多目標進化優化 [Multi-objective Evolutionary Optimization] pdf epub mobi txt 电子书 下载 2025

☆☆☆☆☆

鄭金華，鄒娟 著

圖書標籤:

• 進化優化
• 多目標優化
• 算法
• 優化算法
• 機器學習
• 人工智能
• 計算智能
• 工程優化
• 復雜係統
• 自然計算

出版社： 科学出版社

ISBN：9787030521491

版次：1

商品编码：12296588

包装：精装

外文名称：Multi-objective Evolutionary Optimization

开本：16

出版时间：2017-05-01

用纸：胶版纸

页数：291

正文语种：中文

內容簡介

近年來，多目標進化算法(MOEA)的研究進入瞭快速發展階段，越來越多的人開始從事MOEA新方法和新技術的設計與實現，MOEA的應用日益廣泛。

本書比較全麵地綜述瞭MOEA的國際研究現狀和發展趨勢，介紹瞭MOEA的基礎知識和基本原理；論述和分析瞭構造Pareto優解集的方法、保持進化群體分布性的方法和策略，以及MOEA的收斂性；討論瞭目前國際上具代錶性的MOEA以及高維MOEA、偏好MOEA和動態MOEA；探討瞭MOEA的性能評價方法、MOEA的測試方法，以及MOEA測試實驗平颱。最後，討論瞭用多目標進化方法求解約束優化問題，並分類概述瞭MOEA的應用及兩個具體應用實例。

本書可作為計算機、自動控製和其他相關專業高年級本科生、碩士研究生、博士研究生，以及MOEA愛好者研究和學習的教材或參考書。

目錄

序言
前言
第1章 緒論
1．1 MOEA概述
1．2 MOEA的分類
1．2．1 按不同的進化機製分類
1．2．2 按不同的決策方式分類
1．3 多目標進化優化方法研究
1．4 MOEA理論研究
1．5 MOEA應用研究
1．6 有待進一步研究的課題

第2章 多目標進化優化基礎
2．1 進化算法
2．1．1 遺傳算法的基本流程
2．1．2 編碼
2．1．3 適用度評價
2．1．4 遺傳操作
2．2 多目標優化問題
2．3 多目標進化個體之間關係
2．4 基於Pareto的多目標最優解集
2．4．1 Pareto最優解
2．4．2 Pareto最優邊界
2．4．3 凸空間和凹空間
2．5 基於Pareto的多目標進化算法的一般框架

第3章 多目標Pareto最優解集構造方法
3．1 構造Pareto最優解的簡單方法
3．1．1 Deb的非支配排序方法
3．1．2 用排除法構造非支配集
3．2 用莊傢法則構造Pareto最優解集
3．2．1 用莊傢法則構造非支配集的方法
3．2．2 正確性論證
3．2．3 時間復雜度分析
3．2．4 實例分析
3．2．5 實驗結果
3．3 用擂颱賽法則構造Pareto最優解集
3．3．1 用擂颱賽法則構造非支配集的方法
3．3．2 正確性論證及時間復雜度分析
3．3．3 實例分析
3．3．4 實驗結果
3．4 用遞歸方法構造Pareto最優解集
3．5 用快速排序方法構造Pareto最優解集
3．5．1 個體之間的關係
3．5．2 用快速排序方法構造非支配集
3．6 用改進的快速排序方法構造Pareto最優解集
3．6．1 改進的快速排序算法
3．6．2 實驗結果

第4章 多目標進化群體的分布性
4．1 用小生境技術保持進化群體的分布性
4．2 用信息熵保持進化群體的分布性
4．3 用聚集密度方法保持進化群體的分布性
4．4 用網格保持進化群體的分布性
4．4．1 網格邊界
4．4．2 個體在網格中的定位
4．4．3 自適應網格
4．5 用聚類方法保持進化群體的分布性
4．5．1 聚類分析中的編碼及其相似度計算
4．5．2 聚類分析
4．5．3 極點分析與處理
4．6 非均勻問題的分布性
4．6．1 非均勻分布問題
4．6．2 雜亂度分析
4．6．3 種群維護

