编辑推荐
蚁群智能优化方法是一类全局寻优能力强、适用面广、且易于实现的优化方法。虽然其原理较简单，但实现起来却并不简单。它的成功应用依赖于使用者对算法原理、待解决问题的理解程度，也依赖于算法编程实现。本书着重讲述了作者在用蚁群智能优化方法来解决旅行商问题、背包问题、定向问题、属性约简、卫星资源调度问题以及多目标组合优化问题等复杂组合优化问题时的设计思路，有助于读者更好理解和掌握蚁群智能优化方法，并用于解决其他难题。
媒体推荐
本书在简要阐述智能优化方法相关理论的基础上，介绍了蚁群智能优化方法的基本原理与算法主要要素等基本内容。同时，介绍蚁群智能优化方法在旅行商问题、背包问题、定向问题、属性约简、卫星资源调度问题以及多目标组合优化问题等复杂组合优化问题的应用示例，详细阐述蚁群智能优化方法在具体应用中的的基本设计方法以及算法性能改善的有效途径。本书适合作为从事智能优化方法及其应用研究的相关科技工作者、专业技术人员的参考书，也可作为计算机学科、控制科学等专业研究生和高年级本科生学习蚁群智能优化方法的指导用书。
作者简介
作者：柯良军
柯良军, 西安交通大学电信学院副教授，博士生导师。研究领域为复杂系统建模与优化、模式识别，主要包括资源调度、物流、多目标优化、鲁棒优化。主持国家自然科学基金等科研项目。研究成果在IEEE transaction on Cybernetics、 European Journal of Operational Research、Omega等国际权威期刊发表。
目录
目录
第1章绪章
1.1引言
1.2复杂性理论的基础知识
1.2.1算法的复杂度
1.2.2问题的复杂度
1.3智能优化方法概述
1.3.1常用的智能优化方法
1.3.2智能优化方法的一般框架
1.3.3智能优化方法分类
1.3.4智能优化方法的特点
1.4本书内容及组织
参考文献
第2章蚁群优化方法概述
2.1蚁群算法的思想起源
2.2蚁群算法的基本框架
2.3基本蚁群算法及其典型改进算法
2.3.1基本蚁群算法
2.3.2蚁群系统
2.3.3最大最小蚂蚁系统
2.4蚁群算法研究现状
2.4.1蚁群算法的应用
2.4.2蚁群算法的改进
2.4.3蚁群算法的理论研究
2.5小结
参考文献
第3章旅行商问题
3.1引言
3.2算法描述
3.3算法随机模型与收敛性质分析
3.4参数设置和数值实验分析
3.4.1参数设置
3.4.2与其他改进蚁群算法的比较
3.5小结
参考文献
第4章多维背包问题
4.1问题描述
4.2现有算法回顾
4.3算法描述
4.3.1算法的基本思想
4.3.2信息素和启发信息的定义
4.3.3解的构造
4.3.4信息素的更新规则
4.3.5局部搜索
4.4信息素下界的选取
4.4.1Stützle和Hoos法的分析
4.4.2自适应方法
4.5实验分析
4.5.1解的评价
4.5.2参数选取
4.5.3性能分析
4.6小结
参考文献
第5章定向问题
5.1问题描述
5.2算法描述
5.2.1启发信息的定义
5.2.2解的构造
5.2.3信息素的更新规则
5.3差异量的性质
5.4平均差异量的计算
5.5实验分析
5.6小结
参考文献
第6章团队定向问题
6.1问题描述
6.2现有算法回顾
6.3算法描述
6.3.1信息素和启发信息的定义
6.3.2解的构造
6.3.3信息素的更新规则
6.3.4局部搜索
6.4实验分析
6.4.1参数设置
6.4.24种构造法的比较
6.4.3与其他算法的比较
6.5小结
参考文献
第7章属性约简
7.1问题描述
7.2现有算法回顾
7.3算法描述
7.3.1边模式蚁群算法
7.3.2团模式蚁群算法
7.3.3点模式蚁群算法
7.4实验分析
7.5小结
参考文献
第8章卫星资源调度问题
8.1问题描述
8.1.1卫星测控基本概念
8.1.2卫星测控资源调度
8.2卫星测控资源调度模型
8.2.1决策变量的选择
8.2.2约束条件的描述
8.2.3卫星测控资源调度数学模型
8.3卫星测控资源调度问题求解
8.3.1蚁群算法
8.3.2解的构造
8.3.3实验结果
8.4小结
参考文献
第9章旅游路线规划问题
9.1引言
9.2问题描述
9.3旅游路线规划问题的数学模型
9.4相关算法
9.4.1GLS（Guided Local Search）
9.4.2GRASP（Greedy Random Adaptive
