多目標進化優(yōu)化（精）

序言
前言
第1章 緒論
1．1 MOEA概述
1．2 MOEA的分類
1．2．1 按不同的進化機制分類
1．2．2 按不同的決策方式分類
1．3 多目標進化優(yōu)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(yōu)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(yōu)化問題
2．3 多目標進化個體之間關系
2．4 基于Pareto的多目標最優(yōu)解集
2．4．1 Pareto最優(yōu)解
2．4．2 Pareto最優(yōu)邊界
2．4．3 凸空間和凹空間
2．5 基于Pareto的多目標進化算法的一般框架
第3章 多目標Pareto最優(yōu)解集構造方法
3．1 構造Pareto最優(yōu)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 用莊家法則構造Pareto最優(yōu)解集
3．2．1 用莊家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 用擂臺賽法則構造Pareto最優(yōu)解集
3．3．1 用擂臺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(yōu)解集
3．5 用快速排序方法構造Pareto最優(yōu)解集
3．5．1 個體之間的關系
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(yōu)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(wǎng)格保持進化群體的分布性
4．4．1 網(wǎng)格邊界
4．4．2 個體在網(wǎng)格中的定位
4．4．3 自適應網(wǎng)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(shù)
5．1．3 收斂性分析
5．2 自適應網(wǎng)格算法及其收斂性
5．2．1 有關定義
5．2．2 自適應網(wǎng)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(yōu)解集的特征
5．3．2 MOEA的收斂性
第6章 多目標進化算法
6．1 基于分解的MOEA
6．1．1 i類聚合函數(shù)
6．1．2 基于分解的MOEA算法框架
6．2 基于支配的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 基于信息熵的MOEA
6．2．10 mBOA
6．3 基于指標的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(lián)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 基于動態(tài)環(huán)境的MOEA
9．1 動態(tài)多目標優(yōu)化問題（DMOP）
9．1．1 DMOP基本概念及數(shù)學表述
9．1．2 DMOP的分類·
9．1．3 動態(tài)多目標進化方法
9．1．4 動態(tài)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(tài)環(huán)境模型
9．4．2 動態(tài)進化模型的實現(xiàn)
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(shù)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 綜合評價指標
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(shù)
11．1 概述
11．2 MOEA測試函數(shù)集
11．3 MOP問題分類
11．3．1 非偏約束的數(shù)值MOEA測試函數(shù)集
11．3．2 帶偏約束的數(shù)值MOEA測試函數(shù)集
11．4 構造MOP測試函數(shù)的方法
11．4．1 從數(shù)值上構造MOP
11．4．2 規(guī)模可變的多目標測試函數(shù)的構造方法
11．4．3 自底向上地構造規(guī)模可變的多目標測試函數(shù)
11．4．4 對曲面進行約束構造規(guī)?？勺兊亩嗄繕藴y試函數(shù)
11．5 DTLZ測試函數(shù)系列
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 組合優(yōu)化類MOEA測試函數(shù)
11．7 WFG測試問題工具包
11．7．1 問題特性
11．7．2 Pareto最優(yōu)面的幾何結構
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(yōu)化實驗平臺
12．1 多目標優(yōu)化實驗平臺特性
12．2 開源軟件框架
12．3 優(yōu)化模板庫
12．3．1 OTL的構成
12．3．2 OTL面向?qū)ο蟮脑O計架構
12．3．3 0TL的三個組成工程
第13章 基于多目標優(yōu)化求解單目標約束優(yōu)化問題
13．1 約束優(yōu)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(huán)境與資源配置方面的應用
14．1．2 MOEA在電子與電氣工程方面的應用
14．1．3 MOEA在通信與網(wǎng)絡優(yōu)化方面的應用
14．1．4 MOEA在機器人方面的應用
14．1．5 MOEA在航空航天方面的應用
14．1．6 MOEA在市政建設方面的應用
14．1．7 MOEA在交通運輸方面的應用
14．1．8 MOEA在機械設計與制造方面的應用
14．1．9 MOEA在管理工程方面的應用
14．1．10 MOEA在金融方面的應用
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在供水系統(tǒng)中的應用
14．3．1 水泵調(diào)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(shù)
附錄C 表B．1 測試函數(shù)的Pture圖和PFtrue圖
附錄D 表B．2 測試函數(shù)的Pture圖和PFtrue圖
參考文獻