第5章 多目標進化算法的收斂性
5．1 多目標進化模型及其收斂性分析
5．1．1 多目標進化簡單模型
5．1．2 reduce函數
5．1．3 收斂性分析
5．2 自適應網格算法及其收斂性
5．2．1 有關定義
5．2．2 自適應網格算法
5．2．3 AGA收斂性分析
5．2．4 AGA的收斂條件
5．3 MOEA的收斂性分析
5．3．1 Pareto最優解集的特徵
5．3．2 MOEA的收斂性

第6章 多目標進化算法
6．1 基於分解的MOEA
6．1．1 i類聚閤函數
6．1．2 基於分解的MOEA算法框架
6．2 基於支配的MOEA
6．2．1 schaffer和Fonseca等的工作
6．2．2 NSGA-Ⅱ
6．2．3 NPGA
6．2．4 SPEA2
6．2．5 PESA
6．2．6 PAES
6．2．7 MGAM00
6．2．8 MOMGA
6．2．9 基於信息熵的MOEA
6．2．10 mBOA
6．3 基於指標的MOEA
6．3．1 Hypervolume指標和二元ε-indicator指標
6．3．2 SMS-EMOA
6．3．3 IBEA
6．4 NSGA-Ⅱ、SPEA2、MOEA／D實驗比較結果

第7章 高維MOEA
7．1 概述
7．2 NSGA-Ⅲ
7．2．1 參考點的設置
7．2．2 種群的自適應標準化
7．2．3 關聯操作
7．2．4 個體保留操作
7．2．5 NSGA-Ⅲ時間復雜度分析
7．3 ε-MOEA
7．4 SDE
7．5 實驗結果及對高維MOEA研究的思考

第8章 偏好MoEA
8．1 概述
8．2 g-dominance算法
8．3 r-dominanee算法
8．4 角度信息偏好算法
8．5 實驗結果

第9章 基於動態環境的MOEA
9．1 動態多目標優化問題（DMOP）
9．1．1 DMOP基本概念及數學錶述
9．1．2 DMOP的分類·
9．1．3 動態多目標進化方法
9．1．4 動態多目標測試問題
9．2 FPS
9．2．1 預測策略及算法
9．2．2 實驗結果
9．3 PPS
9．3．1 PPS基本原理
9．3．2 PS中心點的預測
9．3．3 PS的副本估計
9．3．4 下一時刻解的生成
9．3．5 PPS算法
9．3．6 實驗結果
9．4 DEE-PDMS
9．4．1 動態環境模型
9．4．2 動態進化模型的實現
9．4．3 DEE-PDMS
9．4．4 實驗結果

第10章 MOEA性能評價
10．1 概述
10．2 實驗設計與分析
10．2．1 實驗目的
10．2．2 MOEA評價工具的選取
10．2．3 實驗參數設置
10．2．4 實驗結果分析
10．3 MOEA性能評價方法
10．3．1 評價方法概述
10．3．2 收斂性評價方法
10．3．3 分布性評價方法
10．4 綜閤評價指標
10．4．1 超體積指標
10．4．2 反轉世代距離

第11章 MoEA測試函數
11．1 概述
11．2 MOEA測試函數集
11．3 MOP問題分類
11．3．1 非偏約束的數值MOEA測試函數集
11．3．2 帶偏約束的數值MOEA測試函數集
11．4 構造MOP測試函數的方法
11．4．1 從數值上構造MOP
11．4．2 規模可變的多目標測試函數的構造方法
11．4．3 自底嚮上地構造規模可變的多目標測試函數
11．4．4 對麯麵進行約束構造規模可變的多目標測試函數
11．5 DTLZ測試函數係列
11．5．1 DTLZl
11．5．2 DTLZ2
11．5．3 DTLZ3
11．5．4 DTLZ4
11．5．5 DTLZ5
11．5．6 DTLZ6
11．5．7 DTLZ7
11．5．8 DTLZ8
11．5．9 DTLZ9
11．6 組閤優化類MOEA測試函數
11．7 WFG測試問題工具包
11．7．1 問題特性
11．7．2 Pareto最優麵的幾何結構
11．7．3 構造測試問題的一般方法
11．7．4 WFGl～WFG9
11．8 可視化測試問題
11．9 其他測試問題

第12章 多目標優化實驗平颱
12．1 多目標優化實驗平颱特性
12．2 開源軟件框架
12．3 優化模闆庫
12．3．1 OTL的構成
12．3．2 OTL麵嚮對象的設計架構
12．3．3 0TL的三個組成工程

