登入帳戶　 |　訂單查詢　 |　購物車/收銀台( 0 )　|　在線留言板　 |　付款方式　 |　聯絡我們　 |　運費計算　 |　幫助中心　|　 加入書簽
	全部範圍 - 圖書 - 　- 中文簡體書(大陸書) - 　- 英文書（原版） - - 音碟 - 　- 音樂 - 　- 影視 - - 雜誌 - 全文 精確	會員登入 新註冊 |　新用戶登記

HOME新書上架暢銷書架好書推介特價區會員書架精選月讀2023年度TOP分類閱讀雜誌

香港／國際用戶

最新/最熱/最齊全的簡體書網

品種：超過100萬種書，正品正价，放心網購，悭钱省心

送貨：速遞 / EMS，時效：出貨後2-3日

新書推薦： 《 好的爱，有边界 》 售價：NT$ 330.0 《 心悦读丛书·倍速社会：快电影、剧透与新消费文化 》 售價：NT$ 325.0 《 马王堆考古手记 》 售價：NT$ 554.0 《 全靠演技 》 售價：NT$ 252.0 《 流人系列01：驽马 》 售價：NT$ 442.0 《 电工大手册（第二册）——电工常用电路、接线、识读、应用案例 》 售價：NT$ 447.0 《 苏东坡传 》 售價：NT$ 325.0 《 豆腐（增订版） 》 售價：NT$ 728.0

