商品簡介
元啟發式算法是一類獲得廣泛應用的通用優化算法，主要包括進化系列算法、鄰域搜索系列算法、模擬退火算法、禁忌搜索算法、人工免疫算法、蟻群算法、蜂群算法、粒子群算法、魚群算法、混合蛙跳算法、細菌覓食算法、神經網絡算法、生物地理學等算法。 本書系統性地對25個當今流行的元啟發式算法從基本理論到實現機制進行了總結和描述。為了增加實用性，使用matlab編程語言實現了每一種算法的源代碼，讀者直接復制粘貼並做出適應性調試修改即可使用。每章章末都列出了原始參考文獻的出處，留給讀者去查閱引用，方便理解改進算法變化的細節。此外，針對這些元啟發式算法，本書僅以少量的優化問題作為背景案例，旨在使讀者把學習重點放在理解和掌握各種算法的核心思想和實現機制上，而不必拘泥於不同案例問題帶來的理解上的不便。 本書是作者多年從事優化算法研究和教學實踐工作的結晶。既可作為算法研究和應用領域本科生、研究生專業課程基礎教材，亦可作為對優化算法感興趣的工程技術人員的專業參考資料。
作者簡介
崔建雙，北京科技大學經濟管理學院，副教授，碩士生導師。 研究方向：管理科學與工程；智能優化方法；項目管理與調度；機器學習與預測；企業信息化。 主講課程：研究生課程:智能優化算法及其應用；本科生課程:計算機類課程；企業管理類課程。
名人/編輯推薦
本書是作者多年從事優化算法研究和教學實踐工作的結晶。既可作為算法研究和應用領域本科生、研究生專業課程基礎教材，亦可作為對優化算法感興趣的工程技術人員的專業參考資料。
序
伴隨著計算機軟硬件處理能力的顯著提升，在智能計算領域先後誕生了一大批優秀的元啟發式算法（meta-heuristics）。元啟發式算法是相對於最優化算法（optimization）以及啟發式算法（heuristics）發展起來的一大類算法。最優化算法致力於求得問題的最優解，但往往受限於問題的不可解析性而難得實現；啟發式算法致力於通過直觀經驗和問題信息來定制算法，但常因其專用性而難以推廣。相較於這兩種算法，元啟發式算法具備更廣泛的通用性且無需深入適應問題，雖不能確保獲得問題的最優解，但在可接受的時空條件下一般均能獲得問題的優化解，雖然這些優化解與最優解的偏離程度難以估計。 元啟發式算法的主要優化策略可歸納為兩點：一是廣域範圍內多樣化的（diversification）搜索機制（exploration）以確保獲得全局優化解；二是局域範圍內的強化（intensification）搜索機制（exploitation）以盡量獲得接近最優解的優化解。各種元啟發式算法的主要區別在於如何在二者之間取得平衡。幾乎所有的元啟發式算法都具有如下一些特征：（1）受自然界某些現象啟發，如物理學、生物學或動物行為學等；（2）使用隨機策略；（3）不使用目標函數的梯度解析信息；（4）有若幹參數需要根據問題進行適應性調整。目前元啟發式算法已經廣泛應用於社會生產和生活的方方面面。學術界每年發表大量的相關研究文獻，涉及到生產調度、工程計算、管理決策、人工智能、系統控制等眾多學科領域。系統地學習和掌握元啟發式算法的相關知識，已經成為許多高校不同專業的本科生和研究生專業基礎必修課程。 本書篩選了多年來最為流行的25個元啟發式算法，從算法原理、算法流程到matlab編程實現，為讀者全面展示從基礎理論到實際應用的各個環節。全書共分為18章，各章重點圍繞著一個算法或算法系列展開論述。第1章是與優化問題和優化方法相關的基本概念介紹，包括問題定制、數學建模、優化問題分類、優化算法分類、計算復雜度和算法性能評價等內容。第2章討論了進化系列算法，這是一類基於遺傳和進化策略而實現的群集元啟發式算法，主要包括遺傳算法（Genetic Algorithm, GA）、進化策略算法（Evolution Strategy, ES）、進化規劃算法（Evolutionary Programming, EP）和遺傳規劃算法（Genetic programming, GP），以及隨後出現的差分進化算法（Differential Evolution, DE）、分布估計算法（Distribution Estimation, DE）。第3章描述了鄰域搜索系列算法，主要介紹了基本鄰域搜索算法（Hill Search, HS）、變鄰域搜索算法（Variable Neighborhood Search, VNS）、迭代局部搜索算法（Iterated Local Search, ILS）和貪心隨機自適應搜索算法（Greedy Randomized Adaptive Search Procedure, GRASP）。