本书共分七章，第一章介绍算法的思想、特点，发展过程和前景。第二章介绍算法的基本理论。第三章讨论算法解连续优化问题。第四章利用算法设计和优化神经网络。第五章介绍在组合优化中的应用。第六章介绍应用遗传程序设计解决程序没计自动化问题。第七章对遗传算法和其它适应性算法进行比较。
更多科学出版社服务，请扫码获取。
目录
序言
第一章 绪论 1
1.1 自然进化与遗传算法 1
1.2 遗传算法的描述 4
1.3 表示方案的实例 14
1.3.1 工程设计的最优化 14
1.3.2 人工蚁问题 17
1.4 遗传算法的特点 22
1.5 遗传算法的发展简史 25
1.6 遗传算法的研究内容及其前景 33
第二章 遗传算法的数学理论 38
2.1 遗传算法的基本定理 38
2.2 隐含并行性 46
2.3 基因块假设 48
2.4 最小欺骗问题 53
2.5 遗传算法欺骗问题的分析与设计 60
2.6 模式的几何表示 62
2.7 遗传算法收敛性分析 63
2.7.1 基本定义 64
2.7.2 守恒杂交算子 67
2.7.3 完全变异算子 69
2.7.4 遗传算法的马尔柯夫链分析 70
第三章 解违续优化问题的遗传算法 75
3.1 基本的遗传算法 75
3.1.1 引言 75
3.1.2 算法描述 76
3.1.3 算法性能分析 B
3.1.4 从目标函数到适应函数 82
3.1.5 基本的选择方法 85
3.2 遗传算法中控制参数的最优化 86
3.2.1 自适应系统模型 86
3.2.2 试验设计 87
3.2.3 试验结果 92
3.3 适应值的比例变换 96
3.3.1 基本的比例方法 96
3.3.2 用于选择比例函数的准则的性质 99
3.3.3 比例函数的一维族 101
3.3.4 比例函数的m维族 104
3.4 解函数优化的并行遗传算法 108
3.4.1 遗传算法与并行计算机 108
3.4.2 并行搜索和最优化 110
3.4.3 并行遗传算法的形式描述 110
3.4.4 性能评估 115
3.4.5 数值结果 117
3.4.6 超线性加速比 118
3.4.7 PGA与一般最优化方法 120
3.5 混合遗传算法 121
3.5.1 混合的原则 122
3.5.2 修改的遗传算子 123
3.6 退火演化算法 124
3.6.1 模拟退火算法概述 124
3.6.2 退火演化算法用于求解连续优化问题 126
3.6.3 比较结果及退火演化算法的并行策略 128
3.7 约束最优化问题 132
第四章 用遗传算法设计神经网络 137
4.1 神经网络概述 137
4.2 感知机结构的设计 140
4.2.1 感知机模型及其学习算法 140
4.2.2 神经网络设计与遗传算法 142
4.2.3 感知机的遗传表示 144
4.2.4 演化过程 145
4.2.5 试验设计 146
S 4.3 前馈神经网络的设计 150
4.3.1 反向传播法 150
4.3.2 混合学习系统 152
4.3.3 试验结果和结论 154
第五章 遗传算法在组合优化中的应用 157
5.1 基于有序的遗传算法和图着色问题 157
5.1.1 图着色问题 157
5.1.2 基于有序的表示和遗传算子 159
5.1.3 图着色问题的实例 161
5.2 解货郎担问题的遗传算法 165
5.2.1 货郎担问题与几个常用的遗传算子 165
5.2.2 算法描述 168
5.2.3 货郎担问题的计算结果 171
5.3 解映射问题的并行遗传算法 172
5.3.1 引言 172
5.3.2 遗传表示和并行策略 174
5.3.3 并行遗传算法的执行分析 175
第六章 遗传程序设计马程序设计自动化 178
6.1 引言 178
6.2 遗传程序设计的主要步骤 179
6.3 遗传程序设计的具体描述 182
6.3.1 函数集和端点集 182
6.3.2 初始结构 184
6.3.3 适应值度量 186
6.3.4 主要操作 188
6.3.5 控制参数 191
6.4 解人工蚁问题的遗传程序设计 191
第七章 遗传算法与其它自适应搜索方法的比较 198
7.1 引言 198
7.2 四种自适应搜索方法的比较 200
7.3 结束语 202
附录 Grotschel货郎担问题的顶点坐标 204
参考文献 206
书单推荐
