相關商品
商品簡介
名人/編輯推薦
序
目次
書摘/試閱
商品簡介
全書共分9章，各章相互聯繫，內容自成體系。其中，第1章簡要介紹差分進化演算法的發展、基本原理和家族，並提出了一種採用動態更新種群策略的動態差分進化演算法（DDE）。第2章介紹改進變異操作的差分進化演算法及其在資源受限專案調度、PID控制器參數整定和混合整數非線性規劃中的應用。第3章介紹參數自我調整差分進化演算法，並應用於機械手的軌跡規劃和電力系統經濟負荷分配問題中。第4章介紹多變異模式組合的差分進化演算法，並應用於非線性系統模型參數估計和二維IIR濾波器優化設計。第5章介紹一種單純形混合差分進化演算法及其在硬碟驅動伺服系統參數估計中應用。第6章介紹一種基於擁擠熵多樣性保持的多目標差分進化演算法並應用於電力系統環境負荷分配問題。第7章介紹一種基於最近鄰距離多樣性保持的多目標差分進化演算法，並應用於混合動力汽車(HEV)動力部件參數和控制策略參數的同時優化設計。
名人/編輯推薦
《信息化與工業化兩化融合研究與應用叢書:動態差分進化算法及其應用》是作者近年來在差分進化算法及其應用研究方面所取得的相關科研成果的歸納和總結。全書共分9章，各章相互聯系，內容自成體系。
序
進化算法是以達爾文的進化論思想為基礎，通過模擬自然界生物群體進化過程與機制的一類隨機優化方法。與傳統優化算法和窮舉法等優化算法相比，進化算法具有不依賴於問題模型的特性，尋優過程的自適應性，隱含的並行性以及解決複雜非線性問題的魯棒性等優點，已廣泛應用於各種複雜優化問題和工程優化設計中，是當前人工智能領域的研究熱點之一。
自從20世紀70年代初期，John Holland首先提出基於進化思想的遺傳算法開始，許多研究人員開始加入到進化計算領域，由此產生了很多不同的進化算法。這些算法被廣泛研究並應用於大量不同問題的求解。時至今日，人們仍在各自的領域中繼續研究這些算法，也使得這些算法能夠解決更多的新問題。作為一種新興的進化算法，差分進化（Differential Evolution，DE）算法是Rainer Storn和Kenneth Price於1995年為求解切比雪夫多項式擬合問題，而共同提出的一種採用浮點矢量編碼在連續空間中進行隨機搜索的優化算法。差分進化算法的結構與實數編碼的遺傳算法相似，但子代的生成方法不同，其最大的特點是在子代生成過程中用到了父代多個個體的線性組合，而不是遺傳算法傳統單一的父代染色體交叉技術。差分進化算法原理簡單，受控參數少，易於理解和實現，實施隨機、並行、直接的全局搜索，是一種非常有效的啟發式進化算法。目前，差分進化算法已廣泛應用於約束優化計算、工業優化控制、神經網絡優化、濾波器設計、電力系統優化、電磁優化設計、圖像處理等許多複雜優化問題中，成為當前最為流行和實用的進化算法之一。
本書是作者近年來在差分進化算法及其應用研究方面所取得的相關科研成果的歸納和總結。全書共分9章，各章相互聯繫，內容自成體系。其中，第1章簡要介紹差分進化算法的發展、基本原理和家族，並提出一種採用動態更新種群策略的動態差分進化算法（DDE）。第2章介紹改進變異操作的差分進化算法及其在資源受限項目調度、PID控制器參數整定和混合整數非線性規劃中的應用。第3章介紹參數自適應差分進化算法，並應用於機械手的軌跡規劃和電力系統經濟負荷分配問題中。第4章介紹多變異模式組合的差分進化算法，並應用於非線性系統模型參數估計和二維IIR濾波器優化設計。第5章介紹一種單純形混合差分進化算法及其在硬盤驅動伺服系統參數估計中的應用。第6章介紹一種基於擁擠熵多樣性保持的多目標差分進化算法並應用於電力系統環境負荷分配問題。第7章介紹一種基於最近鄰距離多樣性保持的多目標差分進化算法，並應用於混合動力汽車（HEV）動力部件參數和控制策略參數的同時優化設計。第8章介紹一種求解動態多目標優化（DMO）問題的動態多目標差分進化算法。第9章介紹基於差分進化算法的雙層多目標優化。
值得一提的是，第2章至第9章的差分進化算法結構都是基於第1章提出的動態差分進化算法結構，為了避免贅述和表達簡潔，沒有強調"動態"兩字，仍採用差分進化算法進行表述。