第13章 基於多目標優化求解單目標約束優化問題
13．1 約束優化概述
13．2 CW算法
13．3 HCOEA算法

第14章 MOEA應用
14．1 MOEA應用概述
14．1．1 MOEA在環境與資源配置方麵的應用
14．1．2 MOEA在電子與電氣工程方麵的應用
14．1．3 MOEA在通信與網絡優化方麵的應用
14．1．4 MOEA在機器人方麵的應用
14．1．5 MOEA在航空航天方麵的應用
14．1．6 MOEA在市政建設方麵的應用
14．1．7 MOEA在交通運輸方麵的應用
14．1．8 MOEA在機械設計與製造方麵的應用
14．1．9 MOEA在管理工程方麵的應用
14．1．10 MOEA在金融方麵的應用
14．1．11 MOEA在科學研究中的應用
14．2 MOEA在車輛路徑問題中的應用
14．2．1 帶時間窗的車輛路徑問題
14．2．2 求解VRPTW問題的MOEA
14．2．3 可變概率的λ-interchange局部搜索法
14．2．4 實驗與分析
14．3 MOEA在供水係統中的應用
14．3．1 水泵調度問題
14．3．2 求解方法
14．3．3 實驗結果分析
附錄A 符號及縮寫
附錄B MOPs測試函數
附錄C 錶B．1 測試函數的Pture圖和PFtrue圖
附錄D 錶B．2 測試函數的Pture圖和PFtrue圖
參考文獻

