进化优化算法-基于仿生和种群的计算机智能方法

　　进化算法是一种人工智能。自然界中观察到的诸如自然选择、物种迁移、鸟群、人类文化和蚁群等优化过程启发我们开发出进化算法。
　　《进化优化算法-基于仿生和种群的计算机智能方法》讨论进化优化算法的理论、历史、数学和编程。主要包括遗传算法、遗传规划、蚁群优化、粒子群优化、差分进化、基于生物地理学优化以及其他多种算法。
　　以一种直观但理论上严谨的方式介绍进化算法，同时重视算法的实施。
　　仔细讨论了较新的进化算法，包括反向学习、人工鱼群、细菌觅食以及其他多种算法。
　　每章都配有练习题，教师可以在线获得习题答案。
　　借助简单的例子帮助读者直观理解理论。
　　从作者的网页上可以得到主要的源代码。
　　介绍分析进化算法的数学技巧，包括马尔可夫建模和动态系统建模。
　　《进化优化算法-基于仿生和种群的计算机智能方法》适合作为高年级本科生和研究生的教材，对工程和计算机科学领域的研究人员也大有裨益。

致谢
缩写
第一篇 进化优化引论
第1章 绪论
1．1 术语
1．2 又一本关于进化算法的书
1．3 先修课程
1．4 家庭作业
1．5 符号
1．6 本书的大纲
1．7 基于本书的课程
第2章 优化
2．1 无约束优化
2．2 约束优化
2．3 多目标优化
2．4 多峰优化
2．5 组合优化
2．6 爬山法
2．6．1 有偏优化算法
2．6．2 蒙特卡罗仿真的重要性
2．7 智能
2．7．1 自适应
2．7．2 随机性
2．7．3 交流
2．7．4 反馈
2．7．5 探索与开发
2．8 总结
习题

第二篇 经典进化算法
第3章 遗传算法
3．1 遗传学的历史
3．1．1 查尔斯·达尔文
3．1．2 格雷戈尔·孟德尔
3．2 遗传学
3．3 遗传算法的历史
3．4 一个简单的二进制遗传算法
3．4．1 用于机器人设计的遗传算法
3．4．2 选择与交叉
3．4．3 变异
3．4．4 遗传算法的总结
3．4．5 遗传算法的参数调试及其例子
3．5 简单的连续遗传算法
3．6 总结
习题
第4章 遗传算法的数学模型
4．1 图式理论
4．2 马尔可夫链
4．3 进化算法的马尔可夫模型的符号
4．4 遗传算法的马尔可夫模型
4．4．1 选择
4．4．2 变异
4．4．3 交叉
4．5 遗传算法的动态系统模型
4．5．1 选择
4．5．2 变异
4．5．3 交叉
4．6 总结
习题
第5章 进化规划
5．1 连续进化规划
5．2 有限状态机优化
5．3 离散进化规划
5．4 囚徒困境
……
第三篇 较新的进化算法
第四篇 优化问题的特殊类型
第五篇 附录
参考文献
索引

　　常规的优化算法，如线性规划、二次规划和凸优化，通常要求优化问题具有凸性，但我们遇到的很多实际问题却常常是非凸的。对于多阶段决策问题，常用的动态规划方法能找到最优解，但因其计算量会随着问题的规模呈指数增长，它们并不适合规模较大的问题。而基于种群的进化优化算法虽然不能保证找到问题的最优解，但对问题的性质和规模没有限制和要求，因此具有广泛的适用性。Nils Barricelli在1953年提出遗传算法，在那之后的半个多世纪中，人们基于生物的行为、自然现象甚至社会现象得到的启发，提出了各种各样的进化算法并将它们用于解决实际问题。值得一提的是，进化算法在人工智能和机器学习中一直发挥着重要的作用。
　　无论在国内还是在国外，都已经出版了很多关于进化算法的专著，本书的优胜之处在于它既全面而系统地介绍了进化算法的历史和方法，又指出了进一步研究的方向，还针对各类优化问题，如约束优化、多目标优化和组合优化，提出了进化算法的解决方案并阐述处理问题的技巧，这些技巧并非只适用于进化优化，我们在用其他方法寻优时也经常用到。
　　感谢杨卓同学为译本重新绘图。感谢叶永洪、卞爱哲和韩广泓三位同学阅读译稿的部分章节并提出修改意见。感谢出版社的刘颖老师校对公式，修订向量及矩阵的表示方式并提出修改意见。感谢出版社编辑的审核和修改。
　　本书的翻译工作得到国家重点研发计划（2016YFB0901901，2017YFC0704101）的资助，特此致谢。
　　译本中存在的错漏或不妥之处，责任概由译者承担，同时也恳请读者批评指正。