编辑推荐
《差分进化算法》由机械工业出版社出版。
作者简介
作者：（美国）肯尼斯·V.普莱斯（Kenneth V.Price） （德国）赖纳·M.斯托恩（Rainer M.Storn） （芬兰）约尼·A.兰皮宁（Jouni A.Lampinen） 译者：蔡之华 龚文引 金瑶 南丽玲
肯尼斯·V.普莱斯（Kenneth V.Price） ，1974年于美国伦斯勒理工学院获得物理学学士学位。在迁往旧金山之前，他主要在纽约Teledyne—Gurley Scientific Instrument公司担任主管。现在他居住在加州瓦卡维尔市。1994年，他发表了“遗传退火”算法，并指导Rainer Storn博士攻克切比雪夫多项式拟合问题。他提出的“差分变异”被证明是解决切比雪夫问题和其他难题的核心。
赖纳· M.斯托恩（Rainer M.Storn），博士是差分进化算法的发明人之一。目前是IEEE高级会员，罗德施瓦兹公司平台软件研发部总监。曾先后担任西门子公司城市网络研发小组组长、伯克利国际计算机科学研究所博士后、英飞凌公司ADSL项目总监、罗德施瓦兹公司SDR项目总监。因差分进化算法的贡献，Kenneth v.Price和Rainer Storn被授予IEEE计算智能学会“先驱奖”。
约尼·A.兰皮宁（Jouni A.Lampinen），是芬兰瓦萨大学计算机科学学院教授，是差分进化算法的早期重要贡献者。
目录
前言
第1章差分进化的研究动机
1.1参数优化引论
1.1.1引言
1.1.2单点求导型优化
1.1.3单点非求导型的优化及步长问题
1.2局部优化与全局优化对比
1.2.1模拟退火
1.2.2多点求导型方法
1.2.3多点非求导型方法
1.2.4差分进化的第一印象
参考文献
第2章差分进化算法
2.1引言
2.1.1种群结构
2.1.2初始化
2.1.3变异
2.1.4交叉
2.1.5选择
2.1.6初识差分进化算法
2.1.7可视化DE
2.1.8注释
2.2参数表示
2.2.1二进制比特串
2.2.2浮点数
2.2.3浮点约束
2.3初始化
2.3.1初始化边界
2.3.2初始化分布
2.4基向量选择
2.4.1选择基向量索引（r0）
2.4.2一对一基向量选择
2.4.3几种随机基索引选择方法的比较
2.4.4退化向量组合
2.4.5索引值互异
2.4.6测试退化组合的影响：球面函数
2.4.7偏基向量选择方案
2.5差分变异
2.5.1变异缩放因子
2.5.2随机化缩放因子
2.6重组
2.6.1交叉
2.6.2Cr在优化中的作用
2.6.3算术重组
2.6.4相图
2.6.5异或算法
2.7选择
2.7.1生存准则
2.7.2锦标赛选择
2.7.3一对一生存（者）准则
2.7.4局部选择和全局选择的比较
2.7.5置换选择的不变性
2.7.6依赖交叉的选择压力
2.7.7并行性能
2.7.8延伸
2.8终止条件
2.8.1达到目标
2.8.2限制代数
2.8.3统计种群
2.8.4限制时间
2.8.5人工监测
2.8.6特定应用
参考文献
第3章差分进化的标准测试
3.1关于测试
3.2性能评估
3.3几种DE的比较
3.3.1算法
3.3.2测试集
3.3.3相图
3.3.4小结
3.4DE与其他优化算法的比较
3.4.1可比的性能：针对30维函数
3.4.2比较研究：非约束优化
3.4.3其他问题域上的性能比较
3.4.4基于应用的性能比较
3.5总结
参考文献
第4章问题领域
4.1引言
4.2函数及参数量化
4.2.1均匀量化
4.2.2非均匀量化
4.2.3目标函数量化
4.2.4参数量化
4.2.5混合变量
4.3约束优化
4.3.1边界约束
4.3.2不等式约束
4.3.3等式约束
4.4组合问题
4.4.1旅行商问题
4.4.2置换矩阵方法
4.4.3相对位置索引
