遺傳算法及其應(yīng)用

第一章  緒論                  
 1. 1  引言                  
 1. 2  生物進化                  
 1. 3  遺傳算法                  
 1. 3. 1  基礎(chǔ)用語                  
 1. 3. 2  標(biāo)準遺傳算法                  
 1. 4  遺傳算法的特點                  
 1. 4. 1  遺傳算法和其它傳統(tǒng)搜索方法的對比                  
 1. 4. 2  遺傳算法和若干搜索方法的親近關(guān)系                  
 1. 4. 3  遺傳算法和自律分布系統(tǒng)的親近關(guān)系                  
 1. 5  遺傳算法的研究歷史和現(xiàn)狀                  
 1. 5. 1  遺傳算法的研究概況                  
 1. 5. 2  遺傳算法研究的新焦點                  
 1. 6  遺傳算法今后研究的主要課題                  
 參考文獻                  
 第二章  遺傳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  積木塊假設(shè)                  
 2. 3  騙問題                  
 2. 4  隱并行性                  
 2. 5  性能評估                  
 2. 6  編碼                  
 2. 6. 1  編碼問題                  
 2. 6. 2  編碼(譯碼)評估規(guī)范和編碼原理                  
 2. 6. 3  編碼技術(shù)                  
 2. 7  群體設(shè)定                  
 2. 7. 1  初始群體設(shè)定                  
 2. 7. 2  群體多樣性                  
 2. 8適應(yīng)度函數(shù)                  
 2. 8. 1  目標(biāo)函數(shù)映射成適應(yīng)度函數(shù)                  
 2. 8. 2  適應(yīng)度函數(shù)定標(biāo)(scaling)                  
 2. 8. 3  適應(yīng)度函數(shù)的設(shè)計對遺傳算法的影響                  
 2. 9  遺傳操作                  
 2. 9. 1  選擇算子                  
 2. 9. 2  交叉算子(crossover operator)                  
 2. 9. 3  變異算子(mutation operator)                  
 2. 10  收斂性                  
 2. 10. 1  未成熟收斂                  
 2. 10. 2  有限馬爾柯夫鏈                  
 2. 10. 3  標(biāo)準遺傳算法的收斂性                  
 參考文獻                  
 第三章  遺傳算法與組合優(yōu)化                  
 3. 1  基于遺傳算法的組合優(yōu)化方法                  
 3. 1. 1  遺傳算法的關(guān)鍵參數(shù)確定                  
 3. 1. 2  幾種流行的選擇機制                  
 3, 1. 3  適應(yīng)度函數(shù)的定標(biāo)                  
 3. 1. 4  二倍體(diploidy)與顯性(dominance)技術(shù)                  
 3. 1. 5  物種形成(speciation)與小生境(niche)技術(shù)                  
 3. 2  函數(shù)優(yōu)化(function optimization)                  
 3. 2. 1  問題描述                  
 3. 2. 2  編碼與適應(yīng)度函數(shù)                  
 3. 2. 3  基本遺傳算法(SGA)的搜索性能                  
 3. 2. 4  基本遺傳算法的若干變體形式的搜索性能                  
 3. 3  背包問題(knapsack problem)                  
 3. 3. 1  問題描述                  
 3. 3. 2  遺傳編碼                  
 3. 3. 3  適應(yīng)度函數(shù)                  
 3. 3. 4  基于基本遺傳算法求解背包問題                  
 3. 3. 5  基本遺傳算法的搜索能力                  
 3. 3. 6  基于"與／或"交又方法求解背包問題                  
 3. 4  貨郎擔(dān)問題                  
 3. 4. 1  編碼與適應(yīng)度函數(shù)                  
 3. 4. 2  交又策略                  
 3. 4. 3  變異技術(shù)                  
 3. 4. 4  選擇機制和群體構(gòu)成                  
 3. 4. 5  混合GA技術(shù)                  
 3. 4. 6  基于遺傳算法求解TSP的算法實現(xiàn)                  
 3. 5  混合搜索方法                  
 3. 5. 1  概述                  
 3. 5. 2  啟發(fā)式搜索法簡介                  
 3. 5. 3  混合遺傳算法(Hybrid GA)                  
 3. 5. 4  實驗與討論                  
 3. 6  圖的劃分問題                  
 3. 6. 1  問題描述                  
 3. 6. 2  編碼與適應(yīng)度函數(shù)設(shè)計                  
 3. 6. 3  遺傳操作                  
 3. 6. 4  實驗結(jié)果                  
 參考文獻                  
 第四章  遺傳算法與機2S學(xué)習(xí)                  
 4. 1  概述                  
 4. 2  分類器系統(tǒng)                  
 4. 2. 1  規(guī)則與消息                  
 4. 2. 2  桶隊算法                  
 4. 2. 3  遺傳算法                  
 4. 3  學(xué)習(xí)系統(tǒng)LS-1                  
 4. 3. 1  LS-1與CS-1的區(qū)別                  
 4. 3. 2  LS-1的工作原理                  
 4. 4  基于遺傳算法的概念學(xué)習(xí)系統(tǒng)                  
 4. 4. 1  搜索空間的表示                  
 4. 4. 2  遺傳操作                  
 4. 4. 3  執(zhí)行過程                  
 4. 4. 4  非標(biāo)準操作                  
 4. 4. 5  GABIL系統(tǒng)的自適應(yīng)性                  
 4. 5  小結(jié)                  
 參考文獻                  
 第五章  遺傳算法與并行處理                  
 5. 1  遺傳算法固有的并行性及其并行化的困難                  
