| 目录 | 第1-13页 |
| 摘要 | 第13-17页 |
| Abstract | 第17-23页 |
| 第一章 绪论 | 第23-55页 |
| ·引言 | 第23-24页 |
| ·研究背景 | 第24-34页 |
| ·决策、决策分析与智能决策 | 第24页 |
| ·主观型决策与求解 | 第24-26页 |
| ·客观型决策与求解 | 第26-28页 |
| ·专用决策与一般决策 | 第28页 |
| ·智能决策 | 第28-30页 |
| ·智能决策技术面临的挑战 | 第30-33页 |
| ·进化计算及其发展趋势 | 第33-34页 |
| ·进化决策 | 第34-40页 |
| ·进化决策思想的提出 | 第34-35页 |
| ·进化决策方法 | 第35-38页 |
| ·进化决策的研究内容 | 第38-40页 |
| ·与进化决策相关的研究领域 | 第40-47页 |
| ·非机器学习类的智能决策模型 | 第40页 |
| ·机器学习领域非进化计算类智能决策模型 | 第40-43页 |
| ·作为交叉学科母学科的决策分析模型 | 第43-44页 |
| ·进化计算在决策中的应用研究现状 | 第44-46页 |
| ·进化决策与进化优化 | 第46-47页 |
| ·本文工作概要 | 第47-55页 |
| ·本文的主要工作与贡献 | 第47-51页 |
| ·本文的组织 | 第51-52页 |
| ·几点补充说明 | 第52-55页 |
| 第二章 进化计算概述 | 第55-65页 |
| ·进化计算基本概念 | 第55-58页 |
| ·基本思想 | 第55-56页 |
| ·基本分类 | 第56-58页 |
| ·遗传算法 | 第58-65页 |
| ·简单遗传算法(SGA) | 第58-59页 |
| ·遗传算法的理论基础 | 第59-60页 |
| ·遗传算法的评价标准 | 第60页 |
| ·遗传算法的设计决策 | 第60-61页 |
| ·遗传算法的主要优点 | 第61-62页 |
| ·当前的研究内容 | 第62-65页 |
| 第三章 基于MI函数的多元函数逼近 | 第65-87页 |
| ·本章摘要 | 第65页 |
| ·引言 | 第65-67页 |
| ·基于MI函数的单调函数逼近 | 第67-72页 |
| ·基于MI函数的一般函数逼近 | 第72-75页 |
| ·进化逼近 | 第75-79页 |
| ·单调函数的进化学习 | 第76-77页 |
| ·一般函数的进化学习 | 第77-79页 |
| ·进化逼近实验及应用 | 第79-85页 |
| ·MAGA:单调函数进化逼近实验 | 第79-81页 |
| ·UAGA:一般函数进化逼近实验 | 第81-84页 |
| ·MI函数进化逼近用于决策策略学习 | 第84-85页 |
| ·小结 | 第85-87页 |
| 第四章 基于试验设计的进化逼近算法参数优选 | 第87-97页 |
| ·引言 | 第87-88页 |
| ·试验因素与水平选择 | 第88页 |
| ·试验设计表选择 | 第88-89页 |
| ·参数水平划分与优选试验设计 | 第89-90页 |
| ·试验结果 | 第90-91页 |
| ·算法性能分析与改进 | 第91-93页 |
| ·算法长期搜索性能分析、优化及算法参数优选 | 第93-97页 |
| ·算法长期搜索性能分析 | 第93-94页 |
| ·多种群算法的保护区策略 | 第94-95页 |
| ·长期搜索算法参数优选 | 第95页 |
| ·单调逼近最优解搜索试验 | 第95-97页 |
| 第五章 多元函数的梯田逼近法 | 第97-131页 |
| ·本章摘要 | 第97页 |
| ·引言 | 第97-100页 |
| ·梯田逼近法原理概要 | 第97-99页 |
| ·研究背景 | 第99-100页 |
| ·MTAM:多元单调函数的梯田逼近法 | 第100-115页 |
| ·UTAM:多元一般函数的梯田逼近法 | 第115-117页 |
| ·进化逼近实验 | 第117-129页 |
| ·基本原理 | 第117-119页 |
| ·基于MTAM的单调函数进化逼近实验 | 第119-122页 |
| ·基于UTAM的一般函数进化逼近实验 | 第122-123页 |
| ·算法性能分析、二次逼近法和适应性适应值策略 | 第123-125页 |
| ·新方法实验及结果 | 第125-128页 |
| ·小结 | 第128-129页 |
| ·结论和讨论 | 第129-131页 |
| 第六章 基于多元单调函数逼近的多目标进化决策及应用 | 第131-149页 |
| ·引言 | 第131页 |
| ·多目标决策问题与决策分析 | 第131-136页 |
| ·决策问题及其难点 | 第131-132页 |
| ·价值函数存在定理 | 第132-133页 |