第4章和第5章分別介紹了模擬退火算法和禁忌搜索算法。這兩個算法都是基於單解（single-solution based）的元啟發式算法，相對於基於群集的（population-based）元啟發式算法，這類算法搜索出發位置均為單一解。第6章介紹了人工免疫系統算法（Artificial Immune System, AIS），這是一類建立在生物免疫系統的原理特征以及免疫學相關理論基礎上的元啟發式算法。第7章~第12章分別介紹了人工蟻群算法（Artificial Ant Colony, AC）、人工蜂群算法（Artificial Bee Colony, ABC）、粒子群算法（Particle Swarm Optimization, PSO）、人工魚群算法（Artificial Fish Swarm Algorithm, AFSA）、細菌覓食算法（Bacterial Foraging Optimization, BFO）和混合蛙跳算法（Shuffled Frog Leaping Algorithm, SFLA）。這幾種算法均為基於群集智能的仿生優化算法。群集智能是指在分散型自組織的群體系統中，簡單低智能個體遵循特定的行為模式，在群體層面表現出高能力行為的現象。其中，人工蟻群算法是一類構建元啟發式算法，除了介紹螞蟻系統算法（Ant System, AS）之外，還介紹了蟻群系統算法（Ant Colony System，ACS）和最大最小螞蟻系統算法（Max-Min Ant System, MMAS）。第13章給出了分散搜索算法（Scatter Search, SS）。第14章介紹了布谷鳥搜索算法（Cook Search, CS 21），通過模擬布谷鳥巢寄生育雛行為和萊維飛行軌跡來找尋最優解。第15章是生物地理學算法（Biogeographic Algorithm）。第16章討論了人工神經網絡算法（Artificial Neural Networks, ANNs），重點介紹反向傳播BP神經網絡算法（Backpropagation Neural Network, BP）和Hopfield神經網絡算法（Hopfield Neural Network, HNN）。。元啟發式算法主要用於求解單目標優化問題，但實際上也可用於求解多目標優化問題，第17章介紹了有代表性的多目標進化算法和多目標粒子群優化算法。 迄今為止，盡管各種元啟發式算法在解決現實優化問題方面取得了很大的成功，但人們更多地期待著出現適用性和靈活性更為廣泛的“超啟發式”算法。這樣的算法通過自動選擇或生成一組啟發式過程來解決各種優化問題，除了提升算法解決問題的效率之外，更重要的目的在於提升算法的通用性和自適應性，以有效的減少算法定制帶來的各種困惑。第18章簡要地介紹了一些這方面的知識和進展。 鑒於作者水平有限，本書在內容安排和和文字撰寫上難免有所疏漏和不足，懇請讀者不吝賜教，提出批評和指正。
目次
第1章 優化問題與優化方法
1.1優化問題概述
1.1.1 問題的定制
1.1.2 數學建模
1.1.3 數學建模實例
1.2 優化問題分類
1.3 優化算法及其分類
1.3.1精確算法和近似算法
1.3.2 傳統優化算法和元啟發式優化算法
1.4 元啟發式算法
1.4.1 元啟發式算法概述
1.4.2 基於單解的元啟發式算法
1.4.3 基於群解的元啟發式算法
1.5 可計算性與計算復雜度理論
1.5.1 可計算性理論
1.5.2 算法的復雜度
1.5.3 問題的復雜度
1.6 優化算法的性能評價
1.7 元啟發式算法應用參考路線圖
參考文獻
第2章 進化系列算法
2.1 概述
2.1.1 新一代種群的選擇策略
2.1.2 新一代種群的繁殖策略
2.2 遺傳算法 51
2.2.1 生物遺傳進化機制
2.2.2 遺傳算法實現步驟
2.2.3 遺傳算法求解Rosenbrock函數實例
2.3 進化策略算法
2.3.1進化策略算法的問題表達
2.3.2 進化策略算法實現步驟
2.3.3 進化策略算法求解二元函數實例
2.4 進化規劃算法
2.4.1 進化規劃算法的基本概念
2.4.2 進化規劃算法的matlab實現
