学习型智能优化算法及其应用

智能优化方法的新思路、新手段，将各种优化算法集成起来构成新的高效优化方法。

本书在现有智能优化方法的基础上，探索学习型智能优化方法的基本框架。书中采用智能优化模型和知识模型相结合的集成建模思路，总结了精英个体知识、构件知识、算子知识和参数知识4种知识形式，构建了用于实现学习型智能优化方法的8类典型知识，以此辅助学习型智能优化方法高效地求解复杂优化问题。针对连续优化问题、离散优化问题（非对称旅行商问题、双层CARP优化问题、柔性作业车间调度问题）和实际工程问题（体系仿真优化问题、卫星地面站系统任务调度问题、多星任务规划问题），分别设计了若干种学习型智能优化算法，并对优化结果进行了分析和解释。
本书主要面向在运筹学领域研究智能优化方法的企业、高校与科研院所的研究人员，帮助读者了解学习型智能优化算法的基本原理与框架流程，提高读者对学习型智能优化算法的实践与应用能力，促进学习型智能优化算法的发展与完善。

佛山科学技术学院特聘三级教授，2009在国防科学技术大学获管理学博士，主要研究方向为智能优化、资源调度及任务规划等。博士论文被评为全国很好博士学位论文，在靠前外期刊上发表80余篇论文（SCI检索30余篇），所发论文共被引用700余次，一篇论文入选ESI引用前1%论文，六篇论文入选ESI引用前10%论文。相关研究成果分别荣获湖南省自然科学二等奖（第二完成.人）、吴文俊人工智能科学技术二等奖（独立署名）和武警科学技术进步二等奖（第四完成.人）。入选湖湘青年科技创新创业平台培养对象和教育部“新世纪很好人才支持计划”；获得国防科学技术大学杰出青年项目和湖南省自然科学杰出青年基金项目。出版专著4部，获得11项国家发明授权，主持国家自然科学基金等项目10余项，目前正在带领团队研发面向新型遥感卫星的星上自主任务规划平台。