| ·传统多目标决策分析方法及其局限性 | 第133-136页 |
| ·基于多元单调函数逼近的多目标进化决策模型 | 第136-138页 |
| ·收益／耗费型多目标智能决策问题 | 第138-139页 |
| ·自主勘查机器人智能控制器设计问题 | 第139-141页 |
| ·积木世界 | 第139-140页 |
| ·机器人 | 第140页 |
| ·问题描述 | 第140-141页 |
| ·问题建模 | 第141-143页 |
| ·基本分析 | 第141-142页 |
| ·综合评估函数模型 | 第142-143页 |
| ·机器人控制器模型 | 第143-144页 |
| ·基于EDMMFA的机器人控制器进化设计实验 | 第144-147页 |
| ·遗传算法 | 第144-146页 |
| ·实验结果 | 第146-147页 |
| ·小结 | 第147-149页 |
| 第七章 随机试验型适应值计算 | 第149-167页 |
| ·引言 | 第149页 |
| ·分布模型估计与检验 | 第149-151页 |
| ·性能期望估计 | 第151-154页 |
| ·样本选择 | 第154-158页 |
| ·测试集选择 | 第158-159页 |
| ·结论与下一步工作 | 第159-161页 |
| ·附录 | 第161-167页 |
| 附录A. 实验数据命名约定 | 第161页 |
| 附录B. 本章所用实验数据 | 第161-163页 |
| 附录C. 分布的拟和优度检验(x~2检验和偏度、峰度检验SKT) | 第163-165页 |
| 附录D. 本章部分定理证明 | 第165-167页 |
| 第八章 基于候选方案排序的进化决策方法 | 第167-185页 |
| ·本章摘要 | 第167页 |
| ·引言 | 第167-169页 |
| ·基于候选方案排序的进化决策模型 | 第169-171页 |
| ·积木收集机器人控制器设计问题 | 第171-173页 |
| ·积木世界 | 第171-172页 |
| ·机器人 | 第172-173页 |
| ·问题描述 | 第173页 |
| ·控制器模型与进化决策 | 第173-175页 |
| ·排序遗传算法 | 第175-180页 |
| ·进化机器人实验及结果 | 第180-182页 |
| ·小结 | 第182-183页 |
| ·致谢 | 第183-185页 |
| 第九章 排序遗传算法 | 第185-221页 |
| ·本章摘要 | 第185页 |
| ·引言 | 第185-188页 |
| ·某些第二类排序问题是NP难的 | 第188-189页 |
| ·排列问题的编码与算子 | 第189-191页 |
| ·TSPGA用于求解排序问题 | 第189页 |
| ·排序编码及其算子 | 第189-191页 |
| ·次序编码及其算子 | 第191页 |
| ·排序问题遗传算法OPGA | 第191-193页 |
| ·序数编码及其算子 | 第192-193页 |
| ·隐序编码及其算子 | 第193页 |
| ·排序测试问题 | 第193-197页 |
| ·排序距离及其性质 | 第194-196页 |
| ·三种排序测试问题 | 第196-197页 |
| ·实验与数据分析 | 第197-205页 |
| ·OPGA性能比较实验方案 | 第197-199页 |
| ·实验结果 | 第199-201页 |
| ·算法性能差异的判断准则 | 第201页 |
| ·几种评估算法性能的指标 | 第201-202页 |
| ·实验结果分析 | 第202-205页 |
| ·算子组合的互补效应 | 第205-209页 |
| ·对互补效应的进一步分析 | 第205-206页 |
| ·互补效应的严格定义及其普遍性 | 第206-207页 |
| ·互补效应的启示:基于互补效应的概率混合变异算子设计与实验 | 第207-209页 |
| ·应用模型举例:一类序贯决策问题 | 第209-210页 |
| ·与相关工作的比较 | 第210-211页 |
| ·结论与讨论 | 第211-213页 |
| ·附录 | 第213-221页 |
| 附录A. 秩和秩相关系数 | 第213页 |
| 附录B. 本章部分定理证明 | 第213-215页 |
| 附录C. OPGA实验数据1:6种“编码+解释”下的最优算子组合数据 | 第215-217页 |
| 附录D. OPGA实验数据2:全部算子组合的性能总排名 | 第217-219页 |
| 附录E. 文献[45]实验数据中的互补效应统计 | 第219-221页 |
| 第十章 排序遗传算子搜索特性分析与性能改进 | 第221-267页 |
| ·引言 | 第221-222页 |
| ·排列编码排序问题适应值图景 | 第222-228页 |
| ·关于排列距离的组合学结论 | 第222-226页 |
