第一章 绪论
1. 1 引言
1. 2 生物进化
1. 3 遗传算法
1. 3. 1 基础用语
1. 3. 2 标准遗传算法
1. 4 遗传算法的特点
1. 4. 1 遗传算法和其它传统搜索方法的对比
1. 4. 2 遗传算法和若干搜索方法的亲近关系
1. 4. 3 遗传算法和自律分布系统的亲近关系
1. 5 遗传算法的研究历史和现状
1. 5. 1 遗传算法的研究概况
1. 5. 2 遗传算法研究的新焦点
1. 6 遗传算法今后研究的主要课题
参考文献
第二章 遗传算法的基本原理和方法
2. 1 模式定理(schemate theorem)
2. 1. 1 模式
2. 1. 2 模式定理
2. 2 积木块假设
2. 3 骗问题
2. 4 隐并行性
2. 5 性能评估
2. 6 编码
2. 6. 1 编码问题
2. 6. 2 编码(译码)评估规范和编码原理
2. 6. 3 编码技术
2. 7 群体设定
2. 7. 1 初始群体设定
2. 7. 2 群体多样性
2. 8适应度函数
2. 8. 1 目标函数映射成适应度函数
2. 8. 2 适应度函数定标(scaling)
2. 8. 3 适应度函数的设计对遗传算法的影响
2. 9 遗传操作
2. 9. 1 选择算子
2. 9. 2 交叉算子(crossover operator)
2. 9. 3 变异算子(mutation operator)
2. 10 收敛性
2. 10. 1 未成熟收敛
2. 10. 2 有限马尔柯夫链
2. 10. 3 标准遗传算法的收敛性
参考文献
第三章 遗传算法与组合优化
3. 1 基于遗传算法的组合优化方法
3. 1. 1 遗传算法的关键参数确定
3. 1. 2 几种流行的选择机制
3, 1. 3 适应度函数的定标
3. 1. 4 二倍体(diploidy)与显性(dominance)技术
3. 1. 5 物种形成(speciation)与小生境(niche)技术
3. 2 函数优化(function optimization)
3. 2. 1 问题描述
3. 2. 2 编码与适应度函数
3. 2. 3 基本遗传算法(SGA)的搜索性能
3. 2. 4 基本遗传算法的若干变体形式的搜索性能
3. 3 背包问题(knapsack problem)
3. 3. 1 问题描述
3. 3. 2 遗传编码
3. 3. 3 适应度函数
3. 3. 4 基于基本遗传算法求解背包问题
3. 3. 5 基本遗传算法的搜索能力
3. 3. 6 基于"与／或"交又方法求解背包问题
3. 4 货郎担问题
3. 4. 1 编码与适应度函数
3. 4. 2 交又策略
3. 4. 3 变异技术
3. 4. 4 选择机制和群体构成
3. 4. 5 混合GA技术
3. 4. 6 基于遗传算法求解TSP的算法实现
3. 5 混合搜索方法
3. 5. 1 概述
3. 5. 2 启发式搜索法简介
3. 5. 3 混合遗传算法(Hybrid GA)
3. 5. 4 实验与讨论
3. 6 图的划分问题
3. 6. 1 问题描述
3. 6. 2 编码与适应度函数设计
3. 6. 3 遗传操作
3. 6. 4 实验结果
参考文献
第四章 遗传算法与机2S学习
4. 1 概述
4. 2 分类器系统
4. 2. 1 规则与消息
4. 2. 2 桶队算法
4. 2. 3 遗传算法
4. 3 学习系统LS-1
4. 3. 1 LS-1与CS-1的区别
4. 3. 2 LS-1的工作原理
4. 4 基于遗传算法的概念学习系统
4. 4. 1 搜索空间的表示
4. 4. 2 遗传操作
4. 4. 3 执行过程
4. 4. 4 非标准操作
4. 4. 5 GABIL系统的自适应性
4. 5 小结