章绪论

1.1背景及意义

1.1.1背景

1.1.2动机

1.2智能优化方法

1.3知识导向的智能优化算法

1.3.1传统人工智能引导的智能优化算法

1.3.2特定知识模型引导的智能优化算法

1.3.3具有双层进化机制的文化算法

1.4章节结构

第2章学习型智能优化方法

2.1学习型智能优化相关理论

2.1.1知识

2.1.2知识模型

2.1.3遗传算法

2.1.4蚁群算法

2.1.5学习型智能优化的基本框架

2.1.6学习型智能优化的运行机制

2.2学习型智能优化中的知识

2.2.1精英个体知识

2.2.2构件知识

2.2.3算子知识

2.2.4参数知识

2.3学习型智能优化算法的框架与流程

2.3.1求解函数优化问题的学习型遗传算法框架与流程

2.3.2求解非对称旅行商问题的学习型遗传算法框架与
流程

2.3.3求解双层CARP优化问题的学习型遗传算法框架与
流程

2.3.4求解双层CARP优化问题的学习型蚁群算法框架与
流程

2.3.5求解柔性作业车间调度问题的学习型蚁群算法框架与
流程

2.3.6求解柔性作业车间调度问题的学习型协同进化算法框架与
流程

2.3.7求解体系仿真优化问题的学习型遗传算法框架与
流程

2.3.8求解卫星地面站系统任务调度的学习型蚁群算法框架与
流程

2.3.9求解多星任务规划问题的学习型蚁群算法框架与
流程

2.4本章小结

第3章求解函数优化问题的学习型遗传算法

3.1问题描述及特点分析

3.2求解过程

3.2.1种群初始化

3.2.2选择操作

3.2.3交叉操作

3.2.4变异操作

3.2.5灾变操作

3.2.6终止条件

3.3实验结果及分析

3.3.1参数设置

3.3.2几种典型的函数优化方法

3.3.3普通测试函数的实验结果

3.3.4组合测试函数的实验结果

3.4本章小结

第4章求解非对称旅行商问题的学习型遗传算法

4.1问题描述及特点分析

4.1.1旅行商问题描述

4.1.2旅行商问题的分类

4.1.3旅行商问题的应用和价值

4.1.4旅行商问题的计算复杂性

4.2求解过程

4.2.1种群初始化操作

4.2.2选择操作

4.2.3交叉操作

4.2.4变异操作

4.2.5种群替换操作

4.2.6局部优化操作

4.2.7终止条件

4.3实验结果及分析

4.4本章小结

第5章求解双层CARP优化问题的学习型遗传算法和学习型蚁群
算法

5.1问题描述及特点分析

5.1.1双层CARP优化问题的相关术语

5.1.2双层CARP优化问题的数学模型

5.1.3双层CARP优化问题的简单实例

5.1.4双层CARP优化问题的特点

5.2求解框架

5.2.1双层CARP优化问题的求解框架

5.2.2宏观配置优化方法

5.2.3扩展启发式方法ERPS

5.2.4扩展启发式方法ERUH

5.3求解过程

5.3.1学习型遗传算法求解过程

5.3.2学习型蚁群算法求解过程

5.4学习型遗传算法的实验结果及分析

5.4.1实验设计和参数设置

5.4.2LEGA1和LEGA2的比较实验

5.4.3LEGA2和LEGA3的比较实验

5.4.4ERPS和LEGA3的比较实验

5.4.5ERUH和LEGA3的比较实验

5.4.6不同方法的优化曲线

5.5学习型蚁群算法的实验结果及分析

5.5.1实验设计和参数设置

5.5.2ERPS和LEACO的实验结果

5.5.3ERUH和LEACO的实验结果

5.5.4LEGA和LEACO的实验结果

5.6本章小结

第6章求解柔性作业车间调度问题的学习型蚁群算法和学习型协同
进化算法

6.1问题描述及特点分析

6.1.1柔性作业车间调度问题的描述

6.1.2柔性作业车间调度问题的分类

6.1.3柔性作业车间调度问题的特点

6.1.4柔性作业车间调度问题的求解过程

6.2求解过程

6.2.1学习型蚁群算法求解过程

6.2.2学习型协同进化算法求解过程

6.3学习型蚁群算法的实验结果及分析

6.4学习型协同进化算法的实验结果及分析

6.5本章小结

第7章求解体系仿真优化问题的学习型遗传算法

7.1问题描述

7.1.1体系实例

7.1.2数学模型

7.2求解过程

7.2.1分层优化方法

7.2.2学习型遗传算法步骤

7.3实验结果及分析

7.4本章小结

第8章求解卫星地面站系统任务调度的学习型蚁群算法

8.1问题描述

8.2求解过程

8.2.1信息素的定义和初始化

8.2.2可行解的构造

8.2.3导向局部搜索方法

8.2.4信息素的更新

8.2.5终止准则

8.3实验结果及分析

8.4本章小结

第9章求解多星任务规划问题的学习型蚁群算法

9.1问题描述

9.1.1多星任务规划的基本输入要素

9.1.2多星任务规划的基本约束条件

9.1.3多星任务规划的基本输出要素

9.1.4多星任务规划的基本假设

9.1.5多星任务规划问题分析

9.2问题建模

9.2.1数学符号

9.2.2元任务

9.2.3合成任务

9.2.4收益函数构造

9.2.5多星任务规划模型

9.3求解过程

9.3.1知识初始化

9.3.2任务指派

9.3.3任务合成

9.3.4调度改进

9.3.5知识学习

9.3.6终止准则

9.4实验结果及分析

9.4.1测试实例的构造

9.4.2实验结果及分析

9.5本章小结

0章总结与展望

10.1主要成果

10.2研究展望

参考文献

索引

附录A函数优化问题的一些普通测试函数

附录B函数优化问题的一些组合测试函数

附录C双层CARP优化问题的测试实例

附录D双层CARP优化问题的最优下限估计方法

D.1服务成本的最优下限估计

D.2空车成本的最优下限估计

D.3仓库构建成本的最优下限估计

D.4车辆购置成本的最优下限估计

附录E英汉排序与调度词汇

最优化技术在科学和工程等领域都有非常广泛的应用，理论界和工程界都对其进行了热切关注和深入研究。优化理论与算法的研究已成为一个具有理论意义和应用价值的热点课题。智能优化方法模仿自然现象的运行机制而产生，为解决复杂工程问题提供了新思路和新手段。最优化理论领域的“无免费午餐”定理说明算法混合是有效提高优化性能的一种手段，将各种算法有效地集成起来构成新的高效的优化方法是一个非常有价值的研究方向。
在现有智能优化方法的基础上，本书建立了学习型智能优化方法的基本框架。该框架采用智能优化模型和知识模型相结合的集成建模思路： 智能优化模型按照“邻域搜索”策略对优化问题的可行空间进行搜索； 知识模型从前期优化过程中挖掘有用知识，然后采用知识来指导智能优化模型的后续优化过程。构建学习型智能优化的基本框架，可以将智能优化模型和知识模型有效地结合起来，极大地提高了学习型智能优化方法的优化效果。学习型智能优化方法的基本框架为现有优化方法的改进提供了一种有益的借鉴。
本书提出了精英个体知识、构件知识、算子知识和参数知识4种知识形式，为学习型智能优化方法嵌入知识奠定了重要基础； 构建了用于实现学习型智能优化方法的8类典型知识，可辅助学习型智能优化方法高效地求解复杂优化问题。
针对连续优化问题，本书设计并实现了一种求解函数优化问题的学习型遗传算法。采用21个标准测试函数进行实验，结果表明学习型遗传算法在优化性能方面优于近期公开发表的3种方法。
针对离散优化问题，本书设计并实现了求解3类典型离散优化问题的5种学习型智能优化算法。基于标准测试实例的实验结果表明，学习型智能优化算法在优化性能方面优于已经公开发表的多种方法。
针对实际工程问题，本书将学习型遗传算法和学习型蚁群算法分别应用于体系仿真优化问题、卫星地面站系统任务调度问题和多星任务规划问题，获得了非常满意的实验结果。
本书主要面向在运筹学领域研究智能优化方法的企业、高校与科研院所的研究人员，帮助读者了解学习型智能优化算法的基本原理与框架流程，提高读者对学习型智能优化算法的实践与应用能力，促进学习型智能优化算法的发展与完善。


作者
2018年10月