Search Procedure）
9.4.3烟花算法
9.5蚁群算法及其分析
9.6小结
参考文献
第10章多目标组合优化问题
10.1引言
10.2多目标优化的基本概念
10.3基于分解的多目标蚁群算法
10.3.1MOEA/DACO求解MOKP
10.3.2MOEA/DACO求解MTSP
10.4与MOEA/DGA 在MOKP上的比较
10.4.1实验条件
10.4.2性能评价指标
10.4.3结果比较
10.5与BicriterionAnt在MTSP上的比较
10.5.1实验条件
10.5.2实验结果
10.6小结
参考文献
附录
序言
前言
最优化是人类决策的基本准则。智能优化方法作为一类重要的优化方法，通过模拟自然界中的智能行为或现象，在可接受的时间内，得到问题的满意解。智能计算具有很强的适应性，易于实现，广泛应用于工业生产和社会生活中的复杂大规模优化问题，受到国内外学术界和工业界的极大关注。
蚁群智能优化方法是一类重要的智能优化方法，已经用于解决许多复杂的优化问题。本书在总结主流智能优化方法的基础上，介绍了蚁群智能优化方法的基本思想和基本要素，同时，详细阐述了蚁群智能优化方法的算法改进和理论研究等方面的研究成果。
蚁群智能优化方法原理较简单，但实现起来却并不简单。它的成功应用依赖于使用者对算法原理、待解决问题的理解程度，也依赖于算法编程实现。本书着重讲述了作者在用蚁群智能优化方法解决旅行商问题、背包问题、定向问题、属性约简、卫星资源调度问题以及多目标组合优化问题等复杂组合优化问题时的设计思路，有助于读者更好地理解和掌握蚁群智能优化方法，并用于解决其他难题。
本书共10章。第1章讲述智能优化方法的基本概念及其重要性；第2章给出蚁群智能优化方法的基本原理和算法要素，概述其国内外研究现状；在后续的各个章节中，针对8个问题讲述如何利用蚁群智能优化方法进行算法设计和分析。
本书适合计算机、自动化等专业本科生和研究生用于了解和学习蚁群智能优化方法等智能计算方法，也可作为科研工作者和工程技术人员的参考书。
本书得到国家自然科学基金项目（编号：61573277）和陕西省自然科学基金（编号： 2015JM6316）的资助以及宇航动力学国家重点实验室开放基金的支持，在此表示诚挚感谢。本书的完成得益于冯祖仁教授、张青富教授和李晶研究员的指导。
由于作者水平有限，书中难免有各种不足，敬请读者不吝批评指正。
作者2017年3月
文摘
第3章旅行商问题
3.1引言
旅行商（TSP）问题是一类经典优化问题，与它相关的优化算法不胜枚举。经典蚁群算法已经用于求解旅行商问题，并得到很好的结果。但是，在蚁群算法中，信息素直接影响着整个搜索过程。在信息素更新时利用到目标函数值，这固然有其合理性，但目标函数值的变化规律难以预知，这给算法的参数设置带来很大的困难。另外，Blum和Dorigo指出对于两个呈常数比例的目标函数，即使基本蚁群算法采用完全相同的参数，算法性能却可能不同，文献［2］指出在一定条件下算法具有不变性。这显然不是人们所期望的［1］。针对这些问题，本章提出一种有限级信息素蚁群算法。
3.2算法描述
实验发现，MMAS和ACS具有以下共同特点：
(1) 参数的设置是依赖问题的，几乎没有规律可循，而且算法对参数比较敏感。
(2) 在算法的运行过程中，信息素是按照指数下降的，这是算法易于早熟的一个原因。
(3) 在算法的运行过程中，大量的信息素相同或相近。实际上，如果弧上的信息素相近，它们被选取的概率差异非常小，可以近似地把它们看成是等同的。
受此启发，有限级信息素蚁群算法把信息素分成有限个级别，用完全不同的方式更新信息素，并且信息素的更新量与目标函数值无关。为了阐述其工作原理并研究其性能，以TSP为测试问题。算法的主要流程如下：
步骤1，设定参数，初始化信息素；
步骤2，按照路径选择规则构造问题的解；
步骤3，按照信息素更新规则更新信息素；
步骤4，判断停止条件是否满足，若满足，算法终止； 否则返回到步骤2。
在算法实现中，信息素被分成有限个级别，不同的级别按照一定的映射关系对应不同实数值，这样相同级别的弧的信息素相同。信息素更新通过级别的变动实现，对于当前最优弧，提高其级别，对于其他的弧，降低其级别。更新时只用加、减法。