本書可作為控制科學與工程、電氣工程、計算機科學與技術、管理科學與工程、機械工程等相關學科的教師、學生和研究開發技術人員的參考書。由於作者水平有限，本書許多內容還有待完善和深入研究，對於不足之處，敬請讀者批評指正。
本書的研究工作和出版得到了國家自然科學基金重點項目（60835004）、國家自然科學基金青年項目（61203309）、湖南省教育廳優秀青年項目（128043）和湖南科技大學科學研究基金項目（E51275）等項目的資助，在此表示衷心的感謝！同時，本書還得到湖南科技大學學術著作出版基金的資助，在此一併表示感謝！最後，感謝湖南科技大學周少武教授、王俊年教授、張小平教授、湖南大學袁小芳博士等給予的關心、指導和幫助。
作者
2013年10月
自從20世紀70年代初期，John Holland首先提出基於進化思想的遺傳算法開始，許多研究人員開始加入到進化計算領域，由此產生了很多不同的進化算法。這些算法被廣泛研究並應用於大量不同問題的求解。時至今日，人們仍在各自的領域中繼續研究這些算法，也使得這些算法能夠解決更多的新問題。作為一種新興的進化算法，差分進化（Differential Evolution，DE）算法是Rainer Storn和Kenneth Price於1995年為求解切比雪夫多項式擬合問題，而共同提出的一種採用浮點矢量編碼在連續空間中進行隨機搜索的優化算法。差分進化算法的結構與實數編碼的遺傳算法相似，但子代的生成方法不同，其最大的特點是在子代生成過程中用到了父代多個個體的線性組合，而不是遺傳算法傳統單一的父代染色體交叉技術。差分進化算法原理簡單，受控參數少，易於理解和實現，實施隨機、並行、直接的全局搜索，是一種非常有效的啟發式進化算法。目前，差分進化算法已廣泛應用於約束優化計算、工業優化控制、神經網絡優化、濾波器設計、電力系統優化、電磁優化設計、圖像處理等許多複雜優化問題中，成為當前最為流行和實用的進化算法之一。
本書是作者近年來在差分進化算法及其應用研究方面所取得的相關科研成果的歸納和總結。全書共分9章，各章相互聯繫，內容自成體系。其中，第1章簡要介紹差分進化算法的發展、基本原理和家族，並提出一種採用動態更新種群策略的動態差分進化算法（DDE）。第2章介紹改進變異操作的差分進化算法及其在資源受限項目調度、PID控制器參數整定和混合整數非線性規劃中的應用。第3章介紹參數自適應差分進化算法，並應用於機械手的軌跡規劃和電力系統經濟負荷分配問題中。第4章介紹多變異模式組合的差分進化算法，並應用於非線性系統模型參數估計和二維IIR濾波器優化設計。第5章介紹一種單純形混合差分進化算法及其在硬盤驅動伺服系統參數估計中的應用。第6章介紹一種基於擁擠熵多樣性保持的多目標差分進化算法並應用於電力系統環境負荷分配問題。第7章介紹一種基於最近鄰距離多樣性保持的多目標差分進化算法，並應用於混合動力汽車（HEV）動力部件參數和控制策略參數的同時優化設計。第8章介紹一種求解動態多目標優化（DMO）問題的動態多目標差分進化算法。第9章介紹基於差分進化算法的雙層多目標優化。
值得一提的是，第2章至第9章的差分進化算法結構都是基於第1章提出的動態差分進化算法結構，為了避免贅述和表達簡潔，沒有強調"動態"兩字，仍採用差分進化算法進行表述。
本書可作為控制科學與工程、電氣工程、計算機科學與技術、管理科學與工程、機械工程等相關學科的教師、學生和研究開發技術人員的參考書。由於作者水平有限，本書許多內容還有待完善和深入研究，對於不足之處，敬請讀者批評指正。
本書的研究工作和出版得到了國家自然科學基金重點項目（60835004）、國家自然科學基金青年項目（61203309）、湖南省教育廳優秀青年項目（128043）和湖南科技大學科學研究基金項目（E51275）等項目的資助，在此表示衷心的感謝！同時，本書還得到湖南科技大學學術著作出版基金的資助，在此一併表示感謝！最後，感謝湖南科技大學周少武教授、王俊年教授、張小平教授、湖南大學袁小芳博士等給予的關心、指導和幫助。
作者
2013年10月
目次
