動態多目標優化進化算法及其應用（簡體書）

《動態多目標優化進化算法及其應用》在全面總結國內外關于動態多目標優化及其進化算法發展現狀、基礎理論及實現技術的基礎上，著重介紹了作者基于進化計算的動態多目標優化方面的研究成果，主要包括：動態無約束多目標優化進化算法；動態約束多目標優化進化算法；離散時間空間上的動態多目標優化進化算法；基于粒子群算法的動態多目標優化求解方法；基于進化算法求解動態非線性約束優化問題；動態多目標進化算法性能評價指標度量方法；動態多目標優化問題測試集，為便于應用，書後附有部分算法源程序。
《動態多目標優化進化算法及其應用》可供理工科院校計算機、自動化、信息、管理、控制與系統工程等專業的高年級本科生、研究生和教師、科研工作者閱讀，也可供自然科學和工程技術領域相關人員參考。

《動態多目標優化進化算法及其應用》是由科學出版社出版的。

序
前言
第1章 緒論
1.1 引言
1.2 進化算法簡介
1.2.1 EA的產生背景
1.2.2 EA的主要特點
1.2.3 EA的研究現狀
1.2.4 EA的主要應用
1.3 動態優化問題及其進化算法
1.3.1 DMOP及基本概念
1.3.2 動態優化進化算法研究現狀
1.4 動態優化問題的進化算法研究目標
1.5 本書的體系結構
1.6 本章小結
參考文獻

第2章 進化算法的理論及其實現技術
2.1 EA的基本框架
2.2 遺傳算法的模式理論
2.2.1 模式理論
2.2.2 積木塊理論
2.3 進化算法的收斂性理論
2.3.1 預備知識
2.3.2 經典遺傳算法的收斂性
2.3.3 改進的經典遺傳算法的收斂性
2.3.4 一般遺傳算法的收斂性
2.4 進化算子及其操作設計
2.5 本章小結
參考文獻

第3章 動態無約束多目標優化進化算法
3.1 問題及相關概念
3.2 靜態優化模型
3.2.1 DUMOP轉化為許多靜態優化問題
3.2.2 靜態雙目標優化模型
3.3 解動態無約束多目標優化進化算法
3.3.1 子空間Levy分布雜交算子
3.3.2 帶區間分割的非均勻變異算子
3.3.3 動態多目標優化進化算法（DMEA）
3.4 理論分析
3.5 實驗結果
3.5.1 測試函數
3.5.2 測試結果與分析
3.6 本章小結
參考文獻

第4章 動態約束多目標優化進化算法
4.1 問題及相關概念
4.2 動態雙目標優化模型
4.2.1 廣義解序值方差函數
4.2.2 廣義解密度方差函數
4.2.3 問題的轉化
4.3 動態約束多目標優化進化算法
4.3.1 選擇算子
4.3.2 雜交算子
4.3.3 約束處理
4.3.4 動態多目標優化進化算法流程
4.4 收斂性分析
4.5 數值仿真
4.5.1 測試圈數
4.5.2 測試結果
4.6 本章小結
參考文獻

第5章 離散時間空間上的動態多目標優化進化算法
5.1 問題及預備知識
5.2 分布估計模型
5.3 核分布估計動態多目標進化算法
5.3.1 環境變化自檢算子
5.3.2 新算法（CDDMEA）流程
5.4 算法復雜性分析
5.5 數值仿真結果
5.6 本章小結
參考文獻

第6章 動態多目標優化問題的粒子群算法
6.1 問題及預備知識
6.2 動態多目標優化粒子群算法
6.2.1 PSO的數學模型
6.2.2 適時變異算子
6.2.3 改進的慣性因子國
6.2.4 環境變化判斷規則
6.2.5 動態多目標優化PSO算法
6.3 算法分析
6.4 數值仿真
6.5 本章小結
參考文獻

第7章 基于進化算法求解動態非線性約束優化問題
7.1 問題及相關概念
7.2 動態非線性約束優化問題數學模型
7.3 動態多目標優化進化算法
7.3.1 雜交算子
7.3.2 變異算子
7.3.3 新的進化算法（DNEA）流程
7.4 收斂性分析
7.5 數值仿真
7.5.1 性能度量指標
7.5.2 測試函數
7.5.3 測試結果
7.6 本章小結
參考文獻

第8章 動態多目標進化算法性能評價
8.1 引言
8.2 性能測試設計方法
8.2.1 性能測試目的
8.2.2 度量DMOEA的指標
8.3 靜態多目標進化算法性能評價方法
8.3.1 收斂性的度量
8.3.2 分布性的度量
8.4 動態多目標進化算法（DMOEA）性能評價方法
8.4.1 收斂性的度量
8.4.2 分布性的度量
8.5 本章小結
參考文獻

第9章 動態多目標優化問題測試集
9.1 靜態多目標優化測試函數
9.1.1 無約束SMOP測試函數
9.1.2 約束SMOP測試函數
9.1.3 ZDT測試函數集
9.1.4 DTLZ測試函數集
9.2 動態多目標優化測試函數
9.2.1 無約束DMOP測試函數
9.2.2 約束DMOP測試函數
9.3 本章小結
參考文獻
附錄1 符號說明
附錄2 算法DMEA在固定時間（環境）t下部分源程序
附錄3 第3章繪制C-measure示意圖部分源程序
附錄4 第3章繪制U-measure示意圖的源程序

EA的主要特點
與基于導數的解析方法和其他啟發式搜索方法一樣，EA在形式上也是一種迭代方法，它使用種群搜索技術，通過對當前種群采用類似于自然選擇和有性繁殖的方式，在繼承原有優良基因的基礎上，生成具有更好性能指標的下一代解的群體，但它又不是簡單的隨機搜索方法，而是通過對染色體的評價和對染色體中基因的作用，利用已有的信息來指導搜索，逐漸使得種群進化到包含或接近最優解的狀態，在進化過程中，進化算子僅僅利用適應值度量作為運算指標進行染色體的隨機操作，降低了一般啟發式算法在搜索過程中對人機交互的依賴，極大地提高了算法的全局搜索能力，另外，因其固有的智能性，信息處理的隱并行性，應用的魯棒性及操作的簡明性等，使得EA成為一種具有良好普適性和可規模化的優化方法，然而，EA也有一些缺點，比如容易產生早熟收斂以及收斂速度慢等。
（1）EA的搜索過程是從一群初始點開始，通過這些點內部結構的調節和重組來形成新的點，且每次進化都將提供多個近似解，因此，其非常適合多目標優化問題的求解。
（2）EA只需要利用目標函數值的信息，而不像傳統的優化方法需要采用目標函數的梯度等解析信息，因此它可以有效地用于解決較為復雜的非線性優化問題，且具有良好的通用性。
（3）EA具有顯著的隱并行性，進化算法雖然在每一代只對有限個個體進行操作，但處理的信息量為群體規模的高次方。
（4）傳統的優化方法對多峰函數的求解已陷入局部最優，進化算法能同時在解空間的多個區域進行搜索，并且能以較大的概率跳出局部最優。
（5）EA具有很強的魯棒性，即在存在噪聲的情況下，對同一問題的進化算法在多次求解中得到的結果是相似的，或者算法在速度和效益之間的權衡使得它能適應不同的環境并取得較好的結果。