2.5遺傳規劃算法
2 .5.1 遺傳規劃算法中個體的表示
2.5.2 遺傳規劃算法的實現
2.5.3 遺傳規劃應用實例
2.6 差分進化算法
2.6.1 差分進化算法的實現步驟
2.6.2 差分進化算法的matlab實現
2.7分布估計算法
2.7.1分布估計算法實現步驟
2.7.2 分布估計算法的Matlab實現
參考文獻
第3章 鄰域搜索系列算法
3.1 鄰域的定義
3.2 基本鄰域搜索算法
3.2.1 鄰域的選擇
3.2.2 跳出局部最優
3.3 變鄰域搜索算法
3.3.1 確定性可變鄰域下降算法
3.3.2 通用變鄰域搜索
3.4 迭代局部搜索
3.5 Matlab實現迭代局部搜索算法
3.6貪心隨機自適應搜索算法
3.7 Matlab實現GRASP
參考文獻
第4章 模擬退火算法
4.1 概述
4.1.1 金屬冶煉退火過程描述
4.1.2 Metropolis準則
4.1.3 優化問題與模擬退火的比較
4.2 模擬退火算法的步驟和流程
4.2.1 算法的構成要素
4.2.2 模擬退火算法步驟及流程
4.3 模擬退火算法的matlab實現
參考文獻
第5章 禁忌搜索算法
5.1 局部鄰域搜索
5.2 基本禁忌搜索算法
5.2.1算法的基本原理
5.2.2禁忌搜索算法的參數選擇
5.2.3禁忌搜索算法的實現流程
5.2.4禁忌搜索算法的優缺點
5.3 禁忌搜索算法的matlab實現
5.4禁忌搜索算法的改進
5.4.1連續禁忌搜索算法
5.4.2並行禁忌搜索算法
5.4.3禁忌搜索和遺傳算法的混合策略
參考文獻
第6章 人工免疫系統算法
6.1 生物免疫現象觀察
6.2人工免疫算法仿真原理
6.3 人工免疫算法步驟與流程
6.4人工免疫算法的類型
6.5 基本人工免疫的matlab實現
第7章 蟻群系列優化算法
7.1螞蟻覓食行為的觀察
7.2基本螞蟻算法
7.2.1 算法要素
7.2.2 算法流程
7.2.3 算法的特點
7.3 改進的螞蟻算法之一：蟻群系統算法
7.4 改進螞蟻算法之二：最大最小螞蟻系統算法
7.5 基於ACS求解旅行商問題
7.6 基於最大最小蟻群算法求解旅行商問題
第8章 人工蜂群算法
8.1 蜂群生存行為的觀察
8.2 人工蜂群算法
8.2.1 基本原理
8.2.2算法實現流程
8.2.3 ABC算法的特點
8.3改進的人工蜂群算法
8.4 基本人工蜂群的matlab實現
參考文獻
第9章 粒子群算法
9.1 群鳥覓食行為的觀察
9.2 基本粒子群優化算法
9.3 標準粒子群優化算法PSO
9.4 PSO求解Goldstein-Price函數
9.5 離散粒子群算法DPSO
9.6 基於DPSO求解0-1背包問題
9.7粒子群算法的改進
參考文獻
第10章人工魚群算法
10.1魚群生存行為觀察
10.2 人工魚的視覺模型
10.3 人工魚的四種基本行為
10.4 人工魚群算法步驟與流程
10.4.1 人工魚群算法實現步驟
10.4.2 人工魚群算法流程
10.4.3 人工魚群算法參數的選擇
10.5 改進的人工與群算法
10.6 人工魚群算法的MATLAB實現
參考文獻
第11章 細菌覓食優化算法
11.1 大腸桿菌覓食行為的生物學觀察
11.1.1 動物覓食理論
11.1.2 大腸桿菌的覓食行為
11.2 基本BFO算法
11.3 基本BFO算法步驟與流程
11.4 BFO算法的改進
11.4 基本BFO算法的mtlab實現（圖像識別）
11.5 BFO算法的mtlab實現（圖像匹配）
參考文獻
第12章 混合蛙跳優化算法
12.1 算法研究現狀
12.2 混合蛙跳算法原理
12.3 混合蛙跳算法步驟與流程
12.4 基本混合蛙跳算法的matlab實現
第13章 分散搜索算法
13.1 基本分散搜索算法
13.2 改進的分散搜索算法
13.3 分散搜索算法的Matlab實現
第14章 布谷鳥搜索算法
14.1 生物學行為觀察
14.1.1 布谷鳥的巢寄生性
14.1.2 萊維飛行（Lévy flight）軌跡
14.2 基本布谷鳥搜索算法模型
14.2.1 算法基本假設
14.2.2 鳥巢位置和路徑的更新公式
14.2.3 布谷鳥搜索算法實現步驟
14.2.4 布谷鳥搜索算法流程圖
14.3 改進布谷鳥搜索算法
14.3.1二進制布谷鳥算法
