基本信息
- 出版社 : 电子工业出版社; 第1版 (2018年3月29日)
- 出版日期 : 2018年1月1日
- 品牌 : 电子工业出版社
- 语言 : 简体中文
- 文件大小 : 54729 KB
- 包子阳 (作者), 等 (作者)
- 下载格式：azw3、epub、mobi
内容简介
智能优化算法在解决大空间、非线性、全局寻优、组合优化等复杂问题方面具有独特的优势，因而得到了国内外学者的广泛关注，并在信号处理、图像处理、生产调度、任务分配、模式识别、自动控制和机械设计等众多领域得到了成功应用。本书介绍了8种经典智能优化算法――遗传算法、差分进化算法、免疫算法、蚁群算法、粒子群算法、模拟退火算法、禁忌搜索算法和神经网络算法的来源、原理、算法流程和关键参数说明，并给出了具体的MATLAB仿真实例。对于要用这些算法工具来解决具体问题的理论研究和工程技术人员，通过本书可以节省大量查询资料和编写程序的时间，通过仿真实例可以更深入地理解、快速地掌握这些算法。
作者简介
包子阳：2009年6月毕业于电子科技大学信号与信息处理专业，获硕士学位。2009年8月至今工作于北京无线电测量研究所，高级工程师。从事雷达电气总体、信号处理和算法研究等工作，申请专利五项（已授权两项），在国际雷达会议、《系统工程与电子技术》、《现代雷达》、《电子技术应用》、全国天线年会等发表学术论文十余篇。
前言
前言
近年来，随着计算机技术的快速发展，为了在一定程度上解决大空间、非线性、全局寻优、组合优化等复杂问题，不少智能优化方法不断涌现，例如：进化类算法、群智能算法、模拟退火算法、禁忌搜索算法和神经网络算法等。因其独特的优点和机制，这些算法得到了国内外学者的广泛关注，掀起了研究热潮，在信号处理、图像处理、生产调度、任务分配、模式识别、自动控制和机械设计等众多领域得到了成功应用。
本书介绍了8种经典智能优化算法的来源、原理、算法流程和关键参数说明，并给出了具体MATLAB仿真实例，包括：遗传算法、差分进化算法、免疫算法、蚁群算法、粒子群算法、模拟退火算法、禁忌搜索算法和神经网络算法。全书分为9章：第1章为概述，综合介绍智能优化算法的功能和应用以及主要算法的来源、原理和特点；第2～9章对上述8种智能优化算法分别进行介绍，包括其算法简介、算法理论、算法主要种类、算法流程和关键参数说明，并给出MATLAB仿真实例，其中有的章节还介绍算法的改进方向和实现方法。
智能优化算法可应用于电子、通信、计算机、自动化、机器人、经济学和管理学等众多学科；对于要用这些算法工具来解决具体问题的理论研究和工程技术人员来说，通过本书可以节省大量查询资料和编写程序的时间，通过MATLAB仿真实例可以更深入地理解、快速地掌握这些算法。由于每种算法的优化目标可以很多，对应的修正算法也很多，感兴趣的读者可以在此基础上进行深入研究。
本书的第1～4章和第7～9章由包子阳编写和修订；第5章和第6章由余继周编写和修订；杨杉参与第2章和第6章的修订以及对全书的审查和校正。书中的所有源程序均可在电子工业出版社网站（www.phei.com.cn）免费下载。在本书改版过程中，得到了北京无线电测量研究所人力资源处刘纪斌老师、档信中心董智文主任、《航天雷达》郭珊珊编辑、党办陈佳佳老师、所办郭少霞老师以及总体部的支持和帮助，电子工业出版社相关编辑为本书的出版付出了辛勤劳动，特此表示感谢。
由于编著者水平有限，书中难免有各种不足之处，诚挚希望各位专家和读者批评指正。联系方式：bao_ziyang@163．com。
编著者
2017年11月
精彩书摘
优化问题是指在满足一定条件下，在众多方案或参数值中寻找最优方案或参数值，以使得某个或多个功能指标达到最优，或使系统的某些性能指标达到最大值或最小值。优化问题广泛地存在于信号处理、图像处理、生产调度、任务分配、模式识别、自动控制和机械设计等众多领域[1]。优化方法是一种以数学为基础，用于求解各种优化问题的应用技术。各种优化方法在上述领域得到了广泛应用，并且已经产生了巨大的经济效益和社会效益。实践证明，通过优化方法，能够提高系统效率，降低能耗，合理地利用资源，并且随着处理对象规模的增加，这种效果也会更加明显[2]。
在电子、通信、计算机、自动化、机器人、经济学和管理学等众多学科中，不断地出现了许多复杂的组合优化问题。面对这些大型的优化问题，传统的优化方法（如牛顿法、单纯形法等）需要遍历整个搜索空间，无法在短时间内完成搜索，且容易产生搜索的“组合爆炸”[1]。例如，许多工程优化问题，往往需要在复杂而庞大的搜索空间中寻找最优解或者准最优解。鉴于实际工程问题的复杂性、非线性、约束性以及建模困难等诸多特点，寻求高效的优化算法已成为相关学科的主要研究内容之一。
受到人类智能、生物群体社会性或自然现象规律的启发，人们发明了很多智能优化算法来解决上述复杂优化问题，主要包括：模仿自然界生物进化机制的遗传算法；通过群体内个体间的合作与竞争来优化搜索的差分进化算法；模拟生物免疫系统学习和认知功能的免疫算法；模拟蚂蚁集体寻径行为的蚁群算法；模拟鸟群和鱼群群体行为的粒子群算法；源于固体物质退火过程的模拟退火算法；模拟人类智力记忆过程的禁忌搜索算法；模拟动物神经网络行为特征的神经网络算法；等等。这些算法有个共同点，即都是通过模拟或揭示某些自然界的现象和过程或生物群体的智能行为而得到发展；在优化领域称它们为智能优化算法，它们具有简单、通用、便于并行处理等特点[2]。
1.1 进化类算法
自然界的生物体在遗传、选择和变异等一系列作用下，优胜劣汰，不断地由低级向高级进化和发展，人们将这种“适者生存”的进化规律的实质加以模式化而构成一种优化算法，即进化计算。进化计算是一系列的搜索技术，包括遗传算法、进化规划、进化策略等，它们在函数优化、模式识别、机器学习、神经网络训练、智能控制等众多领域都有着广泛的应用。其中，遗传算法是进化计算中具有普遍影响的模拟进化优化算法。
为了求解切比雪夫多项式问题，Rainer Storn和Kenneth Price根据这种进化思想提出了差分进化算法。它是一种采用实数编码、在连续空间中进行随机搜索、基于群体迭代的新兴进化算法，具有结构简单、性能高效的特点。而免疫算法是模仿生物免疫机制，结合基因的进化机理，人工地构造出的一种新型智能搜索算法。该算法具有一般免疫系统的特征，它采用群体搜索策略，通过迭代计算，最终以较大的概率得到问题的最优解，属于进化算法的变种算法。
遗传算法
遗传算法（Genetic Algorithm，GA）是模拟生物在自然环境中的遗传和进化过程而形成的自适应全局优化搜索算法。它最早由美国的J．H．Holland教授提出[3]，起源于20世纪60年代对自然和人工自适应系统的研究；70年代，K．A．De Jong基于遗传算法的思想，在计算机上进行了大量的纯数值函数优化计算试验；80年代，遗传算法由D．J．Goldberg在一系列研究工作的基础上归纳总结而成。
