差分進(jìn)化算法及其高維多目標(biāo)優(yōu)化應(yīng)用

第 1章 緒論 1
1．1　引言 1
1．2 差分進(jìn)化算法研究現(xiàn)狀 3
1．2．1 差分進(jìn)化算法研究數(shù)據(jù)統(tǒng)計(jì) 3
1．2．2 差分進(jìn)化算法理論及應(yīng)用研究概況 5
參考文獻(xiàn) 7
第 2章 差分進(jìn)化算法概述 12
2．1 引言 12
2．2 差分進(jìn)化算法基本原理 12
2．2．1 算法原理及關(guān)鍵步驟 12
2．2．2 算法框架及流程 16
2．3 差分進(jìn)化算法優(yōu)化策略及其對(duì)算法的影響 17
2．3．1 變異策略及其對(duì)算法的影響 18
2．3．2 交叉策略及其對(duì)算法的影響 19
2．4 差分進(jìn)化算法的參數(shù)分析及設(shè)置 20
2．5 差分進(jìn)化算法的收斂性分析 22
2．5．1 差分進(jìn)化算法的隨機(jī)過程描述 22
2．5．2 差分進(jìn)化算法的收斂性定義 23
2．6 本章小結(jié) 23
參考文獻(xiàn) 24
第3章 基于分類變異策略的自適應(yīng)差分進(jìn)化算法 26
3．1 引言 26
3．2 基于分類策略的新變異方法 27
3．2．1 新DE變異策略DE/rand-to-best/pbest 27
3．2．2 分類策略 28
3．3 新參數(shù)自適應(yīng)調(diào)整策略 29
3．4 實(shí)驗(yàn)測(cè)試及結(jié)果分析 31
3．4．1 測(cè)試函數(shù)選擇 31
3．4．2 比較算法選擇 32
3．4．3 算法比較策略及準(zhǔn)則 33
3．4．4 算法比較結(jié)果及分析 33
3．5 本章小結(jié) 48
參考文獻(xiàn) 49
第4章 基于DE算法的人腦PET圖像目標(biāo)邊緣檢測(cè) 51
4．1 引言 51
4．2 傳統(tǒng)Snake模型及GVF Snake模型 52
4．3 結(jié)合p-ADE算法的GVF Snake模型實(shí)現(xiàn)PET圖像目標(biāo)邊緣檢測(cè) 54
4．4 實(shí)驗(yàn)測(cè)試及結(jié)果分析 58
4．5 本章小結(jié) 61
參考文獻(xiàn) 62
第5章 基于DE算法的電子商務(wù)多邊多議題協(xié)商 63
5．1 引言 63
5．2 基于多Agent的多邊多議題協(xié)商 64
5．3 p-ADE算法在合-作環(huán)境下多邊多議題協(xié)商中的應(yīng)用 66
5．3．1 基于p-ADE算法的多Agent協(xié)商協(xié)議 66
5．3．2 基于p-ADE算法的多Agent協(xié)商策略 67
5．4 實(shí)驗(yàn)測(cè)試及結(jié)果分析 69
5．5 本章小結(jié) 72
參考文獻(xiàn) 72
第6章 基于精英策略的改進(jìn)多目標(biāo)自適應(yīng)DE算法 74
6．1 引言 74
6．2 多目標(biāo)優(yōu)化問題的數(shù)學(xué)描述 76
6．3 多目標(biāo)進(jìn)化算法的研究現(xiàn)狀 78
6．4 精英SDEMO算法 80
6．4．1 精英多目標(biāo)進(jìn)化算法模型 81
6．4．2 SDEMO算法精英選擇策略改進(jìn) 84
6．4．3 SDEMO算法密度估計(jì)方法改進(jìn) 84
6．4．4 SDEMO算法中DE算法變異策略改進(jìn) 85
6．4．5 SDEMO算法中DE算法參數(shù)自適應(yīng)方法改進(jìn) 86
6．4．6 SDEMO算法流程 87
6．5 實(shí)驗(yàn)測(cè)試及結(jié)果分析 87
6．5．1 測(cè)試函數(shù)及性能評(píng)價(jià)標(biāo)準(zhǔn) 88
6．5．2 測(cè)試結(jié)果及分析 90
6．6 本章小結(jié) 95
參考文獻(xiàn) 96
第7章 高維多目標(biāo)進(jìn)化算法概述 100
7．1 引言 100
7．2 高維多目標(biāo)進(jìn)化算法研究進(jìn)展 101
7．2．1 算法模型框架的國(guó)內(nèi)外研究現(xiàn)狀及分析 102
7．2．2 精英選擇策略的國(guó)內(nèi)外研究現(xiàn)狀及分析 103