編輯推薦： l 基于自然界启发式的求解算法，介绍了与经典数学规划原理不同的优化算法，通过仿生智能优化算法解决复杂多目标优化问题，丰富了现代优化技术，并提供了解决传统优化技术难以处理的高维组合优化问题的实际可行方案。 l 高维多目标优化问题的研究：关注高维多目标优化问题，提出新型算法和技术，包括目标降维方法和代理模型辅助优化等，探讨在高维目标空间中进行有效的搜索和优化。为处理现实世界中复杂的决策问题提供重要的方法和工具。 l 探索智能演化优化在不同领域的应用：涵盖了智能演化优化在工业互联网等领域的柔性作业车间调度问题的研究和开发工作，为相关领域的专业人员提供实用的指导和解决方案。 內容簡介： 近年来，演化计算作为计算智能领域的经典优化技术，已经广泛应用于求解组合优化、工程优化等理论和工程类的优化问题，形成了一种基于演化的智能优化方法。针对高维空间的多目标优化问题，近年来基于分解的多目标演化算法（MOEAs）利用了分而治之的思想有效降低了求解多目标或高维多目标优化问题的难度。根据分解的形式不同，基于分解的MOEAs又进一步细分为基于聚合的MOEAs和基于参考点的MOEAs。尽管基于分解的MOEAs是目前求解高维多目标优化问题最有前景的技术之一，然而它在方法和应用层面均存在着缺陷和不足。本书第一部分围绕该类方法，着眼于“如何在目标空间中平衡收敛性和多样性”“如何在决策空间中平衡探索与开发”以及“如何进行有效的降维”等科学问题，展开了系统性的研究，旨在进一步完善其理论框架并推广其在具体问题上的应用。另外，针对多目标柔性作业车间调度这一类典型的NP难工程优化问题，本书基于演化优化的求解思路，分别研究了面向单目标优化的融合问题知识的混合和声搜索方法（HHS）、面向高维空间单目标优化的混合和声搜索和大邻域搜索的集成搜索方法（HHS/LNS），以及面向多目标优化的基于目标重要性分解的模因演化方法，并在多个基线数据集上取得了优异的效果。 本书可作为演化计算、智能优化、大数据及人工智能等相关专业研究参考和研究生教学用书。 目錄： 上篇多目标优化问题与智能演化优化方法 第1章引言3 1.1研究背景3 1.2基本概念以及基本框架5 1.2.1多目标优化问题5 1.2.2多目标演化算法简介6 1.3相关研究工作综述8 1.3.1进化高维多目标优化8 1.3.2多目标演化算法中的变化算子11 1.4本章小结12 第2章基础知识13 2.1典型的基于分解的多目标演化算法13 2.1.1问题分解多目标演化算法13 2.1.2集成适应度排序14 2.1.3第三代非支配排序遗传算法14 2.1.4多目标遗传局部搜索15 2.2差分进化16 2.3柔性作业车间调度的析取图模型17 2.4标准测试问题19 2.4.1高维多目标优化测试问题19 2.4.2柔性作业车间调度测试问题20 2.5性能指标20 2.6本章小结22 第3章在基于聚合的多目标演化算法中平衡收敛性和多样性24 3.1前言24 3.2类似算法简介25 3.3基本思想26 3.4算法详解27 3.4.1增强MOEA/D28 3.4.2增强EFR29 3.4.3可选归一化过程30 3.4.4计算复杂度30 3.4.5讨论31 3.5实验设计32 3.5.1测试问题32 3.5.2性能指标34 3.5.3比较算法34 3.5.4实验设置35 3.6算法的性能分析37 3.6.1参数K的影响38 3.6.2收敛性和多样性的研究40 3.7与先进算法的比较44 3.7.1在归一化问题上的比较44 3.7.2在非归一化问题上的比较53 3.7.3进一步讨论56 3.8本章小结57 目录 智能演化优化〖2〗〖2〗 〖1〗 第4章基于新型支配关系的多目标演化算法58 4.1前言58 4.2基于θ支配的演化算法59 4.2.1算法框架59 4.2.2参考点的生成60 4.2.3重组算子61 4.2.4自适应归一化62 4.2.5聚类算子62 4.2.6θ支配64 4.2.7θDEA的计算复杂度65 4.3实验设计65 4.3.1测试问题65 4.3.2性能指标66 4.3.3比较算法67 4.3.4实验设置68 4.4实验结果70 4.4.1与NSGAⅢ和MOEA/D的比较70 4.4.2与先进算法的比较79 4.4.3参数θ的影响92 4.4.4进一步讨论95 4.5本章小结96 第5章基于分解的多目标演化算法中的变化算子97 5.1前言97 5.2目标算法98 5.3实验研究99 5.3.1实验设置99 5.3.2NSGAⅢDE中参数的影响100 5.3.3NSGAⅢDE、NSGAⅢSBX: 探索与开发102 5.3.4NSGAⅢ变体之间的比较104 5.4本章小结109 第6章多目标优化中的目标降维: 演化多目标优化方法与综合分析110 6.1前言110 6.2基本知识和背景112 6.2.1多目标优化112 6.2.2目标降维的基本概念113 6.2.3Pareto前沿的表示和误导114 6.2.4目标降维的现有方法115 6.3多目标优化方法117 6.3.1基于支配结构的多目标优化公式117 6.3.2基于相关性的多目标优化公式118 6.3.3使用多目标演化优化算法119 6.3.4采用多目标优化方法的好处120 6.4对基于支配结构的方法和基于相关性方法的分析121 6.4.1理论基础121 