動態多目標優化進化算法及其應用

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 基於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