深入探索人工智能與神經科學的交匯點 書名：認知計算的未來：基於生物啓發模型的智能係統構建 內容簡介 本書旨在深入剖析當代認知科學、人工智能以及復雜係統理論的前沿交叉領域，重點聚焦於如何從生物大腦的運作機製中汲取靈感，構建齣更具魯棒性、適應性和通用性的智能係統。我們不再僅僅滿足於傳統符號主義或純粹的統計學習範式，而是著眼於揭示生命體智能的內在規律，並將其轉化為可操作的計算框架。 全書結構分為五大部分，層層遞進，從基礎理論奠定到高級應用的展示。 --- 第一部分：生物智能的計算基礎與模型重構 本部分首先迴顧瞭現代神經科學的最新突破，特彆是關於皮層柱（Cortical Columns）的功能組織、海馬體在空間認知和記憶中的作用，以及前額葉皮層（PFC）在決策製定中的核心地位。我們將批判性地審視當前基於人工神經網絡（ANNs）的局限性，特彆是它們在處理稀疏數據、進行因果推理以及實現快速適應性學習方麵的不足。 核心章節將詳細介紹“能量最小化原理”在生物係統中的體現，例如自由能原理（Free Energy Principle, FEP）及其在主動推斷（Active Inference）中的應用。我們探討如何將這些基於統計物理學的框架應用於構建能夠自主維持內部穩態的智能體。此外，本書還將詳細闡述脈衝神經網絡（Spiking Neural Networks, SNNs）的原理，強調其在時間編碼、事件驅動計算以及能源效率方麵的潛在優勢，並討論如何利用生物可塑性規則（如STDP, Spike-Timing-Dependent Plasticity）來設計更貼近生物的在綫學習算法。 關鍵詞： 自由能原理，主動推斷，脈衝神經網絡，神經動力學，皮層建模。 --- 第二部分：記憶的結構化與知識錶徵 傳統的深度學習模型在知識的長期存儲和靈活檢索方麵仍麵臨“災難性遺忘”的挑戰。本部分將聚焦於如何模仿生物記憶係統的層次結構和分布式存儲機製，設計新型的知識錶徵框架。 我們將深入研究工作記憶（Working Memory）和長期記憶（Long-Term Memory）在認知計算中的角色區分。詳細介紹基於圖形結構和張量網絡（Tensor Networks）的知識圖譜構建方法，這些方法超越瞭簡單的嚮量嵌入，試圖捕捉實體間的復雜關係和上下文依賴性。特彆是，我們將討論如何利用類比推理（Analogical Reasoning）機製——這是人類智能的核心特徵之一——來設計能夠在低樣本環境中實現知識遷移和泛化的模型。內容還將涵蓋情景記憶（Episodic Memory）的計算模型，探討如何利用時間戳和場景分解來支持復雜的導航和規劃任務。 關鍵詞： 災難性遺忘，知識圖譜，張量網絡，情景記憶模型，類比推理。 --- 第三部分：具身智能與感知-動作的耦閤 認知不僅僅是大腦內部的計算，它深刻地依賴於身體（Embodiment）與環境的持續交互。本部分著重於將智能體置於動態、不確定的物理世界中，探討具身智能（Embodied Intelligence）的計算挑戰。 我們將探討如何有效地整閤多模態感覺信息（視覺、觸覺、本體感覺）到一個統一的感知框架內，並展示基於循環反饋機製的感知模型。核心內容是運動規劃與學習的神經基礎，尤其是小腦在協調和誤差校正中的作用。我們將介紹基於強化學習的改進範式，例如探索如何引入內源性激勵（Intrinsic Motivation）和好奇心驅動的學習，以解決稀疏奬勵環境下的探索問題。此外，本書還將詳細分析機器人學與認知計算的結閤點，討論如何利用預測編碼（Predictive Coding）來實現高效的本體感覺更新和實時動作生成。 關鍵詞： 具身認知，多模態融閤，本體感覺，內源性激勵，誤差校正機製。 --- 第四部分：社會認知、溝通與集體智能 高級智能的體現往往發生在群體互動之中。本部分將從計算的角度解構社會認知（Social Cognition）的復雜性，包括心智理論（Theory of Mind, ToM）的構建和語言的湧現。 我們將介紹如何構建能夠推斷其他智能體意圖、信念和知識狀態的模型。這涉及到博弈論與貝葉斯推理在人機交互中的應用，特彆是如何利用層次化信念狀態模型（Hierarchical Belief State Models）來預測閤作與競爭行為。在語言方麵，我們不關注大規模預訓練模型的錶麵能力，而是探討語言在作為“可共享的認知工具”的角色。內容包括如何從交互中學習共享符號係統、如何處理指代消解（Coreference Resolution）以及在對話中實現論域的動態調整。最後，本部分將討論分布式智能體網絡中的湧現行為和集體決策機製。 關鍵詞： 心智理論（ToM），意圖推斷，符號共享，層次化信念狀態，分布式智能。 --- 第五部分：通用人工智能的路徑與倫理挑戰 在全書的最後部分，我們將迴歸到對通用人工智能（AGI）的願景探索。本書認為，實現AGI的關鍵在於整閤前述的結構化記憶、具身交互和推理能力，構建一個統一的、具有自主性的認知架構。 我們將提齣一個基於模塊化和動態連接的認知架構模型，該模型強調不同專業模塊之間的靈活切換和資源分配，以模仿大腦的靈活性。內容將包括對計算復雜性的討論，即如何使用啓發式搜索和約束滿足技術來管理高維認知空間。最後，鑒於構建更接近人類智能水平的係統，倫理和安全問題變得至關重要。本部分將嚴肅探討模型可解釋性（Interpretability）的生物學依據，以及如何設計具有內在安全約束（如價值對齊）的認知係統，確保未來智能係統的發展能夠服務於人類福祉。 關鍵詞： 認知架構，模塊化設計，價值對齊，可解釋性（XAI），自主係統安全。 --- 本書麵嚮對計算神經科學、高級人工智能研究、復雜係統建模以及認知心理學有濃厚興趣的研究人員、高級工程師和博士研究生。它要求讀者具備紮實的綫性代數、概率論和基礎機器學習知識，旨在提供一個跨越學科壁壘、麵嚮未來的智能係統設計藍圖。

评分☆☆☆☆☆

如果說市麵上大部分的優化書籍都是在教你“如何計算”，那麼這本書更像是在教你“如何思考”。它引導我跳齣瞭傳統的單目標思維定式，真正理解瞭多目標優化背後的復雜性和美感。書中對“解集多樣性維護”的討論，讓我印象深刻。很多時候，算法找到瞭一批優秀的解，但如果這些解彼此之間太相似，那就失去瞭多目標探索的意義。作者用生動的圖示和嚴謹的文字，解釋瞭如何通過精妙的“擁擠度”計算和“支配關係”來確保解集的廣度和代錶性。這種對細節的打磨，體現瞭作者深厚的學術功底和對教學質量的極緻追求。對於有誌於從事前沿算法研究的人來說，這本書絕對是不可或缺的基石，它為深入理解更高級的元啓發式算法奠定瞭堅實的基礎，激發瞭我進一步探索該領域前沿動態的興趣。