《信息化與工業化兩化融合研究與應用叢書》序
前言
第1章概述
1.1引言
1.2差分進化算法
1.2.1差分變異操作
1.2.2交叉操作
1.2.3選擇操作
1.2.4DE工作原理與算法流程
1.3差分進化算法家族
1.4差分進化算法的收斂性分析
1.5動態差分進化算法
1.5.1動態差分進化算法原理
1.5.2DDE的收斂性分析
1.5.3DDE與DE的比較分析
1.6本章小結
參考文獻
第2章改進變異算子差分進化算法
2.1最優排序變異差分進化算法
2.1.1最優排序變異算子
2.1.2數值分析
2.1.3IDE在資源受限項目調度問題中的應用
2.2自適應二次變異差分進化算法
2.2.1差分進化算法的早熟收斂分析
2.2.2算法設計
2.2.3算法性能分析
2.2.4基于ASMDE的PID控制器參數整定
2.3求解混合整數非線性規劃問題的改進差分進化算法
2.3.1MINP問題描述
2.3.2改進的差分進化算法
2.3.3算法流程
2.3.4實驗研究
2.4本章小結
參考文獻
第3章參數自適應差分進化算法
3.1引言
3.2基于個體適應度的參數自適應差分進化算法
3.2.1參數自適應控制策略
3.2.2縮放因子F的自適應策略
3.2.3交叉概率CR的自適應策略
3.2.4實驗研究
3.2.5基于SAMDE的機械手軌跡規劃
3.4自學習參數自適應差分進化算法
3.4.1自學習參數自適應策略
3.4.2數值分析
3.4.3基于PSLMDE的電力系統負荷分配
3.4.4PED問題的PSLMDE求解方法
3.4.5算例分析
3.5本章小結
參考文獻
第4章多變異模式差分進化算法
4.1引言
4.2雙群體偽并行差分進化算法
4.2.1DsPPDE算法
4.2.2基于平均熵的初始化
4.2.3實驗研究
4.3DSPPDE算法在非線性系統參數估計中的應用
4.3.1模型參數估計問題描述
4.3.2應用實例
4.4引入模擬退火策略的自適應組合差分進化算法
4.4.1非固定多段映射罰函數法
4.4.2自適應組合差分進化算法
4.4.3算法流程
4.4.4數值分析
4.5一種自適應變異差分進化算法
4.5.1自適應變異算子
4.5.2實驗分析
4.5.3應用實例
4.6本章小結
參考文獻
第5章單純形混合差分進化算法
5.1引言
5.2混合單純形差分進化算法
5.2.1單純形算法
5.2.2混合單純形差分進化算法
5.3實驗結果
5.3.1HNMDE參數敏感性分析
5.3.2HNMDE與DE的比較
5.4基于HNMDE的硬盤驅動伺服系統參數估計
5.4.1問題描述
5.4.2基于HNMDE的磁頭位置驅動控制系統參數估計
5.5本章小結
參考文獻
第6章基于擁擠熵多樣性保持的多目標差分進化算法
6.1引言
6.2多目標優化的基本概念
6.3參數自適應策略
6.4精英存檔和多樣性保持
6.4.1外部精英存檔
6.4.2基于擁擠熵的多樣性測量
6.5MOSADDE算法
6.5.1占優選擇算子
6.5.2約束處理
6.5.3算法實現
6.5.4算法計算復雜度
6.6實驗結果
6.6.1測試問題組
6.6.2性能指標
6.6.3自適應控制參數策略有效性測試
6.6.4MOSADDE與其他MOEA的比較
6.6.5MOSADDE與其他MoDE的比較
6.7基于MOSADDE的環境經濟負荷分配多目標優化
6.7.1問題背景
6.7.2問題描述
6.7.3基于模糊理論的最優折中解提取
6.7.4實驗結果及其分析
6.8本章小結
參考文獻
第7章最近鄰距離多樣性保持的多目標差分進化算法
7.1引言
7.2參數自適應策略
7.3歸一化最近鄰域距離
7.4MOSADDE—II算法
7.4.1變異算子中best個體的選擇
7.4.2算法實現
7.4.3算法計算復雜度
7.5實驗結果
7.5.1測試問題組
7.5.2控制參數自適應策略有效性測試
7.5.3MOSADDE—II與MOSADDE及其他MOEA的比較
7.6基于MOSADDE—II的混合動力汽車優化設計
7.6.1引言
7.6.2HEV優化設計參數