4.4.4Onwubolu方法
4.4.5邻接矩阵方法
4.4.6总结
4.5设计中心问题
4.5.1发散、自导向性和池化
4.5.2设计中心的计算
4.6多目标优化
4.6.1目标函数加权和
4.6.2Pareto优化
4.6.3Pareto前沿的两个例子
4.6.4优化多目标的适应性DE
4.7动态目标函数
4.7.1稳定优化
4.7.2不稳定优化
参考文献
第5章架构和计算环境
5.1基于多处理器的差分进化算法
5.1.1背景
5.1.2相关工作
5.1.3标准模型的缺点
5.1.4改进的标准模型
5.1.5主处理器
5.2基于资源有限设备的差分进化算法
5.2.1随机数
5.2.2排列数生成器
5.2.3高效的排序
5.2.4内存节省型的差分进化算法
参考文献
第6章计算机编码
6.1差分进化的MATLAB实现——DeMat
6.1.1DeMat的总体结构
6.1.2命名和代码约定
6.1.3数据流程图
6.1.4怎样使用图形
6.2DeWin——Windows下使用C语言的DE
6.2.1DeWin总体的结构
6.2.2命名和代码规范
6.2.3数据流程图
6.2.4怎样使用图形
6.2.5graphics.h的功能
6.3随书光盘上的软件
参考文献
第7章应用
7.1遗传算法和相关技术优化Si—H簇：差分进化的优点分析
7.1.1引言
7.1.2系统模型
7.1.3计算细节
7.1.4结果和讨论
7.1.5总结
参考文献
7.2差分进化在非成像光学设计中的应用
7.2.1引言
7.2.2目标函数
7.2.3逆向工程方法检验
7.2.4更难的问题：扩展源
7.2.5总结
参考文献
7.3工业压缩机供应系统的优化
7.3.1引言
7.3.2测试问题的背景信息
7.3.3系统优化
7.3.4需求概况
7.3.5改进的差分进化及扩展DE的通性
7.3.6数据库中的组件选择
7.3.7交叉方法
7.3.8测试步骤
7.3.9获取100%的确定结果
7.3.10结果
7.3.11总结
参考文献
……
附录
文摘
版权页：
插图：
5.模拟退火（Simulated Annealing）法。它采用物理原理控制退火（即加热材料，然后慢慢冷却，这样材料就形成了晶体）来搜索目标函数，获得最佳参数。在每一步中都有一种有限的可能性，即参数能沿着一个方向使f增大，所以这种方法避免了局部极小值，但是速度很缓慢。
在拟合XRR数据时，上述方法都会遇到很大的困难。参数空间对于直接搜索实在是过于庞大，除了简单的情况外根本无法计算。单纯形下山法和Levenberg —Ma，qua，dt法对非线性问题处理得很好，因为它们都有在参数区间的几何目标函数作为参考。若出现局部极小值，则初始估计的参数值要非常接近最佳值，否则算法极易陷入该局部极小值。因此，这两种方法仅在初值能很好地在全局最小值附近时才有效。并且在最实际的x射线散射情况下，我们发现它们是没有多大用的。蒙特卡罗（Monte Carlo）法和模拟退火法在遇到极小值时并不会有什么问题。不过它们在寻找参数空间时，效率相当低，因为它们是随机搜索而没有考虑到目标函数的几何结构。一种对包含许多极小值的非线性问题的成功策略将结合随机和引导元素。最近，遗传算法（GAs）在非线性优化问题上引起了各方的广泛兴趣，因为它们克服了上面提到的传统优化策略中的许多问题。
在本节中，利用差分进化（DE）算法（Storn&Price 1995，1997）来分析拟合XRR数据。我们选择差分进化算法，而非其他遗传算法，有以下原因：该算法是直接的，它采用实数（而不是二进制字符串或整数）来编码问题参数，并且灵活、高效。对于我们的应用程序更详细的讨论，有兴趣的读者可以参考原来的出版物（Wormington等1999），它是本节的主要依据。
《差分进化算法》由机械工业出版社出版。
作者简介