6.4.2基于支配结构的方法的优缺点122 6.4.3基于相关性方法的优势和局限性123 6.5基准实验125 6.5.1基准问题125 6.5.2样本集的生成126 6.5.3算法的比较126 6.5.4多目标降维方法行为研究127 6.5.5演化多目标优化搜索的有效性130 6.5.6在演化多目标搜索领域中确定关键目标集的比较132 6.6应用于现实问题141 6.6.1应用于水资源问题141 6.6.2应用于汽车侧面碰撞问题142 6.6.3讨论143 6.7方法的优势145 6.7.1关于辅助优化的目标降维145 6.7.2关于可视化和决策制定147 6.8本章小结148 第7章利用支配预测辅助的高成本多目标演化优化150 7.1前言150 7.2背景知识152 7.2.1多目标优化152 7.2.2θ支配153 7.2.3深度前馈神经网络154 7.3θDEADP算法155 7.3.1概述155 7.3.2Representative解157 7.3.3基于支配预测的代理模型158 7.3.4两阶段预选策略160 7.3.5讨论161 7.4实验162 7.4.1实验设计162 7.4.2多目标优化问题的性能166 7.4.3众多目标优化问题的性能171 7.4.4θDEADP组成部分的研究177 7.5本章小结180 上篇总结181 下篇柔性作业车间调度问题及其优化求解 第8章FJS问题概述185 8.1多目标柔性作业车间调度问题185 8.2多目标柔性作业车间调度的研究现状187 8.3模因演算法189 8.3.1模因演算法简介189 8.3.2求解多目标组合优化问题的模因演算法190 8.4本章小结191 第9章基于混合和声搜索的柔性作业车间调度192 9.1前言192 9.2相关工作介绍193 9.2.1柔性车间调度193 9.2.2和声搜索算法（HS算法）194 9.2.3混合和声搜索（HHS）算法和混合TS算法（TSPCB）之间的差异194 9.3HHS算法196 9.3.1算法框架196 9.3.2和声向量的表示196 9.3.3和声向量的评估196 9.3.4初始化和声记忆201 9.3.5新和声向量生成202 9.3.6依赖问题的局部搜索203 9.3.7更新和声记忆207 9.4实验207 9.4.1实验设置207 9.4.2计算结果和比较209 9.4.3HHS与其他算法的进一步比较215 9.5讨论218 9.6本章小结219 第10章基于混合差分进化的柔性作业车间调度算法220 10.1前言220 10.2基本DE算法222 10.2.1算法初始化222 10.2.2不同载体的突变222 10.2.3交叉223 10.2.4选择223 10.3针对FJSP的HDE223 10.3.1HDE概述223 10.3.2表示和初始化225 10.3.3双向量编码225 10.3.4转换技术227 10.3.5局部搜索算法229 10.4实验233 10.4.1实验设置233 10.4.2Kacem实例的结果235 10.4.3BRdata实例的结果235 10.4.4BCdata实例的结果235 10.4.5HUdata实例的结果239 10.4.6HDE的进一步性能分析244 10.5本章小结251 第11章大规模柔性作业车间调度问题的集成搜索启发式算法252 11.1前言252 11.2混合和声搜索253 11.2.1HS简介253 11.2.2HHS程序254 11.2.3HHS对FJSP的适配255 11.3大邻域搜索260 11.3.1LNS概述260 11.3.2FJSP的基于约束的模型261 11.3.3约束破坏算法261 11.3.4构造算法262 11.4集成的启发式搜索方法: HHS/LNS262 11.5实验研究263 11.5.1实验设置263 11.5.2HHS模块性能分析263 11.5.3LNS模块性能分析268 11.5.4整合效应269 11.5.5大规模基准实例的计算结果269 11.6本章小结276 第12章求解多目标柔性作业车间调度的模因演算法278 12.1前言278 12.2算法概述279 12.3全局搜索策略280 12.3.1染色体编码280 12.3.2染色体解码281 12.3.3遗传操作282 12.4局部搜索策略283 12.4.1个体选择283 12.4.2针对个体的局部搜索284 12.5实验分析289 12.5.1评价指标290 12.5.2局部搜索中接受准则的实验研究291 12.5.3遗传搜索和局部搜索混合的有效性293 12.5.4局部搜索中分层策略的有效性297 12.5.5与先进算法的比较299 12.6进一步讨论307 12.7本章小结308 下篇总结309 参考文献310 附录A334 A.1英文缩写对照表334 A.2图片索引338 A.3表格索引342 內容試閱： 习近平总书记在党的二十大报告中指出: 教育、科技、人才是全面建设社会主义现代化国家的基础性、战略性支撑。必须坚持科技是第一生产力、人才是第一资源、创新是第一动力，深入实施科教兴国战略、人才强国战略、创新驱动发展战略，这三大战略共同服务于创新型国家的建设。报告同时强调: 推动战略性新兴产业融合集群发展，构建新一代信息技术、人工智能、生物技术、新能源、新材料、高端装备、绿色环保等一批新的增长引擎。 