14.3.2多目標布谷鳥搜索算法
14.4 布谷鳥搜索算法的matlab實現
參考文獻
第15章人工神經網絡算法
15.1 神經網絡發展歷程
15.2 BP神經網絡算法
15.3 HP神經網絡算法
15.4 HP網絡算法求解TSP問題matlab實例
參考文獻
第16章 生物地理學算法
16.1生物學理論基礎
16.2 生物地理學算法基本思想
16.3 生物地理學算法步驟與流程
16.4 基本生物地理學算法的matlab實現
第17章 多目標優化算法
17.1 多目標優化問題
17.2 基於進化策略的多目標優化算法
17.2.1 算法流程
17.2.2 非支配分層排序
17.2.3 個體擁擠度的計算和比較算子
17.2.4 種群的選擇、交叉和變異
17.2.5 Matlab代碼分析
17.2.6 實例分析
17.3 基於粒子群算法的多目標優化算法
17.3.1 算法流程
17.3.2 個體和全局最優粒子的選擇
17.3.3 粒子的更新和變異操作
17.3.4 動態更新柵格檔案庫和柵格矩陣
17.3.5 matlab代碼分析
17.3.6實例
參考文獻
第18章 超啟發式算法
18.1超啟發式方法概述
18.2 一種超啟發式算法的matlab實現
參考文獻
書摘/試閱
第4章 模擬退火算法 模擬退火算法（Simulated Annealing，SA）是一種單解元啟發式算法。早在1953年，Metropolis等[1]就提出了模擬金屬退火過程的重要性采樣法，但直到1983年，才由Kirkpatrick[2]等完成了模擬退火算法的轉型應用。 模擬退火算法已經在生產調度、自動控制、機器學習、神經網絡、圖像處理等工程應用和學術研究領域獲得了廣泛應用，其接受劣解的容錯思想也被其他許多算法所借鑒。本章將從該算法的起源、構成要素、實現步驟及流程、實際應用等方面對模擬退火算法進行介紹。 4.1 算法理論基礎 4.1.1 金屬物理退火過程 金屬物質被加熱到液態溫度後其內部分子無序運動並且活躍在整個狀態空間中，停止加熱後溫度隨時間緩慢的冷卻，分子運動逐漸趨於有序。這種由高溫、高能、液體、分子無序狀態，逐漸轉變為低溫、低能、固體，分子有序狀態的過程稱為退火。 退火過程主要分為三個階段[3]。 （1）加溫過程：加溫的目的是增強分子的熱運動，從而打亂分子序列，使其偏離平衡位置。當溫度足夠高時，金屬固體將溶解為液體，分子的分布從有序的結晶態轉變成無序的液態，消除系統原先可能存在的非均勻態，隨後進行的冷卻過程以某一平衡態為起點。加溫溶解過程與系統的熵增過程相聯系，系統能量隨溫度的升高而增大。 （2）等溫過程：目的是為了使金屬各部位溫度均勻化，保證系統在每一個溫度下都達到平衡態，最終達到固體的基態。根據熱平衡封閉系統的自由能減少定律：“對於與周圍環境交換熱量而溫度不變的封閉系統，系統狀態的自發變化總是朝自由能減少的方向進行，當自由能達到最小時，系統就達到了平衡態”。 （3）冷卻過程：隨著溫度的不斷下降，粒子的熱運動逐漸減弱且漸趨有序。當溫度降至結晶溫度後，粒子運動變為圍繞晶體格點的微小振動，液體凝固成固體的晶態，且冷卻過程中系統的熵值也不斷減小，系統能量隨溫度降低趨於最小值。 4.1.2 Metropolis準則 組成金屬物質的基本元素是粒子。金屬粒子在每一個恒定溫度下達到充分熱平衡的過程可以用Monte Carlo[4] 統計模擬方法來模擬。這是一種按抽樣調查法求取統計值來推定未知特性的模型計算方法。雖然Monte Carlo方法簡單，但它只有在大量采樣的情況下才能使得結果比較準確，而大量采樣會帶來了很大的計算量。鑒於物理系統傾向於能量較低的狀態，而熱運動又妨礙它準確落到最低態的物理形態，采樣時只需著重選取那些有貢獻作用的狀態即可較快達到模擬效果。因此，Metropolis等[1]在1953年提出了重要性采樣法，即以一定的概率來接受新狀態。 重要性采樣法的主要內容為：首先給定以相對位置表征的某粒子初始狀態i作為當前狀態，然後由於溫度下降可能導致該粒子發生遷移，得到一個新狀態j。粒子遷移前後的能量分別表示為Ei和Ej，接著作如下處理： （1）若Ej < Ei，即新狀態能量相對變小，則無條件接受新狀態； （2）若Ej ≥ Ei，則新狀態被接受的概率為：
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。