作者：（美国）肯尼斯·V.普莱斯（Kenneth V.Price） （德国）赖纳·M.斯托恩（Rainer M.Storn） （芬兰）约尼·A.兰皮宁（Jouni A.Lampinen） 译者：蔡之华 龚文引 金瑶 南丽玲
肯尼斯·V.普莱斯（Kenneth V.Price） ，1974年于美国伦斯勒理工学院获得物理学学士学位。在迁往旧金山之前，他主要在纽约Teledyne—Gurley Scientific Instrument公司担任主管。现在他居住在加州瓦卡维尔市。1994年，他发表了“遗传退火”算法，并指导Rainer Storn博士攻克切比雪夫多项式拟合问题。他提出的“差分变异”被证明是解决切比雪夫问题和其他难题的核心。
赖纳· M.斯托恩（Rainer M.Storn），博士是差分进化算法的发明人之一。目前是IEEE高级会员，罗德施瓦兹公司平台软件研发部总监。曾先后担任西门子公司城市网络研发小组组长、伯克利国际计算机科学研究所博士后、英飞凌公司ADSL项目总监、罗德施瓦兹公司SDR项目总监。因差分进化算法的贡献，Kenneth v.Price和Rainer Storn被授予IEEE计算智能学会“先驱奖”。
约尼·A.兰皮宁（Jouni A.Lampinen），是芬兰瓦萨大学计算机科学学院教授，是差分进化算法的早期重要贡献者。
目录
前言
第1章差分进化的研究动机
1.1参数优化引论
1.1.1引言
1.1.2单点求导型优化
1.1.3单点非求导型的优化及步长问题
1.2局部优化与全局优化对比
1.2.1模拟退火
1.2.2多点求导型方法
1.2.3多点非求导型方法
1.2.4差分进化的第一印象
参考文献
第2章差分进化算法
2.1引言
2.1.1种群结构
2.1.2初始化
2.1.3变异
2.1.4交叉
2.1.5选择
2.1.6初识差分进化算法
2.1.7可视化DE
2.1.8注释
2.2参数表示
2.2.1二进制比特串
2.2.2浮点数
2.2.3浮点约束
2.3初始化
2.3.1初始化边界
2.3.2初始化分布
2.4基向量选择
2.4.1选择基向量索引（r0）
2.4.2一对一基向量选择
2.4.3几种随机基索引选择方法的比较
2.4.4退化向量组合
2.4.5索引值互异
2.4.6测试退化组合的影响：球面函数
2.4.7偏基向量选择方案
2.5差分变异
2.5.1变异缩放因子
2.5.2随机化缩放因子
2.6重组
2.6.1交叉
2.6.2Cr在优化中的作用
2.6.3算术重组
2.6.4相图
2.6.5异或算法
2.7选择
2.7.1生存准则
2.7.2锦标赛选择
2.7.3一对一生存（者）准则
2.7.4局部选择和全局选择的比较
2.7.5置换选择的不变性
2.7.6依赖交叉的选择压力
2.7.7并行性能
2.7.8延伸
2.8终止条件
2.8.1达到目标
2.8.2限制代数
2.8.3统计种群
2.8.4限制时间
2.8.5人工监测
2.8.6特定应用
参考文献
第3章差分进化的标准测试
3.1关于测试
3.2性能评估
3.3几种DE的比较
3.3.1算法
3.3.2测试集
3.3.3相图
3.3.4小结
3.4DE与其他优化算法的比较
3.4.1可比的性能：针对30维函数
3.4.2比较研究：非约束优化
3.4.3其他问题域上的性能比较
3.4.4基于应用的性能比较
3.5总结
参考文献
第4章问题领域
4.1引言
4.2函数及参数量化
4.2.1均匀量化
4.2.2非均匀量化
4.2.3目标函数量化
4.2.4参数量化
4.2.5混合变量
4.3约束优化
4.3.1边界约束
4.3.2不等式约束
4.3.3等式约束
4.4组合问题
4.4.1旅行商问题
4.4.2置换矩阵方法
4.4.3相对位置索引
4.4.4Onwubolu方法
4.4.5邻接矩阵方法
4.4.6总结
4.5设计中心问题
4.5.1发散、自导向性和池化
