思维进化计算——搜索算法的开发和算法性能的分析
摘要 | 第1-6页 |
ABSTRACT | 第6-8页 |
目录 | 第8-11页 |
第一章 绪论 | 第11-17页 |
·引言 | 第11-12页 |
·本文的主要内容 | 第12-14页 |
·思维进化计算的研究进展 | 第14-16页 |
参考文献 | 第16-17页 |
第二章 进化计算概述 | 第17-39页 |
·进化计算的发展史 | 第17-18页 |
·遗传算法 | 第18-33页 |
·基本原理 | 第20-25页 |
·遗传算法中的理论问题 | 第25-27页 |
·遗传算法中的求解工具 | 第27-30页 |
·GA的应用与研究现状 | 第30-31页 |
·著名的GA期刊会议和研究实验室 | 第31-33页 |
·进化策略 | 第33-34页 |
·进化规划 | 第34-35页 |
·遗传程序设计 | 第35页 |
参考文献 | 第35-39页 |
第三章 思维进化计算 | 第39-59页 |
·思维进化计算的提出 | 第39-40页 |
·MEC的基本框架 | 第40-45页 |
·MEC的系统结构和基本知识 | 第40-42页 |
·MEC中的两个重要操作 | 第42-43页 |
·三个基本机制 | 第43-45页 |
·趋同过程分析 | 第45-50页 |
·趋同分析的前提条件 | 第45-46页 |
·趋同过程的两个阶段 | 第46-48页 |
·个体散布服从均匀分布的分析 | 第48-49页 |
·实验结果 | 第49-50页 |
·已有的趋同异化策略 | 第50-53页 |
·多种高效率趋同策略的开发 | 第50-51页 |
·多种高效率异化策略的开发 | 第51-53页 |
·其它方面的研究及其进展 | 第53-55页 |
·收敛性证明 | 第53页 |
·MEC用于非数值优化问题 | 第53-54页 |
·MEC的应用研究 | 第54-55页 |
参考文献 | 第55-59页 |
第四章 思维进化计算的进一步研究 | 第59-87页 |
·新的异化策略的开发 | 第59-63页 |
·采用拒绝域的异化策略的MEC | 第60页 |
·新策略的实现原理 | 第60-61页 |
·实验比较 | 第61-63页 |
·新的趋同策略的开发 | 第63-69页 |
·基于预测的趋同策略的MEC | 第63-64页 |
·新策略的基本原理 | 第64页 |
·趋同中的自适应 | 第64-65页 |
·实验部分 | 第65-69页 |
·MEC算法的搜索效率问题 | 第69-76页 |
·搜索计算量和搜索效率的定义 | 第69-70页 |
·双层MEC的构造 | 第70-71页 |
·算法性能比较的实验 | 第71-76页 |
·关于测试函数的考虑 | 第76-78页 |
·测试函数的特点 | 第76-78页 |
·高维函数的复杂度及其性质 | 第78页 |
·高维空间中的MEC | 第78-82页 |
·高维问题的讨论 | 第78-79页 |
·Windows下MEC的设计 | 第79-80页 |
·高维函数下MEC的性能 | 第80-82页 |
·MEC高搜索效率分析 | 第82-84页 |
参考文献 | 第84-87页 |
第五章 MEC与其它进化算法 | 第87-113页 |
·简介几种优化算法 | 第87-96页 |
·遗传算法(GA) | 第87-88页 |
·进化策略(ES) | 第88-90页 |
·小生境遗传算法(NGA) | 第90-93页 |
·基于群体的增长学习(PBIL) | 第93-95页 |
·简单随机优化算法(ROM) | 第95-96页 |
·各算法的主要特点 | 第96-100页 |
·思维进化计算与其它各算法比较 | 第100-111页 |
·思维进化计算VS.遗传算法 | 第100-106页 |
·思维进化计算VS.进化策略 | 第106-108页 |
·思维进化计算VS.小生境遗传算法 | 第108-109页 |
·思维进化计算VS.基于群体增长学习 | 第109-110页 |
·思维进化计算VS.简单的随机优化方法 | 第110-111页 |
参考文献 | 第111-113页 |
第六章 总结 | 第113-115页 |
附录 | 第115-141页 |
附录1 EC和MEC术语表 | 第115-117页 |
附录2 各个算法流程图 | 第117-120页 |
附录3 GA常用测试函数及其图形 | 第120-139页 |
参考文献 | 第139-141页 |
致谢 | 第141-142页 |
在学期间发表的论文 | 第142-143页 |