進化算法是一種人工智能。自然界中觀察到的諸
如自然選擇、物種遷移、鳥群、人類文化、和蟻群等
優化過程啟發我們開發出進化算法。
丹·西蒙著的《進化優化算法(基於仿生和種群的
計算機智能方法)/應用數學譯叢》討論進化優化算法
的理論、歷史、數學和編程。主要包括遺傳算法、遺
傳規劃、蟻群優化、粒子群優化、差分進化、基於生
物地理學優化以及其他多種算法。
以一種直觀但理論上嚴謹的方式介紹進化算法，
同時重視算法的實施。
仔細討論了較新的進化算法,包括反向學習、人工
魚群、細菌覓食以及其他多種算法。
每章都配有練習題，教師可以在線獲得習題答案
。
借助簡單的例子幫助讀者直觀理解理論。
從作者的網頁上可以得到主要的源代碼。
介紹分析進化算法的數學技巧，包括馬爾可夫建
模和動態繫統建模。
本書適合作為高年級本科生和研究生的教材，對
工程和計算機科學領域的研究人員也大有裨益。

致謝
縮寫
第一篇 進化優化引論
第1章 緒論
1.1 術語
1.2 又一本關於進化算法的書
1.3 先修課程
1.4 家庭作業
1.5 符號
1.6 本書的大綱
1.7 基於本書的課程
第2章 優化
2.1 無約束優化
2.2 約束優化
2.3 多目標優化
2.4 多峰優化
2.5 組合優化
2.6 爬山法
2.6.1 有偏優化算法
2.6.2 蒙特卡羅仿真的重要性
2.7 智能
2.7.1 自適應
2.7.2 隨機性
2.7.3 交流
2.7.4 反饋
2.7.5 探索與開發
2.8 總結
習題
第二篇 經典進化算法
第3章 遺傳算法
3.1 遺傳學的歷史
3.1.1 查爾斯·達爾文
3.1.2 格雷戈爾·孟德爾
3.2 遺傳學
3.3 遺傳算法的歷史
3.4 一個簡單的二進制遺傳算法
3.4.1 用於機器人設計的遺傳算法
3.4.2 選擇與交叉
3.4.3 變異
3.4.4 遺傳算法的總結
3.4.5 遺傳算法的參數調試及其例子
3.5 簡單的連續遺傳算法
3.6 總結
習題
第4章 遺傳算法的數學模型
4.1 圖式理論
4.2 馬爾可夫鏈
4.3 進化算法的馬爾可夫模型的符號
4.4 遺傳算法的馬爾可夫模型
4.4.1 選擇