智能優化方法的新思路、新手段，將各種優化算法集成起來構 的高效優化方法。

●第1章緒論1.1背景及意義1.1.1背景1.1.2動機1.2智能優化方法1.3知識導向的智能優化算法1.3.1傳統人工智能引導的智能優化算法1.3.2特定知識模型引導的智能優化算法1.3.3具有雙層進化機制的文化算法1.4章節結構第2章學習型智能優化方法2.1學習型智能優化相關理論2.1.1知識2.1.2知識模型2.1.3遺傳算法2.1.4蟻群算法2.1.5學習型智能優化的基本框架2.1.6學習型智能優化的運行機制2.2學習型智能優化中的知識2.2.1精英個體知識2.2.2構件知識2.2.3算子知識2.2.4參數知識2.3學習型智能優化算法的框架與流程2.3.1求解函數優化問題的學習型遺傳算法框架與流程2.3.2求解非對稱旅行商問題的學習型遺傳算法框架與流程2.3.3求解雙層CARP優化問題的學習型遺傳算法框架與流程2.3.4求解雙層CARP優化問題的學習型蟻群算法框架與流程2.3.5求解柔性作業車間調度問題的學習型蟻群算法框架與流程2.3.6求解柔性作業車間調度問題的學習型協同進化算法框架與流程2.3.7求解體繫仿真優化問題的學習型遺傳算法框架與流程2.3.8求解衛星地面站繫統任務調度的學習型蟻群算法框架與流程2.3.9求解多星任務規劃問題的學習型蟻群算法框架與流程2.4本章小結第3章求解函數優化問題的學習型遺傳算法3.1問題描述及特點分析3.2求解過程3.2.1種群初始化3.2.2選擇操作3.2.3交叉操作3.2.4變異操作3.2.5災變操作3.2.6終止條件3.3實驗結果及分析3.3.1參數設置3.3.2幾種典型的函數優化方法3.3.3普通測試函數的實驗結果3.3.4組合測試函數的實驗結果3.4本章小結第4章求解非對稱旅行商問題的學習型遺傳算法4.1問題描述及特點分析4.1.1旅行商問題描述4.1.2旅行商問題的分類4.1.3旅行商問題的應用和價值4.1.4旅行商問題的計算復雜性4.2求解過程4.2.1種群初始化操作4.2.2選擇操作4.2.3交叉操作4.2.4變異操作4.2.5種群替換操作4.2.6局部優化操作4.2.7終止條件4.3實驗結果及分析4.4本章小結第5章求解雙層CARP優化問題的學習型遺傳算法和學習型蟻群算法5.1問題描述及特點分析5.1.1雙層CARP優化問題的相關術語5.1.2雙層CARP優化問題的數學模型5.1.3雙層CARP優化問題的簡單實例5.1.4雙層CARP優化問題的特點5.2求解框架5.2.1雙層CARP優化問題的求解框架5.2.2宏觀配置優化方法5.2.3擴展啟發式方法ERPS5.2.4擴展啟發式方法ERUH5.3求解過程5.3.1學習型遺傳算法求解過程5.3.2學習型蟻群算法求解過程5.4學習型遺傳算法的實驗結果及分析5.4.1實驗設計和參數設置5.4.2LEGA1和LEGA2的比較實驗5.4.3LEGA2和LEGA3的比較實驗5.4.4ERPS和LEGA3的比較實驗5.4.5ERUH和LEGA3的比較實驗5.4.6不同方法的優化曲線5.5學習型蟻群算法的實驗結果及分析5.5.1實驗設計和參數設置5.5.2ERPS和LEACO的實驗結果5.5.3ERUH和LEACO的實驗結果5.5.4LEGA和LEACO的實驗結果5.6本章小結第6章求解柔性作業車間調度問題的學習型蟻群算法和學習型協同進化算法6.1問題描述及特點分析6.1.1柔性作業車間調度問題的描述6.1.2柔性作業車間調度問題的分類6.1.3柔性作業車間調度問題的特點6.1.4柔性作業車間調度問題的求解過程6.2求解過程6.2.1學習型蟻群算法求解過程6.2.2學習型協同進化算法求解過程6.3學習型蟻群算法的實驗結果及分析6.4學習型協同進化算法的實驗結果及分析6.5本章小結第7章求解體繫仿真優化問題的學習型遺傳算法7.1問題描述7.1.1體繫實例7.1.2數學模型7.2求解過程7.2.1分層優化方法7.2.2學習型遺傳算法步驟7.3實驗結果及分析7.4本章小結第8章求解衛星地面站繫統任務調度的學習型蟻群算法8.1問題描述8.2求解過程8.2.1信息素的定義和初始化8.2.2可行解的構造8.2.3導向局部搜索方法8.2.4信息素的更新8.2.5終止準則8.3實驗結果及分析8.4本章小結第9章求解多星任務規劃問題的學習型蟻群算法9.1問題描述9.1.1多星任務規劃的基本輸入要素9.1.2多星任務規劃的基本約束條件9.1.3多星任務規劃的基本輸出要素9.1.4多星任務規劃的基本假設9.1.5多星任務規劃問題分析9.2問題建模9.2.1數學符號9.任務9.2.3合成任務9.2.4收益函數構造9.2.5多星任務規劃模型9.3求解過程9.3.1知識初始化9.3.2任務指派9.3.3任務合成9.3.4調度改進9.3.5知識學習9.3.6終止準則9.4實驗結果及分析9.4.1測試實例的構造9.4.2實驗結果及分析9.5本章小結第10章總結與展望10.1主要成果10.2研究展望參考文獻索引附錄A函數優化問題的一些普通測試函數附錄B函數優化問題的一些組合測試函數附錄C雙層CARP優化問題的測試實例附錄D雙層CARP優化問題的很優下限估計方法D.1服務成本的很優下限估計D.2空車成本的很優下限估計D.3倉庫構建成本的很優下限估計D.4車輛購置成本的很優下限估計附錄E英漢排序與調度詞彙

