第一章 緒論
1. 1 引言
1. 2 生物進化
1. 3 遺傳算法
1. 3. 1 基礎用語
1. 3. 2 標準遺傳算法
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系
1. 4. 3 遺傳算法和自律分布系統的親近關系
1. 5 遺傳算法的研究歷史和現狀
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
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
2. 7 群體設定
2. 7. 1 初始群體設定
2. 7. 2 群體多樣性
2. 8適應度函數
2. 8. 1 目標函數映射成適應度函數
2. 8. 2 適應度函數定標(scaling)
2. 8. 3 適應度函數的設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 遺傳算法的關鍵參數確定
3. 1. 2 幾種流行的選擇機制
3, 1. 3 適應度函數的定標
3. 1. 4 二倍體(diploidy)與顯性(dominance)技術
3. 1. 5 物種形成(speciation)與小生境(niche)技術
3. 2 函數優(yōu)化(function optimization)
3. 2. 1 問題描述
3. 2. 2 編碼與適應度函數
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 適應度函數
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 貨郎擔問題
3. 4. 1 編碼與適應度函數
3. 4. 2 交又策略
3. 4. 3 變異技術
3. 4. 4 選擇機制和群體構成
3. 4. 5 混合GA技術
3. 4. 6 基于遺傳算法求解TSP的算法實現
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 編碼與適應度函數設計
3. 6. 3 遺傳操作
3. 6. 4 實驗結果
參考文獻
第四章 遺傳算法與機2S學習
4. 1 概述
4. 2 分類器系統
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 學習系統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習系統
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 非標準操作
4. 4. 5 GABIL系統的自適應性
4. 5 小結
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依據
5. 3. 2 粗粒度模型的研究現狀
5. 3. 3 孤島模型在MIMD機器上的實現
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
5. 4. 2 細粒度模型的研究現狀
5. 4. 3 MIMD上的細粒度模型的實現
5. 4. 4 SIMD上的細粒度模型的實現
5. 5 粗粒度模型與細粒度模型的性能比較
5. 6 實現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
5. 7. 1 執(zhí)行系統
5. 7. 2 信用系統中的分配策略
5. 7. 3 遺傳算法在LCS中的應用
5. 7. 4 LCS的一個MIMD實觀
5. 7. 5 LCS在CM機器上的實現
參考文獻
第六章 神經網絡. 模糊集理論和進化算法
6. 1 遺傳算法與神經網絡
6. 1. 1 神經網絡的發(fā)展
6. 1. 2 神經網絡連接權的進化
6. 1. 3 神經網絡結構的進化
6. 1. 4 神經網絡學習規(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 交叉和變異的關系
6. 3. 7 小結
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 人工生命研究的內容與方法
7. 2 遺傳算法與人工生命進化模型
7. 3 L系統與形態(tài)生成模型
7. 3. 1 L系統與植物形態(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
7. 4. 1 博弈與策略
7. 4. 2 博弈型生態(tài)系統
7. 4. 3 生態(tài)動力學與自組織化
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 遺傳算法應用實例
8. 1 遺傳算法在圖像恢復中的應用
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
8. 1. 4 遺傳算法與貝葉斯方法相結合的圖像恢復
8. 2 遺傳算法在圖像識別中的應用
8. 2. 1 引言
8. 2. 2 數學模型
8. 2. 3 目標函數形成
8. 2. 4 隨機全局優(yōu)化方法
8. 2. 5 實驗結果
8. 3 遺傳算法在控制中的應用
8. 3. 1 操作序列的最優(yōu)化
8. 3. 2 倒立擺控制
8. 4 調度問題
8. 4. 1 車間作業(yè)調度問題
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 硬件進化的學習方法
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
鄂公網安備 42010302001612號 