7.6.3P}tEV多目標優化模型
7.6.4優化結果及其分析
7.7本章小結
參考文獻
第8章基于差分進化算法的動態多目標優化
8.1引言
8.2動態多目標優化問題數學描述
8.3動態多目標差分進化算法
8.3.1動態環境檢測
8.3.2種群多樣性保持
8.3.3算法實現
8.4動態多目標優化測試問題
8.5實驗結果及性能分析
8.5.1動態性能指標
8.5.2環境改變頻率對算法性能的影響分析
8.5.3參數P1對算法性能的影響分析
8.5.4測試結果及比較分析
8.6本章小結
參考文獻
第9章基于差分進化算法的雙層多目標優化
9.1引言
9.2雙層多目標優化問題數學描述
9.3雙層多目標動態差分進化算法
9.3.1進化種群結構
9.3.2下層多目標差分進化算法
9.3.3上層多目標差分進化算法
9.3.4算法計算復雜度分析
9.4雙層多目標優化測試問題
9.5實驗結果及其分析
9.5.1算法的參數選擇和分析
9.5.2實驗結果
9.6本章小結
參考文獻
附錄A單目標優化Benchmark測試函數
附錄B多目標優化Benchmark測試函數
附錄CIEEE30—和118—bus測試系統線損B系數
前言
第1章概述
1.1引言
1.2差分進化算法
1.2.1差分變異操作
1.2.2交叉操作
1.2.3選擇操作
1.2.4DE工作原理與算法流程
1.3差分進化算法家族
1.4差分進化算法的收斂性分析
1.5動態差分進化算法
1.5.1動態差分進化算法原理
1.5.2DDE的收斂性分析
1.5.3DDE與DE的比較分析
1.6本章小結
參考文獻
第2章改進變異算子差分進化算法
2.1最優排序變異差分進化算法
2.1.1最優排序變異算子
2.1.2數值分析
2.1.3IDE在資源受限項目調度問題中的應用
2.2自適應二次變異差分進化算法
2.2.1差分進化算法的早熟收斂分析
2.2.2算法設計
2.2.3算法性能分析
2.2.4基于ASMDE的PID控制器參數整定
2.3求解混合整數非線性規劃問題的改進差分進化算法
2.3.1MINP問題描述
2.3.2改進的差分進化算法
2.3.3算法流程
2.3.4實驗研究
2.4本章小結
參考文獻
第3章參數自適應差分進化算法
3.1引言
3.2基于個體適應度的參數自適應差分進化算法
3.2.1參數自適應控制策略
3.2.2縮放因子F的自適應策略
3.2.3交叉概率CR的自適應策略
3.2.4實驗研究
3.2.5基于SAMDE的機械手軌跡規劃
3.4自學習參數自適應差分進化算法
3.4.1自學習參數自適應策略
3.4.2數值分析
3.4.3基于PSLMDE的電力系統負荷分配
3.4.4PED問題的PSLMDE求解方法
3.4.5算例分析
3.5本章小結
參考文獻
第4章多變異模式差分進化算法
4.1引言
4.2雙群體偽并行差分進化算法
4.2.1DsPPDE算法
4.2.2基于平均熵的初始化
4.2.3實驗研究
4.3DSPPDE算法在非線性系統參數估計中的應用
4.3.1模型參數估計問題描述
4.3.2應用實例
4.4引入模擬退火策略的自適應組合差分進化算法
4.4.1非固定多段映射罰函數法
4.4.2自適應組合差分進化算法
4.4.3算法流程
4.4.4數值分析
4.5一種自適應變異差分進化算法
4.5.1自適應變異算子
4.5.2實驗分析
4.5.3應用實例
4.6本章小結
參考文獻
第5章單純形混合差分進化算法
5.1引言
5.2混合單純形差分進化算法
5.2.1單純形算法
5.2.2混合單純形差分進化算法
5.3實驗結果
5.3.1HNMDE參數敏感性分析
5.3.2HNMDE與DE的比較
5.4基于HNMDE的硬盤驅動伺服系統參數估計
5.4.1問題描述
5.4.2基于HNMDE的磁頭位置驅動控制系統參數估計
5.5本章小結
參考文獻
第6章基于擁擠熵多樣性保持的多目標差分進化算法
6.1引言
6.2多目標優化的基本概念
6.3參數自適應策略
6.4精英存檔和多樣性保持
6.4.1外部精英存檔
6.4.2基于擁擠熵的多樣性測量
6.5MOSADDE算法