本書在現有智能優化方法的基礎上，探索學習型智能優化方法的基本框架。書中采用智能優化模型和知識模型相結合的集成建模思路，總結了精英個體知識、構件知識、算子知識和參數知識4種知識形式，構建了用於實現學習型智能優化方法的8類典型知識，以此輔助學習型智能優化方法高效地求解復雜優化問題。針對連續優化問題、離散優化問題（非對稱旅行商問題、雙層CARP優化問題、柔性作業車間調度問題）和實際工程問題（體繫仿真優化問題、衛星地面站繫統任務調度問題、多星任務規劃問題），分別設計了若干種學習型智能優化算法，並對優化結果進行了分析和解釋。本書主要面向在運籌學領域研究智能優化方法的企業、高校與科研院所的研究人員，幫助讀者了解學習型智能優化算法的基本原理與框架流程，提高讀者對學習型智能優化算法的實踐與應用能力，促進學習型智能優化算法的發展與完善。

邢立寧、陳英武、向尚 著

很優化技術在科學和工程等領域都有非常廣泛的應用，理論界和工程界都對其進行了熱切關注和深入研究。優化理論與算法的研究已成為一個具有理論意義和應用價值的熱點課題。智能優化方法模仿自然現像的運行機制而產生，為解決復雜工程問題提供了新思路和新手段。很優化理論領域的“無免費午餐”定理說明算法混合是有效提高優化性能的一種手段，將各種算法有效地集成起來構 的高效的優化方法是一個非常有價值的研究方向。在現有智能優化方法的基礎上，本書建立了學習型智能優化方法的基本框架。該框架采用智能優化模型和知識模型相結合的集成建模思路： 智能優化模型按照“鄰域搜索”策略對優化問題的可行空間進行搜索； 知識模型從前期優化過程中挖掘有用知識，然後采用知識來指導智能優化模型的後續優化過程。構建學習型智能優化的基本框架，可以將智能優化模型和知識模型有效地結合起來，極大地提高了學習型智能優化方法的優化效果。學習型智能優化等