智能優化算法及Python實現

王之倉，男，西安郵電大學教授，碩士生導師，專業負責人，中國自動化學會會員，中國仿真學會會員。主要從事智能計算、信息安全等領域研究，參與完成 自然基金項目和省部級科研項目10餘項，省級重點科研項目1項，發明專利2項，在International Journal of Pattern Recognition and Articial Intelligence 、Neurocomputing、Security and Communication Networks等刊物發表論文20餘篇。目前開展人工智能、機器人領域教學工作，獲省級教學獎勵2次，主持完成省級精品課程建設項目1項，出版教材2部，目前參與 新工科建設項目1項、省級教育教學改革研究項目1項，擔任中國智能機器人格鬥及競技大賽技術委員。本人所在西安郵電大學自動化學院智能科學與技術專業獲批 批 專業。

前言
第1章 緒論
1.1 優化問題
1.1.1 優化問題的數學模型
1.1.2 生活中優化問題的數學描述
1.1.3 描述優化問題的基本概念
1.1.4 優化問題的分類
1.2 傳統優化方法
1.3 智能優化算法
1.3.1 智能優化算法發展歷史
1.3.2 智能優化算法求解覆雜問題的思路
1.3.3 智能優化算法求解覆雜問題的步驟
1.4 智能優化算法性能測試
1.4.1 IEEE CEC基準測試
1.4.2 TSP測試集
1.5 智能優化算法與傳統優化方法的比較
1.6 智能優化算法的應用案例
1.6.1 拉伸/壓縮彈簧設計問題
1.6.2 壓力容器設計問題
1.6.3 懸臂梁設計問題
1.6.4 齒輪傳動設計問題
1.6.5 工字梁設計問題
1.7 習題
1.8 參考文獻
第2章 Python語言基礎
2.1 Python概述
2.1.1 Python簡介
2.1.2 Python開發工具
2.1.3 第一個Python程序
2.2 Python語言基礎知識
2.2.1 基礎數據類型
2.2.2 保留字與標識符
2.2.3 運算符
2.2.4 數據輸入輸出
2.3 流程控制語句
2.3.1 順序語句
2.3.2 選擇語句
2.3.3 循環語句
2.4 列表
2.4.1 創建與刪除列表
2.4.2 添加與修改列表元素
2.4.3 對列表進行統計和計算
2.4.4 其他操作
2.5 NumPy數組
2.5.1 創建NumPy數組
2.5.2 NumPy數組的基本操作
2.6 Python函數
2.6.1 參數傳遞
2.6.2 變量的作用域
2.6.3 函數的返回值與遞歸
2.6.4 匿名函數
2.7 模塊
2.8 文件
2.9 習題
第3章 禁忌搜索算法
3.1 局部搜索
3.1.1 鄰域的概念
3.1.2 局部搜索算法
3.2 禁忌搜索算法概述
3.2.1 禁忌搜索算法的提出
3.2.2 禁忌搜索算法的基本原理
3.3 禁忌搜索算法描述
3.3.1 禁忌搜索算法的關鍵參數和操作
3.3.2 禁忌搜索算法的步驟、流程和偽代碼
3.4 禁忌搜索算法案例
3.4.1 求解CEC2005-F2函數
3.4.2 求解CEC2005-F3函數
3.5 禁忌搜索算法的改進
3.5.1 動態禁忌表管理
3.5.2 並行禁忌搜索策略
3.6 禁忌搜索算法應用及Python實現
3.6.1 問題描述
3.6.2 解決過程
3.6.3 Python實現及結果分析
3.7 習題
3.8 參考文獻
第4章 模擬退火算法
4.1 模擬退火算法概述
4.1.1 模擬退火算法的熱力學基礎
4.1.2 模擬退火算法的原理
4.2 模擬退火算法描述
4.2.1 模擬退火算法的構成要素
4.2.2 模擬退火算法的步驟、流程和偽代碼
4.3 模擬退火算法案例
4.3.1 求解CEC2005-F5函數
4.3.2 求解CEC2005-F8函數
4.4 模擬退火算法的改進
4.4.1 采用新的溫度更新函數及相應概率密度函數的模擬退火全局優化算法
4.4.2 模擬退火算法和遺傳算法的混合算法
4.4.3 基於粒子群優化算法與模擬退火算法的協同進化方法
4.5 模擬退火算法應用及Python實現
4.5.1 問題描述
4.5.2 解決過程
4.5.3 Python實現及結果分析
4.6 習題
4.7 參考文獻
第5章 遺傳算法
5.1 遺傳算法概述
5.1.1 遺傳算法的提出
5.1.2 遺傳算法的生物學基礎
5.1.3 遺傳算法的基本原理
5.2 遺傳算法描述
5.2.1 遺傳算法的基本要素
5.2.2 遺傳算法的步驟、流程和
偽代碼
5.3 遺傳算法案例
5.3.1 求解McCormick函數
5.3.2 求解Bohachevsky函數
5.4 遺傳算法的改進
5.4.1 精英保留策略
5.4.2 自適應遺傳算法
5.4.3 基於共享機制的小生境遺傳算法
5.4.4 其他遺傳算法
5.5 遺傳算法應用及Python實現
5.5.1 問題描述
5.5.2 解決過程
5.5.3 Python實現及結果分析
5.6 習題
5.7 參考文獻
第6章 蟻群優化算法
6.1 蟻群優化算法概述
6.1.1 蟻群優化算法的提出
6.1.2 蟻群優化算法的生物學基礎
6.2 蟻群優化算法描述
6.2.1 蟻群優化算法數學模型構建過程的覆現
6.2.2 蟻群優化算法的基本操作
6.2.3 蟻群優化算法的步驟、流程和偽代碼
6.2.4 蟻群優化算法的關鍵參數
6.3 蟻群優化算法案例
6.3.1 求解CEC2017-Zakharov函數
6.3.2 求解CEC2005-F9函數
6.4 蟻群優化算法的改進
6.4.1 精英螞蟻系統
6.4.2 最大最小螞蟻系統
6.4.3 基於排序的螞蟻系統
6.5 蟻群優化算法應用及Python實現
6.5.1 問題描述
6.5.2 解決過程
6.5.3 Python實現及結果分析
6.6 習題
6.7 參考文獻
第7章 粒子群優化算法
7.1 粒子群優化算法概述
7.1.1 粒子群優化算法的提出
7.1.2 粒子群優化算法的生物學基礎
7.2 粒子群優化算法描述
7.2.1 粒子群優化算