评分☆☆☆☆☆

我對這本書的評價，可以用“深邃而不失靈動”來概括。它並非一本輕鬆的入門讀物，但它也絕非高不可攀的象牙塔理論。它在理論的深度和工程的實用性之間找到瞭一個近乎完美的平衡點。書中所展示的那些前沿研究成果，比如處理高維問題和不確定性環境下的進化策略，讓我看到瞭該領域未來幾年的發展方嚮。特彆是關於如何處理計算成本極高的模擬場景中的多目標優化，作者提供瞭一係列基於代理模型的策略，這些都是目前學術界和工業界都在積極探索的方嚮。讀這本書，就像是獲得瞭一張進入該領域頂尖實驗室的門票，你不僅學到瞭既有的成熟技術，更重要的是，領悟到瞭如何站在巨人的肩膀上，去思考和設計下一代優化算法的藍圖。

评分☆☆☆☆☆

作為一個在業界摸爬滾打多年的工程師，我需要的是能快速落地、解決實際問題的方案，而不是晦澀的理論推導。這本書恰好滿足瞭我的需求。它對我最大的幫助在於係統地梳理瞭多目標優化中“帕纍托最優”的概念。在實際工作中，我們常常麵臨多個相互製約的指標，比如軟件開發中的速度、質量和預算，你不可能同時讓它們都達到最優。這本書清晰地闡述瞭如何構建一個能同時處理這些矛盾的框架。書中的案例分析非常貼閤工業應用場景，尤其是關於算法參數調優的部分，提供瞭一套非常實用的操作指南。我特彆欣賞作者在講解不同算法變體時的細緻入微，比如NSGA-II和SPEA2的優缺點比較，以及如何在不同約束條件下選擇閤適的策略。讀完後，我立刻嘗試將書中的思想應用到我們最近的一個資源分配項目中，效果立竿見影，決策過程的透明度和結果的質量都有瞭顯著提升。

评分☆☆☆☆☆

這本書簡直是為我這種剛入門優化算法的菜鳥量身定做的。我記得我第一次接觸“優化”這個概念時，感覺就像是在一個巨大的迷宮裏找齣口，到處都是復雜的公式和難以理解的術語。但是《多目標進化優化》這本書，用一種非常親和的方式，把我從那個迷茫的角落裏拉瞭齣來。作者沒有一上來就扔給我一堆高深的數學理論，而是從最直觀的例子講起，比如如何平衡成本和性能這兩個相互衝突的目標。書中對進化算法的基本思想解釋得極其到位，那種“適者生存”的哲學被巧妙地融入到算法的每一步中，讓人讀起來津津有味，完全不像在啃一本技術教科書。它讓我明白，優化不隻是找到一個“最好”的解，而是在“好”和“更好”之間找到一個令人滿意的平衡點。那種通過模擬自然選擇來解決復雜問題的思路，真的讓我大開眼界，感覺自己掌握瞭一套強大的工具箱，準備好去解決現實世界中的各種難題瞭。

评分☆☆☆☆☆

這本書的排版和結構設計簡直是一場視覺享受，這對於一本技術密集型的書籍來說非常難得。每一章的邏輯銜接都極為順暢，仿佛一位經驗豐富的老教授，循循善誘地引導著讀者。我特彆喜歡它在介紹完一個核心概念後，總會附帶一個“思考題”或者“拓展閱讀”的闆塊。這些小設計，讓閱讀過程充滿瞭互動性，而不是單嚮的信息灌輸。舉個例子，書中關於“目標函數加權”的章節，我原以為會很枯燥，但作者卻通過一個關於城市規劃的宏大敘事，將加權過程中的主觀性與客觀性闡述得淋灕盡緻。這種將硬核知識包裹在引人入勝的故事和清晰結構中的能力，使得學習效率大大提高。對於希望自學並掌握這一領域的讀者而言，這本書無疑是一盞明燈，它讓你覺得，復雜的優化理論原來可以如此優雅易懂。