蚁群智能优化方法是一类全局寻优能力强、适用面广、且易于实现的优化方法。虽然其原理较简单，但实现起来却并不简单。它的成功应用依赖于使用者对算法原理、待解决问题的理解程度，也依赖于算法编程实现。本书着重讲述了作者在用蚁群智能优化方法来解决旅行商问题、背包问题、定向问题、属性约简、卫星资源调度问题以及多目标组合优化问题等复杂组合优化问题时的设计思路，有助于读者更好理解和掌握蚁群智能优化方法，并用于解决其他难题。
媒体推荐
本书在简要阐述智能优化方法相关理论的基础上，介绍了蚁群智能优化方法的基本原理与算法主要要素等基本内容。同时，介绍蚁群智能优化方法在旅行商问题、背包问题、定向问题、属性约简、卫星资源调度问题以及多目标组合优化问题等复杂组合优化问题的应用示例，详细阐述蚁群智能优化方法在具体应用中的的基本设计方法以及算法性能改善的有效途径。本书适合作为从事智能优化方法及其应用研究的相关科技工作者、专业技术人员的参考书，也可作为计算机学科、控制科学等专业研究生和高年级本科生学习蚁群智能优化方法的指导用书。
作者简介
作者：柯良军
柯良军, 西安交通大学电信学院副教授，博士生导师。研究领域为复杂系统建模与优化、模式识别，主要包括资源调度、物流、多目标优化、鲁棒优化。主持国家自然科学基金等科研项目。研究成果在IEEE transaction on Cybernetics、 European Journal of Operational Research、Omega等国际权威期刊发表。
目录
目录
第1章绪章
1.1引言
1.2复杂性理论的基础知识
1.2.1算法的复杂度
1.2.2问题的复杂度
1.3智能优化方法概述
1.3.1常用的智能优化方法
1.3.2智能优化方法的一般框架
1.3.3智能优化方法分类
1.3.4智能优化方法的特点
1.4本书内容及组织
参考文献
第2章蚁群优化方法概述
2.1蚁群算法的思想起源
2.2蚁群算法的基本框架
2.3基本蚁群算法及其典型改进算法
2.3.1基本蚁群算法
2.3.2蚁群系统
2.3.3最大最小蚂蚁系统
2.4蚁群算法研究现状
2.4.1蚁群算法的应用
2.4.2蚁群算法的改进
2.4.3蚁群算法的理论研究
2.5小结
参考文献
第3章旅行商问题
3.1引言
3.2算法描述
3.3算法随机模型与收敛性质分析
3.4参数设置和数值实验分析
3.4.1参数设置
3.4.2与其他改进蚁群算法的比较
3.5小结
参考文献
第4章多维背包问题
4.1问题描述
4.2现有算法回顾
4.3算法描述
4.3.1算法的基本思想
4.3.2信息素和启发信息的定义
4.3.3解的构造
4.3.4信息素的更新规则
4.3.5局部搜索
4.4信息素下界的选取
4.4.1Stützle和Hoos法的分析
4.4.2自适应方法
4.5实验分析
4.5.1解的评价
4.5.2参数选取
4.5.3性能分析
4.6小结
参考文献
第5章定向问题
5.1问题描述
5.2算法描述
5.2.1启发信息的定义
5.2.2解的构造
5.2.3信息素的更新规则
5.3差异量的性质
5.4平均差异量的计算
5.5实验分析
5.6小结
参考文献
第6章团队定向问题
6.1问题描述
6.2现有算法回顾
6.3算法描述
6.3.1信息素和启发信息的定义
6.3.2解的构造
6.3.3信息素的更新规则
6.3.4局部搜索
6.4实验分析
6.4.1参数设置
6.4.24种构造法的比较
6.4.3与其他算法的比较
6.5小结
参考文献
第7章属性约简
7.1问题描述
7.2现有算法回顾
7.3算法描述
7.3.1边模式蚁群算法
7.3.2团模式蚁群算法
7.3.3点模式蚁群算法
7.4实验分析
7.5小结
参考文献
第8章卫星资源调度问题
8.1问题描述
8.1.1卫星测控基本概念
8.1.2卫星测控资源调度
8.2卫星测控资源调度模型
8.2.1决策变量的选择
8.2.2约束条件的描述
8.2.3卫星测控资源调度数学模型
8.3卫星测控资源调度问题求解
8.3.1蚁群算法
8.3.2解的构造
8.3.3实验结果
8.4小结
参考文献
第9章旅游路线规划问题
9.1引言
9.2问题描述
9.3旅游路线规划问题的数学模型
9.4相关算法
9.4.1GLS（Guided Local Search）
9.4.2GRASP（Greedy Random Adaptive
Search Procedure）
9.4.3烟花算法