4.5.2设计中心的计算
4.6多目标优化
4.6.1目标函数加权和
4.6.2Pareto优化
4.6.3Pareto前沿的两个例子
4.6.4优化多目标的适应性DE
4.7动态目标函数
4.7.1稳定优化
4.7.2不稳定优化
参考文献
第5章架构和计算环境
5.1基于多处理器的差分进化算法
5.1.1背景
5.1.2相关工作
5.1.3标准模型的缺点
5.1.4改进的标准模型
5.1.5主处理器
5.2基于资源有限设备的差分进化算法
5.2.1随机数
5.2.2排列数生成器
5.2.3高效的排序
5.2.4内存节省型的差分进化算法
参考文献
第6章计算机编码
6.1差分进化的MATLAB实现——DeMat
6.1.1DeMat的总体结构
6.1.2命名和代码约定
6.1.3数据流程图
6.1.4怎样使用图形
6.2DeWin——Windows下使用C语言的DE
6.2.1DeWin总体的结构
6.2.2命名和代码规范
6.2.3数据流程图
6.2.4怎样使用图形
6.2.5graphics.h的功能
6.3随书光盘上的软件
参考文献
第7章应用
7.1遗传算法和相关技术优化Si—H簇：差分进化的优点分析
7.1.1引言
7.1.2系统模型
7.1.3计算细节
7.1.4结果和讨论
7.1.5总结
参考文献
7.2差分进化在非成像光学设计中的应用
7.2.1引言
7.2.2目标函数
7.2.3逆向工程方法检验
7.2.4更难的问题：扩展源
7.2.5总结
参考文献
7.3工业压缩机供应系统的优化
7.3.1引言
7.3.2测试问题的背景信息
7.3.3系统优化
7.3.4需求概况
7.3.5改进的差分进化及扩展DE的通性
7.3.6数据库中的组件选择
7.3.7交叉方法
7.3.8测试步骤
7.3.9获取100%的确定结果
7.3.10结果
7.3.11总结
参考文献
……
附录
文摘
版权页：
插图：
5.模拟退火（Simulated Annealing）法。它采用物理原理控制退火（即加热材料，然后慢慢冷却，这样材料就形成了晶体）来搜索目标函数，获得最佳参数。在每一步中都有一种有限的可能性，即参数能沿着一个方向使f增大，所以这种方法避免了局部极小值，但是速度很缓慢。
在拟合XRR数据时，上述方法都会遇到很大的困难。参数空间对于直接搜索实在是过于庞大，除了简单的情况外根本无法计算。单纯形下山法和Levenberg —Ma，qua，dt法对非线性问题处理得很好，因为它们都有在参数区间的几何目标函数作为参考。若出现局部极小值，则初始估计的参数值要非常接近最佳值，否则算法极易陷入该局部极小值。因此，这两种方法仅在初值能很好地在全局最小值附近时才有效。并且在最实际的x射线散射情况下，我们发现它们是没有多大用的。蒙特卡罗（Monte Carlo）法和模拟退火法在遇到极小值时并不会有什么问题。不过它们在寻找参数空间时，效率相当低，因为它们是随机搜索而没有考虑到目标函数的几何结构。一种对包含许多极小值的非线性问题的成功策略将结合随机和引导元素。最近，遗传算法（GAs）在非线性优化问题上引起了各方的广泛兴趣，因为它们克服了上面提到的传统优化策略中的许多问题。
在本节中，利用差分进化（DE）算法（Storn&Price 1995，1997）来分析拟合XRR数据。我们选择差分进化算法，而非其他遗传算法，有以下原因：该算法是直接的，它采用实数（而不是二进制字符串或整数）来编码问题参数，并且灵活、高效。对于我们的应用程序更详细的讨论，有兴趣的读者可以参考原来的出版物（Wormington等1999），它是本节的主要依据。
| ISBN | 9787111554196 |
|---|---|
| 出版社 | 机械工业出版社 |
| 作者 | 肯尼斯·V.普莱斯 (Kenneth V.Price) |
| 尺寸 | 16 |