| ·适应值图景的基本概念 | 第226页 |
| ·基本定义准则 | 第226-227页 |
| ·编码 | 第227页 |
| ·适应值函数 | 第227-228页 |
| ·邻域的定义 | 第228页 |
| ·交叉算子搜索特性描述 | 第228-231页 |
| ·算子搜索特性的四级描述 | 第228-229页 |
| ·算子定义 | 第229页 |
| ·高级特征:邻域结构及其分布 | 第229-231页 |
| ·统计指标 | 第231页 |
| ·搜索特性可视化 | 第231页 |
| ·交叉算子搜索特性试验 | 第231-234页 |
| ·交叉算子搜索特性探索性分析试验方案 | 第231-232页 |
| ·逆序距离等距排列随机采样算法 | 第232页 |
| ·试验设计:参数与统计量 | 第232-233页 |
| ·搜索特性与性能的相关性分析 | 第233-234页 |
| ·变异算子搜索特性 | 第234-235页 |
| ·试验设计 | 第234页 |
| ·搜索特性与性能的相关性分析 | 第234-235页 |
| ·交叉与变异算子的组合特性分析 | 第235-246页 |
| ·交叉与变异算子间的相关现象:第二类互补效应 | 第236-237页 |
| ·存在第二类互补效应的算子组合其后代距离分布差异对比实验 | 第237-238页 |
| ·存在第二类互补效应的算子组合搜索特性分析 | 第238页 |
| ·“MT_8+CX_(12)”的组合特性 | 第238-243页 |
| ·“MT_(14)+CX_(12)”的组合特性 | 第243-245页 |
| ·结论:算子后代等距线内分布特异性导致第二类互补效应 | 第245-246页 |
| ·稳健遗传算子设计 | 第246-247页 |
| ·基于第二类互补效应的概率混合变异算子设计策略 | 第246页 |
| ·一种基于第二类互补效应的概率混合变异算子及其实验 | 第246-247页 |
| ·广谱可伸缩变异算子 | 第247-250页 |
| ·定义 | 第247-249页 |
| ·性能比较实验 | 第249-250页 |
| ·小结 | 第250-252页 |
| ·附录 | 第252-267页 |
| 附录A. 关于排列的已有结论 | 第252-253页 |
| 附录B. “MT_8+CX_(12)”情况(3)的基因值变化平均值计算 | 第253-254页 |
| 附录C. 交叉算子后代距离分布的二维数据 | 第254-255页 |
| 附录D. 交叉算子后代距离分布特性谱图 | 第255-258页 |
| 附录E. 交叉算子后代距离分布一维直方图 | 第258-260页 |
| 附录F. 交叉算子后代距离分布二维直方图 | 第260-264页 |
| 附录G. 变异算子后代距离分布试验数据图表 | 第264-267页 |
| 第十一章 共同进化计算综述 | 第267-279页 |
| ·引言 | 第267-269页 |
| ·共同进化计算的研究现状 | 第269-272页 |
| ·存在的问题与可能的研究方向 | 第272-276页 |
| ·适应值评估 | 第272-273页 |
| ·合作的产生 | 第273页 |
| ·持久维持期望的进化压力 | 第273-274页 |
| ·异构进化 | 第274页 |
| ·克服复杂性技术 | 第274-275页 |
| ·新型共进化计算模型 | 第275页 |
| ·策略表示 | 第275页 |
| ·多策略和动态策略调整 | 第275-276页 |
| ·并行模型 | 第276页 |
| ·理论研究 | 第276页 |
| ·新型应用开发 | 第276页 |
| ·共同进化计算研究中的测试问题 | 第276-277页 |
| ·小结 | 第277-279页 |
| 第十二章 一种异构合作共同进化算法 | 第279-287页 |
| ·引言 | 第279页 |
| ·进化计算与人工智能问题求解范型 | 第279-282页 |
| ·共同进化与共同进化计算 | 第282-283页 |
| ·异构合作共同进化算法及实验 | 第283-286页 |
| ·结论与讨论 | 第286-287页 |
| 第十三章 一种基于间断平衡动力学的适应性遗传算法 | 第287-293页 |
| ·本章摘要 | 第287页 |
| ·引言 | 第287-288页 |
| ·算法设计思想 | 第288-289页 |
| ·对比实验及结果 | 第289-290页 |
| ·小结 | 第290-293页 |
| 第十四章 结束语 | 第293-297页 |
| ·本文的主要贡献 | 第293-294页 |
| ·对未来工作的展望 | 第294-297页 |
| 作者在攻读博士学位期间发表的论文 | 第297-299页 |
| 致谢 | 第299-305页 |
| 参考文献 | 第305-320页 |
