

6．1．2 收获问题

6．1．1 线性二次方问题

6．1．3 推车问题

6．2 数值优化的演化程序

6．2．1 浮点表达

6．2．2 特殊算子

6．3 实算和结果

6．4 演化程序与其他方法

6．4．1 线性二次方问题

6．4．2 收获问题

6．4．3 推车问题

6．4．4 非均匀变异的优越性

6．5 结论

第7章 处理约束技巧

7．1 一个演化程序：GENOCOP系统

7．1．1 一个例子

7．1．2 算子

7．1．3 测试GENOCOP

7．2 非线性优化：GENOCOP Ⅱ

7．3 其他技术

7．3．1 五个测试实例

7．3．2 实算

7．4 其他可能性

7．5 GENOCOP Ⅲ

第8章 演化策略和其他方法

8．1 演化策略的进展

8．2 演化策略和遗传算法的比较

8．3 多峰和多目标函数优化

8．3．1 多峰优化

8．3．2 多目标优化

8．4 其他演化程序

9．1 线性运输问题

第三部分 演 化 程 序

第9章 运输问题

9．1．1 经典遗传算法

9．1．2 引入与问题有关的知识

9．1．3 作为表达结构的矩阵

9．1．4 结论

9．2 非线性运输问题

9．2．1 表达

9．2．2 初始化

9．2．3 评价

9．2．4 算子

9．2．5 参数

9．2．6 测试

9．2．7 实算和结果

9．2．8 结论

第10章 货郎担问题

第11章 基于各种离散问题的演化程序

11．1 日程表

11．2 时间表问题

11．3 分割对象或图

11．4 在移动式机器人环境里的路径安排

11．5 评述

第12章 机器学习

12．1 Michigan法

12．2 Pitt法

12．3 一个演化程序：GIL系统

12．3．1 数据编码

12．3．2 遗传算子

12．5 REGAL

12．4 比较

第13章 演化规划和遗传规划

13．1 演化规划

13．2 遗传规划

第14章 演化程序的等级

第15章 演化程序和启发式方法

15．1 技术和启发式规则概述

15．2 可行解和不可行解

15．3 评价个体的启发式方法

第16章 结论

附录A 一个简单实用的遗传算法C代码

附录B 测试函数

附录C 用于约束优化的测试函数

附录D 演化计算方法课程安排

参考文献