9.5蚁群算法及其分析
9.6小结
参考文献
第10章多目标组合优化问题
10.1引言
10.2多目标优化的基本概念
10.3基于分解的多目标蚁群算法
10.3.1MOEA/DACO求解MOKP
10.3.2MOEA/DACO求解MTSP
10.4与MOEA/DGA 在MOKP上的比较
10.4.1实验条件
10.4.2性能评价指标
10.4.3结果比较
10.5与BicriterionAnt在MTSP上的比较
10.5.1实验条件
10.5.2实验结果
10.6小结
参考文献
附录
序言
前言
最优化是人类决策的基本准则。智能优化方法作为一类重要的优化方法，通过模拟自然界中的智能行为或现象，在可接受的时间内，得到问题的满意解。智能计算具有很强的适应性，易于实现，广泛应用于工业生产和社会生活中的复杂大规模优化问题，受到国内外学术界和工业界的极大关注。
蚁群智能优化方法是一类重要的智能优化方法，已经用于解决许多复杂的优化问题。本书在总结主流智能优化方法的基础上，介绍了蚁群智能优化方法的基本思想和基本要素，同时，详细阐述了蚁群智能优化方法的算法改进和理论研究等方面的研究成果。
蚁群智能优化方法原理较简单，但实现起来却并不简单。它的成功应用依赖于使用者对算法原理、待解决问题的理解程度，也依赖于算法编程实现。本书着重讲述了作者在用蚁群智能优化方法解决旅行商问题、背包问题、定向问题、属性约简、卫星资源调度问题以及多目标组合优化问题等复杂组合优化问题时的设计思路，有助于读者更好地理解和掌握蚁群智能优化方法，并用于解决其他难题。
本书共10章。第1章讲述智能优化方法的基本概念及其重要性；第2章给出蚁群智能优化方法的基本原理和算法要素，概述其国内外研究现状；在后续的各个章节中，针对8个问题讲述如何利用蚁群智能优化方法进行算法设计和分析。
本书适合计算机、自动化等专业本科生和研究生用于了解和学习蚁群智能优化方法等智能计算方法，也可作为科研工作者和工程技术人员的参考书。
本书得到国家自然科学基金项目（编号：61573277）和陕西省自然科学基金（编号： 2015JM6316）的资助以及宇航动力学国家重点实验室开放基金的支持，在此表示诚挚感谢。本书的完成得益于冯祖仁教授、张青富教授和李晶研究员的指导。
由于作者水平有限，书中难免有各种不足，敬请读者不吝批评指正。
作者2017年3月
文摘
第3章旅行商问题
3.1引言
旅行商（TSP）问题是一类经典优化问题，与它相关的优化算法不胜枚举。经典蚁群算法已经用于求解旅行商问题，并得到很好的结果。但是，在蚁群算法中，信息素直接影响着整个搜索过程。在信息素更新时利用到目标函数值，这固然有其合理性，但目标函数值的变化规律难以预知，这给算法的参数设置带来很大的困难。另外，Blum和Dorigo指出对于两个呈常数比例的目标函数，即使基本蚁群算法采用完全相同的参数，算法性能却可能不同，文献［2］指出在一定条件下算法具有不变性。这显然不是人们所期望的［1］。针对这些问题，本章提出一种有限级信息素蚁群算法。
3.2算法描述
实验发现，MMAS和ACS具有以下共同特点：
(1) 参数的设置是依赖问题的，几乎没有规律可循，而且算法对参数比较敏感。
(2) 在算法的运行过程中，信息素是按照指数下降的，这是算法易于早熟的一个原因。
(3) 在算法的运行过程中，大量的信息素相同或相近。实际上，如果弧上的信息素相近，它们被选取的概率差异非常小，可以近似地把它们看成是等同的。
受此启发，有限级信息素蚁群算法把信息素分成有限个级别，用完全不同的方式更新信息素，并且信息素的更新量与目标函数值无关。为了阐述其工作原理并研究其性能，以TSP为测试问题。算法的主要流程如下：
步骤1，设定参数，初始化信息素；
步骤2，按照路径选择规则构造问题的解；
步骤3，按照信息素更新规则更新信息素；
步骤4，判断停止条件是否满足，若满足，算法终止； 否则返回到步骤2。
在算法实现中，信息素被分成有限个级别，不同的级别按照一定的映射关系对应不同实数值，这样相同级别的弧的信息素相同。信息素更新通过级别的变动实现，对于当前最优弧，提高其级别，对于其他的弧，降低其级别。更新时只用加、减法。
| ISBN | 7302465738,9787302465737 |
|---|---|
| 出版社 | 清华大学出版社 |
| 作者 | 柯良军 |
| 尺寸 | 16 |