6.5.1占優選擇算子
6.5.2約束處理
6.5.3算法實現
6.5.4算法計算復雜度
6.6實驗結果
6.6.1測試問題組
6.6.2性能指標
6.6.3自適應控制參數策略有效性測試
6.6.4MOSADDE與其他MOEA的比較
6.6.5MOSADDE與其他MoDE的比較
6.7基于MOSADDE的環境經濟負荷分配多目標優化
6.7.1問題背景
6.7.2問題描述
6.7.3基于模糊理論的最優折中解提取
6.7.4實驗結果及其分析
6.8本章小結
參考文獻
第7章最近鄰距離多樣性保持的多目標差分進化算法
7.1引言
7.2參數自適應策略
7.3歸一化最近鄰域距離
7.4MOSADDE—II算法
7.4.1變異算子中best個體的選擇
7.4.2算法實現
7.4.3算法計算復雜度
7.5實驗結果
7.5.1測試問題組
7.5.2控制參數自適應策略有效性測試
7.5.3MOSADDE—II與MOSADDE及其他MOEA的比較
7.6基于MOSADDE—II的混合動力汽車優化設計
7.6.1引言
7.6.2HEV優化設計參數
7.6.3P}tEV多目標優化模型
7.6.4優化結果及其分析
7.7本章小結
參考文獻
第8章基于差分進化算法的動態多目標優化
8.1引言
8.2動態多目標優化問題數學描述
8.3動態多目標差分進化算法
8.3.1動態環境檢測
8.3.2種群多樣性保持
8.3.3算法實現
8.4動態多目標優化測試問題
8.5實驗結果及性能分析
8.5.1動態性能指標
8.5.2環境改變頻率對算法性能的影響分析
8.5.3參數P1對算法性能的影響分析
8.5.4測試結果及比較分析
8.6本章小結
參考文獻
第9章基于差分進化算法的雙層多目標優化
9.1引言
9.2雙層多目標優化問題數學描述
9.3雙層多目標動態差分進化算法
9.3.1進化種群結構
9.3.2下層多目標差分進化算法
9.3.3上層多目標差分進化算法
9.3.4算法計算復雜度分析
9.4雙層多目標優化測試問題
9.5實驗結果及其分析
9.5.1算法的參數選擇和分析
9.5.2實驗結果
9.6本章小結
參考文獻
附錄A單目標優化Benchmark測試函數
附錄B多目標優化Benchmark測試函數
附錄CIEEE30—和118—bus測試系統線損B系數
書摘/試閱
3.IDE求解RCPSP的算法流程
基于活動優先權的個體矢量表示和轉換個體矢量為可行進度安排的串行進度生成方法，IDE求解RCPSP的算法流程如下：
Stepl給定種群規模NP、最大迭代次數T、變異常數F和交叉概率常數CR，在[0，1]范圍內隨機初始化種群，置當前迭代次數t=0。
Step2根據優先級應用串行進度生成方法將每一個體轉換為可行的項目進度安排，求得該進度安排所對應的最大完工時間，即個體的適應度值。
Step3 比較每一個體的適應度值，從而找出最優適應度值和相應的最優個體矢量。
Step4按照改進的變異算子，為每一目標個體生成一個變異矢量。
Step5進行交叉操作，為每一目標個體生成一個試驗矢量。
Step6進行選擇操作，生成新一代個體。
Step7 返回Step2直到最大迭代次數。
基于活動優先權的個體矢量表示和轉換個體矢量為可行進度安排的串行進度生成方法，IDE求解RCPSP的算法流程如下：
Stepl給定種群規模NP、最大迭代次數T、變異常數F和交叉概率常數CR，在[0，1]范圍內隨機初始化種群，置當前迭代次數t=0。
Step2根據優先級應用串行進度生成方法將每一個體轉換為可行的項目進度安排，求得該進度安排所對應的最大完工時間，即個體的適應度值。
Step3 比較每一個體的適應度值，從而找出最優適應度值和相應的最優個體矢量。
Step4按照改進的變異算子，為每一目標個體生成一個變異矢量。
Step5進行交叉操作，為每一目標個體生成一個試驗矢量。
Step6進行選擇操作，生成新一代個體。
Step7 返回Step2直到最大迭代次數。
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。