目   录
第1章  绪论	1
1.1  智能优化算法简介	1
1.1.1  遗传算法简介	1
1.1.2  蚁群算法简介	11
1.1.3  退火算法简介	20
1.1.4  云遗传算法简介	32
1.2  混合优化算法简介	40
1.2.1  混合优化算法概述	40
1.2.2  混合优化算法现状	40
1.3  本章小结	41
第2章  混合遗传算法	42
2.1  基本遗传算法	42
2.1.1  基本遗传算法及流程图	42
2.1.2  基本遗传算法的特点	51
2.2  改进的遗传算法	52
2.2.1  双阈值控制的遗传算法	52
2.2.2  改进的伪并行遗传算法	57
2.2.3  改进的小生境遗传算法	61
2.2.4  改进的自适应遗传算法	64
2.2.5  基于免疫原理的新优化遗传算法	66
2.2.6  模式理论及模式导向的遗传算法	73
2.2.7  改进的双倍体遗传算法	76
2.2.8  改进的并行遗传算法	83
2.3  遗传算法与其他优化算法的融合	88
2.3.1  病毒进化遗传算法	88
2.3.2  改进的DNA免疫遗传算法	91
2.4  本章小结	94
第3章  混合蚁群算法	95
3.1  基本蚁群算法	95
3.1.1  基本蚁群算法及流程图	95
3.1.2  基本蚁群算法的特点	100
3.2  改进的蚁群算法	101
3.2.1  一种改进的非均匀窗口蚁群算法	101
3.2.2  基于变异和动态信息素更新的蚁群优化算法	107
3.3  蚁群、遗传算法的融合——动态蚁群遗传算法	110
3.4  本章小结	114
第4章  混合退火算法	115
4.1  基本退火算法	115
4.1.1  基本退火算法及流程图	115
4.1.2  基本退火算法的特点	120
4.2  退火算法与其他优化算法的融合	121
4.2.1  改进的遗传退火算法	121
4.2.2  基于学习机制的退火并行遗传算法	125
4.3  本章小结	130
第5章  其他典型混合优化算法	131
5.1  禁忌-并行混合遗传算法	131
5.1.1  禁忌-并行遗传算法的关键技术	132
5.1.2  混合算法流程	134
5.2  周期性病毒进化遗传算法	135
5.2.1  新的周期性病毒进化遗传算法的基本思想	135
5.2.2  改进的周期性病毒进化遗传算法流程	139
5.2.3  改进的周期性病毒进化遗传算法的优点	139
5.3  改进的决策树学习算法	140
5.4  改进的广义粒子群优化算法	145
5.4.1  基本粒子群优化算法介绍	145
5.4.2  基本粒子群优化机理分析	146
5.4.3  广义粒子群优化算法模型	147
5.4.4  GPSO的具体流程	149
5.5  一种基于粒子群优化的反向传播神经网络算法	150
5.6  一种基于混沌优化的模糊聚类方法	156
5.6.1  聚类的定义	156
5.6.2  基于混沌优化的模糊聚类	157
5.7  本章小结	160
第6章  云遗传算法及其应用	161
6.1  基本云遗传算法	161
6.1.1  云模型发生器	161
6.1.2  基本云遗传算法及流程图	163
6.2  改进的云遗传算法	167
6.2.1  云自适应遗传算法	167
6.2.2  云自适应量子遗传算法	169
6.3  本章小结	175
第7章  混合优化算法的典型应用	176
7.1  TSP问题	176
7.1.1  旅行商问题模型	176
7.1.2  采用动态蚁群遗传算法求解TSP问题	178
7.2  0-1背包问题	183
7.2.1  0-1背包问题模型	183
7.2.2  使用改进的遗传退火算法求解0-1背包问题	187
7.3  车间调度问题	192
7.3.1  车间调度问题的描述	193
7.3.2  双阈值控制的遗传算法求解车间调度问题	194
7.4  车辆路径问题	200
7.4.1  车辆路径问题描述	200
7.4.2  自适应遗传算法求解车辆路径问题	203
7.5  装箱问题	207
7.5.1  装箱问题描述	208
7.5.2  使用基于学习机制的退火并行遗传算法求解装箱问题	211
7.6  图着色问题	217
7.6.1  图着色问题描述	217
7.6.2  周期性病毒进化遗传算法求解图着色问题	218
7.7  本章小结	223
第8章  总结及展望	224
8.1  主要工作总结及创新	224
8.2  未来发展方向	226
8.3  本章小结	228
参考文献	229