当前，人工智能日益成为引领新一轮科技革命和产业变革的核心技术。其中，智能演化优化作为一种重要的计算方法，在诸多领域，如控制系统设计、工业调度、软件工程等实际应用中，已经展现出其独特的优势和巨大的潜力。 演化算法（Evolutionary Algorithms，EAs）是一类模拟自然界生物进化过程的基于群体的全局优化算法。EAs已经成功应用于多目标优化领域，为求解“多目标优化问题”(MOPs)开辟了一条新的途径。由于EAs在多目标优化方面具有独特的优势，能够有效克服传统方法的局限性，多目标演化算法（MultiObjective Evolutionary Algorithms，MOEAs）的研究已成为演化计算（Evolutionary Computation，EC）领域的热门方向之一，并已发展成为一个重要而活跃的研究分支: 演化多目标优化（Evolutionary Multiobjective Optimization，EMO）。 相对于单目标优化问题（Singleobjective Optimization Problems，SOPs），多目标优化问题（Multiobjective Optimization Problems，MOPs）的求解一般更加困难。在SOPs中，由于解之间是全序关系，通常只存在唯一的最优解；而在MOPs中，由于目标之间存在一定程度的冲突，导致解之间只存在偏序关系，因此一般不是得到单个的最优解，而是得到一组折中的解，即所谓的Pareto最优解集或非支配解集。 近几年来，EMO领域的研究焦点逐渐转向高维多目标优化问题（Many Objective Optimization Problems，MaOPs），即目标数目大于3的MOPs，这类研究的兴起主要有以下两个原因。一方面，涉及许多优化目标的优化问题确实广泛存在于各种实际应用中，如控制系统设计、工业调度、软件工程等。因此，实践者迫切需要有效的优化方法能够很好地解决他们所面临的这类问题。另一方面，非常流行的基于Pareto支配的MOEAs，如第二代非支配排序遗传算法（Nondominated Sorting Genetic Algorithm Ⅱ，NSGAⅡ）、第二代强度Pareto演化算法（Strength Pareto Evolutionary Algorithm 2，SPEA2）、第二代基于Pareto包络的选择算法（Pareto Envelopebased Selection Algorithm Ⅱ，PESAⅡ）等，虽然在具有两个或三个优化目标的MOPs上显示出了优异的性能，但是它们在高维多目标优化中却遇到了很大的困难。 本书将基于分解的MOEAs作为研究对象，在方法和应用两个层面均展开了研究工作，旨在进一步提升这类算法在高维多目标优化中的性能，并拓展其新型应用领域，为求解生产调度领域的复杂多目标优化问题提供高效的求解方法。在理论方法层面，本书系统化地研究了在基于聚合的多目标演化算法中平衡收敛性和多样性的方法、基于新型支配关系的多目标演化算法、基于分解的多目标演化算法中的变化算子比较性研究、多目标优化中的目标降维方法，以及利用支配预测辅助的高成本多目标演化优化方法；在工程优化应用层面，针对实际集成电路制造领域的工艺调度优化问题，将具有多腔室、多机器人、多加工路径、多优化目标等复杂生产环境抽象为多目标柔性作业车间调度问题（MultiObjective Flexible Jobshop Scheduling Problem，MoFJSP），系统化地研究了面向单目标优化的融合问题知识的混合和声搜索方法（HHS）、面向高维空间单目标优化的混合和声搜索和大邻域搜索的集成搜索方法（HHS/LNS），以及面向多目标优化的基于目标重要性分解的模因演化方法。 本书是“演化学习与智能优化”系列学术专著的第二部，笔者的研究团队后续将及时梳理和归纳总结相关的最新成果，以系列图书的形式分享给读者。本书既可以作为演化学习、智能优化等领域的教材，同时也可以作为优化调度、演化学习、智能系统等方面系统与产品研发重要的理论方法参考书。本书相关的内容资料（算法、代码、数据集等）可在开源社区下载（下载地址可查阅THUAIR官网或者联系作者）。由于智能演化优化是一个崭新的快速发展的研究领域，受限于作者的学识和知识的认知范围，书中疏漏和不足之处在所难免，衷心地希望读者能提出宝贵的意见和建议，请联系bailj@tup.tsinghua.edu.cn。 本书的相关工作受国家自然科学基金项目（No. 61673235、No. 61175110、No. 60875073、No. 60575057）的持续资助与支持。同时更要感谢本书书写过程中，清华大学计算机科学与技术系智能技术与系统国家重点实验室赵锦栎、陈小飞等对书稿整理所付出的艰辛努力，以及杨甲东、王勃等在相关研究方向上不断持续的合作创新工作成果。没有各位团队成员的努力，本书无法以体系化的形式呈现在读者面前。 作者2023年12月于北京

書城介紹　 |　合作申請　|　索要書目　 |　新手入門　|　聯絡方式　 |　幫助中心　|　找書說明　 |　送貨方式　|　付款方式	香港用户　 |　台灣用户　|　海外用户
megBook.com.tw
Copyright (C) 2013 - 2024 （香港）大書城有限公司　All Rights Reserved.