参考文献
第五章 遗传算法与并行处理
5. 1 遗传算法固有的并行性及其并行化的困难
5. 1. 1 源于自然的并行性
5. 1. 2 遗传算法理论中的并行性
5. 1. 3 遗传算法在并行实观上的困难
5. 2 遗传算法的并行化途径
5. 2. 1 主从式(master-slave)并行化方法
5. 2. 2 粗粒度模型
5. 2. 3 细粒度模型
5. 3 粗粒度的孤岛模型
5. 3. 1 粗粒度模型的生物学依据
5. 3. 2 粗粒度模型的研究现状
5. 3. 3 孤岛模型在MIMD机器上的实现
5. 3. 4 扩展的分布式遗传算法
5. 4 细粒度的邻域模型
5. 4. 1 细粒度模型的理论基础
5. 4. 2 细粒度模型的研究现状
5. 4. 3 MIMD上的细粒度模型的实现
5. 4. 4 SIMD上的细粒度模型的实现
5. 5 粗粒度模型与细粒度模型的性能比较
5. 6 实现并行遗传算法的一个例子
5. 6. 1 迁入式算法
5. 6. 2 迁出式算法
5. 6. 3 扩散式算法
5. 7 LCS的并行实现
5. 7. 1 执行系统
5. 7. 2 信用系统中的分配策略
5. 7. 3 遗传算法在LCS中的应用
5. 7. 4 LCS的一个MIMD实观
5. 7. 5 LCS在CM机器上的实现
参考文献
第六章 神经网络. 模糊集理论和进化算法
6. 1 遗传算法与神经网络
6. 1. 1 神经网络的发展
6. 1. 2 神经网络连接权的进化
6. 1. 3 神经网络结构的进化
6. 1. 4 神经网络学习规则的进化
6. 2 遗传算法与模糊集理论,
6. 2. 1 基于遗传算法的模糊推理规则的优化
6. 2. 2 遗传算法在模糊模式识别中的应用
6. 3 进化算法
6. 3. 1 引言
6. 3. 2 进化算法的总框架
6. 3. 3 遗传算法
6. 3. 4 进化规划
6. 3. 5 进化策略
6. 3. 6 交叉和变异的关系
6. 3. 7 小结
参考文献
第七章 遗传算法与人工生命
7. 1 人工生命的研究内容和方法
7. 1. 1 人工生命及其特征
7. 1. 2 人工生命研究的内容与方法
7. 2 遗传算法与人工生命进化模型
7. 3 L系统与形态生成模型
7. 3. 1 L系统与植物形态
7. 3. 2 植物的形态生成模型
7. 3. 3 讨论
7. 4 博弈型人工生态系统
7. 4. 1 博弈与策略
7. 4. 2 博弈型生态系统
7. 4. 3 生态动力学与自组织化
7. 5 人工生命与遗传信息处理
7. 5. 1 人类信息世界
7. 5. 2 监视遗传
7. 5. 3 遗传信息处理模型
7. 5. 4 基于遗传信息处理模型的人工生命合成
7. 5. 5 人工生命与人工智能
参考文献
第八章 遗传算法应用实例
8. 1 遗传算法在图像恢复中的应用
8. 1. 1 引言
8. 1. 2 图像退化模型
8. 1. 3 遗传算法用于图像恢复
8. 1. 4 遗传算法与贝叶斯方法相结合的图像恢复
8. 2 遗传算法在图像识别中的应用
8. 2. 1 引言
8. 2. 2 数学模型
8. 2. 3 目标函数形成
8. 2. 4 随机全局优化方法
8. 2. 5 实验结果
8. 3 遗传算法在控制中的应用
8. 3. 1 操作序列的最优化
8. 3. 2 倒立摆控制
8. 4 调度问题
8. 4. 1 车间作业调度问题
8. 4. 2 两种解法
8. 4. 3 实验
8. 5 硬件进化
8. 5. 1 硬件进化的特点
8. 5. 2 硬件进化的学习方法
8. 5. 3 实例
参考文献
附录A SGA程序
附录B TSP程序
附录C CLS程序
鄂公网安备 42010302001612号 