7．2．3 多目標(biāo)分解的國(guó)內(nèi)外研究現(xiàn)狀及分析 104
7．3 高維多目標(biāo)進(jìn)化算法的標(biāo)準(zhǔn)測(cè)試函數(shù) 105
7．4 高維多目標(biāo)進(jìn)化算法的性能指標(biāo) 109
7．4．1 收斂性評(píng)價(jià)指標(biāo) 109
7．4．2 分布性評(píng)價(jià)指標(biāo) 110
7．4．3 綜合性評(píng)價(jià)指標(biāo) 112
7．5 高維多目標(biāo)進(jìn)化算法關(guān)鍵技術(shù) 112
7．6 本章小結(jié) 114
參考文獻(xiàn) 115
第8章 基于改進(jìn)K支配的高維多目標(biāo)差分進(jìn)化算法 118
8．1 引言 118
8．2 K支配關(guān)系及排序方法改進(jìn) 119
8．2．1 K支配關(guān)系改進(jìn)及參數(shù)確定 120
8．2．2 K支配等級(jí)排序方法改進(jìn) 121
8．3 基于參考點(diǎn)的擁擠密度估計(jì)方法改進(jìn) 122
8．4 個(gè)體適應(yīng)度值評(píng)價(jià)方法改進(jìn) 123
8．5 CAO局部搜索 124
8．6 實(shí)驗(yàn)測(cè)試及結(jié)果分析 125
8．7 本章小結(jié) 129
參考文獻(xiàn) 129
第9章 基于全局排序的高維多目標(biāo)差分進(jìn)化算法 131
9．1 引言 131
9．2 高維多目標(biāo)優(yōu)化支配排序方法 132
9．3 全局排序高維多目標(biāo)差分進(jìn)化算法概述 133
9．3．1 高維多目標(biāo)優(yōu)化全局排序策略 134
9．3．2 高維多目標(biāo)優(yōu)化全局密度估計(jì) 139
9．3．3 高維多目標(biāo)優(yōu)化個(gè)體適應(yīng)度值評(píng)價(jià) 140
9．3．4 GR-MODE算法流程 140
9．4 實(shí)驗(yàn)測(cè)試及結(jié)果分析 141
9．5 本章小結(jié) 143
參考文獻(xiàn) 143
第 10章 基于高維多目標(biāo)優(yōu)化的城市智能化動(dòng)態(tài)停車誘導(dǎo) 146
10．1 引言 146
10．2 城市PGS 147
10．2．1 城市PGS及核心關(guān)鍵技術(shù) 147
10．2．2 城市PGS研究現(xiàn)狀 147
10．3 高維多目標(biāo)智能停車場(chǎng)及路徑誘導(dǎo)模型 150
10．3．1 出行前靜態(tài)的高維多目標(biāo)停車場(chǎng)及路徑誘導(dǎo)模型 151
10．3．2 出行中動(dòng)態(tài)的高維多目標(biāo)停車場(chǎng)及路徑誘導(dǎo)模型 152
10．4 高維多目標(biāo)智能停車場(chǎng)及路徑誘導(dǎo)算法 154
10．4．1 基于KS-MODE算法的高維多目標(biāo)智能停車場(chǎng)誘導(dǎo)算法 154
10．4．2 基于DE算法的單目標(biāo)*優(yōu)路徑誘導(dǎo)算法 156
10．5 實(shí)驗(yàn)測(cè)試及結(jié)果分析 157
10．5．1 出行前靜態(tài)停車場(chǎng)選擇及路徑誘導(dǎo)結(jié)果 162
10．5．2 出行中動(dòng)態(tài)停車場(chǎng)選擇及路徑誘導(dǎo)結(jié)果 164
10．6 本章小結(jié) 167
參考文獻(xiàn) 167
第 11章 基于高維多目標(biāo)優(yōu)化的道路交叉口信號(hào)控制 169
11．1 引言 169
11．2 交叉口混合交通流信號(hào)控制指標(biāo) 170
11．3 交叉口信號(hào)高維多目標(biāo)優(yōu)化智能控制模型 174
11．3．1 高維多目標(biāo)優(yōu)化信號(hào)控制模型建立 174
11．3．2 高維多目標(biāo)優(yōu)化信號(hào)控制模型求解 175
11．4 實(shí)驗(yàn)測(cè)試及結(jié)果分析 176
11．5 本章小結(jié) 178
參考文獻(xiàn) 179
附 錄 180
名詞索引 183