 5. 1. 1  源于自然的并行性                  
 5. 1. 2  遺傳算法理論中的并行性                  
 5. 1. 3  遺傳算法在并行實觀上的困難                  
 5. 2  遺傳算法的并行化途徑                  
 5. 2. 1  主從式(master-slave)并行化方法                  
 5. 2. 2  粗粒度模型                  
 5. 2. 3  細粒度模型                  
 5. 3  粗粒度的孤島模型                  
 5. 3. 1  粗粒度模型的生物學(xué)依據(jù)                  
 5. 3. 2  粗粒度模型的研究現(xiàn)狀                  
 5. 3. 3  孤島模型在MIMD機器上的實現(xiàn)                  
 5. 3. 4  擴展的分布式遺傳算法                  
 5. 4  細粒度的鄰域模型                  
 5. 4. 1  細粒度模型的理論基礎(chǔ)                  
 5. 4. 2  細粒度模型的研究現(xiàn)狀                  
 5. 4. 3  MIMD上的細粒度模型的實現(xiàn)                  
 5. 4. 4  SIMD上的細粒度模型的實現(xiàn)                  
 5. 5  粗粒度模型與細粒度模型的性能比較                  
 5. 6  實現(xiàn)并行遺傳算法的一個例子                  
 5. 6. 1  遷入式算法                  
 5. 6. 2  遷出式算法                  
 5. 6. 3  擴散式算法                  
 5. 7  LCS的并行實現(xiàn)                  
 5. 7. 1  執(zhí)行系統(tǒng)                  
 5. 7. 2  信用系統(tǒng)中的分配策略                  
 5. 7. 3  遺傳算法在LCS中的應(yīng)用                  
 5. 7. 4  LCS的一個MIMD實觀                  
 5. 7. 5  LCS在CM機器上的實現(xiàn)                  
 參考文獻                  
 第六章  神經(jīng)網(wǎng)絡(luò). 模糊集理論和進化算法                  
 6. 1  遺傳算法與神經(jīng)網(wǎng)絡(luò)                  
 6. 1. 1  神經(jīng)網(wǎng)絡(luò)的發(fā)展                  
 6. 1. 2  神經(jīng)網(wǎng)絡(luò)連接權(quán)的進化                  
 6. 1. 3  神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的進化                  
 6. 1. 4  神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)規(guī)則的進化                  
 6. 2  遺傳算法與模糊集理論,                   
 6. 2. 1  基于遺傳算法的模糊推理規(guī)則的優(yōu)化                  
 6. 2. 2  遺傳算法在模糊模式識別中的應(yīng)用                  
 6. 3  進化算法                  
 6. 3. 1  引言                  
 6. 3. 2  進化算法的總框架                  
 6. 3. 3  遺傳算法                  
 6. 3. 4  進化規(guī)劃                  
 6. 3. 5  進化策略                  
 6. 3. 6  交叉和變異的關(guān)系                  
 6. 3. 7  小結(jié)                  
 參考文獻                  
 第七章  遺傳算法與人工生命                  
 7. 1  人工生命的研究內(nèi)容和方法                  
 7. 1. 1  人工生命及其特征                  
 7. 1. 2  人工生命研究的內(nèi)容與方法                  
 7. 2  遺傳算法與人工生命進化模型                  
 7. 3  L系統(tǒng)與形態(tài)生成模型                  
 7. 3. 1  L系統(tǒng)與植物形態(tài)                  
 7. 3. 2  植物的形態(tài)生成模型                  
 7. 3. 3  討論                  
 7. 4  博弈型人工生態(tài)系統(tǒng)                  
 7. 4. 1  博弈與策略                  
 7. 4. 2  博弈型生態(tài)系統(tǒng)                  
 7. 4. 3  生態(tài)動力學(xué)與自組織化                  
 7. 5  人工生命與遺傳信息處理                  
 7. 5. 1  人類信息世界                  
 7. 5. 2  監(jiān)視遺傳                  
 7. 5. 3  遺傳信息處理模型                  
 7. 5. 4  基于遺傳信息處理模型的人工生命合成                  
 7. 5. 5  人工生命與人工智能                  
 參考文獻                  
 第八章  遺傳算法應(yīng)用實例                  
 8. 1  遺傳算法在圖像恢復(fù)中的應(yīng)用                  
 8. 1. 1  引言                  
 8. 1. 2  圖像退化模型                  
 8. 1. 3  遺傳算法用于圖像恢復(fù)                  
 8. 1. 4  遺傳算法與貝葉斯方法相結(jié)合的圖像恢復(fù)                  
 8. 2  遺傳算法在圖像識別中的應(yīng)用                  
 8. 2. 1  引言                  
 8. 2. 2  數(shù)學(xué)模型                  
 8. 2. 3  目標(biāo)函數(shù)形成                  
 8. 2. 4  隨機全局優(yōu)化方法                  
 8. 2. 5  實驗結(jié)果                  
 8. 3  遺傳算法在控制中的應(yīng)用                  
 8. 3. 1  操作序列的最優(yōu)化                  
 8. 3. 2  倒立擺控制                  
 8. 4  調(diào)度問題                  
 8. 4. 1  車間作業(yè)調(diào)度問題                  
 8. 4. 2  兩種解法                  
 8. 4. 3  實驗                  
 8. 5  硬件進化                  
 8. 5. 1  硬件進化的特點                  
 8. 5. 2  硬件進化的學(xué)習(xí)方法                  
 8. 5. 3  實例                  
 參考文獻                  
 附錄A  SGA程序                  
 附錄B  TSP程序                  
 附錄C  CLS程序