Spring Cloud微服務架構開發（第2版）

黑馬程序員，傳智教育旗下高端IT品牌，由中國Java培訓先行者張孝祥老師發起，聯合全球最大的中文IT社區CSDN、中關村軟件園共同創辦的一家專業教育機構。辦學至今，我們一直堅守著“為千萬人少走彎路而著書，為中華軟件之崛起而講課”的辦學理念，堅持培養優秀軟件應用工程師的宏偉目標，在累計培養的十萬餘名學員中，其中90%的學員均已在北、上、廣等一線城市高薪就業。為了迎合軟件市場的需求，我們陸續開設了Java、網頁平面、PHP、.Net、iOS、C/C++、Android等9個專業方向的課程，並且未來將逐漸開設其他專業方向的課程。隨著傳智播客的日益壯大，除了北京總部，我們在上海、廣州、武漢、成都、深圳等地也創立了直營分支機構，傳智播客儼然已成為了國內具有專業口碑的IT教育機構。

01 緒論

1.1　概述　2

1.2　最優化問題及其數學模型　2

1.3　最優化問題的分類　3

1.4　最優化方法的發展及分類　5

1.4.1　傳統優化方法　6

1.4.2　計算智能方法　7

1.4.3　計算智能方法的特點　11

1.5　計算智能方法的未來發展方向　12

1.6　章節安排介紹　12

1.7　本章小結　14

1.8　習題　14

 

02　人工神經網絡理論

2.1　概述　16

2.2　人工神經網絡基本理論　17

2.2.1　人工神經元基本模型　17

2.2.2　人工神經網絡結構　19

2.2.3　人工神經網絡的學習　20

2.3　前饋型神經網絡的主要算法　22

2.3.1　感知器　23

2.3.2　BP網絡　25

2.3.3　RBF網絡　33

2.4　反饋型神經網絡的主要算法　44

2.4.1　Hopfield網絡算法　44

2.4.2　自組織映射網絡算法　51

2.5　基於MATLAB語言的人工神經網絡工具箱　54

2.5.1　基本功能介紹　55

2.5.2　BP網絡的MATLAB實現　55

2.5.3　RBF網絡的設計實例　63

2.5.4　人工神經網絡工具箱中的圖形用戶界面　78

2.6　人工神經網絡的應用實例　89

2.7　本章小結　91

2.8　習題　91

 

03　遺傳算法

3.1　概述　94

3.2　遺傳算法的基本原理　95

3.2.1　生物的進化過程　95

3.2.2　遺傳算法的基本思想　95

3.2.3　遺傳算法的具體步驟　96

3.3　遺傳算法應用中的常見問題　104

3.3.1　染色體長度和初始種群的確定問題　104

3.3.2　控制參數的選取問題　104

3.3.3　遺傳算子的具體操作問題　105

3.3.4　收斂判據的確定問題　105

3.4　遺傳算法的應用實例　106

3.5　本章小結　112

3.6　習題　112

 

04　蟻群算法

4.1　概述　116

4.2　螞蟻群體的覓食過程　117

4.3　蟻群算法的基本原理　118

4.3.1　蟻群算法的數學模型　119

4.3.2　蟻群算法的具體實現流程　122

4.4　蟻群算法的參數選擇　124

4.5　改進的蟻群算法　125

4.5.1　ACS模型　125

4.5.2　MMAS模型　127

4.6　蟻群算法的應用實例　128

4.7　本章小結　134

4.8　習題　135

 

05　人工免疫算法

5.1　概述　138

5.2　人工免疫算法的生物學基礎　139

5.2.1　生物免疫系統的基本定義　140

5.2.2　生物免疫系統的工作原理　141

5.3　人工免疫算法的基本原理　142

5.3.1　人工免疫算法的基本框架　143

5.3.2　否定選擇算法的基本原理　144

5.3.3　免疫規劃算法的基本原理　146

5.3.4　克隆選擇算法的基本原理　150

5.4　人工免疫算法的應用實例　155

5.5　本章小結　163

5.6　習題　163

 

06　粒子群優化算法

6.1　概述　166

6.2　粒子群優化算法的基本原理　166

6.3　粒子群優化算法的改進　174

6.3.1　帶慣性權重的PSO算法　174

6.3.2　帶收縮因子的PSO算法　175

6.3.3　基於種群分類與動態學習因子的PSO改進算法　176

6.4　粒子群優化算法的應用實例　178

6.5　本章小結　180

6.6　習題　180

 

07　人工蜂群算法

7.1　概述　182

7.2　人工蜂群算法的基本原理　183

7.3　改進的人工蜂群算法　187

7.3.1　針對高維復雜單目標優化問題的改進人工蜂群算法　187

7.3.2　針對多峰優化問題的小生境人工蜂群算法　188

7.4　人工蜂群算法的應用實例　193

7.5　本章小結　198

7.6　習題　198

 

08　生物地理學優化算法

8.1　概述　200

8.2　生物地理學優化算法的基本原理　200

8.3　生物地理學優化算法的基本流程　204

8.3.1　遷移操作　204

8.3.2　變異操作　205

8.3.3　算法框架　206

8.4　改進的生物地理學優化算法　207

8.4.1　混合型遷移操作　207

8.4.2　局部化生物地理學優化算法　209

8.4.3　生態地理學優化算法　213

8.5　生物地理學優化算法的應用實例　216

8.6　本章小結　220

8.7　習題　220

 

09　多目標優化算法

9.1　概述　222

9.2　三代多目標優化算法　223

9.2.1　第一代多目標優化算法　223

9.2.2　第二代多目標優化算法　223

9.2.3　第三代多目標優化算法　229

9.3　高維多目標優化算法　233

9.3.1　基於分解的多目標優化算法　233

9.3.2　NSGA-III　236

9.3.3　NSGA-III-OSD　240

9.4　多目標優化算法的測試函數和評價指標　242

9.4.1　測試函數　242

9.4.2　評價指標　246

9.5　多目標優化算法的測試實例和應用實例　247

9.6　本章小結　253

9.7　習題　253

 

10　約束優化算法

10.1　概述　256

10.2　約束處理技術　258

10.2.1　懲罰函數法　258

10.2.2　隨機排序法　258

10.2.3　可行性準則　259

10.2.4　ε約束法　260

10.2.5　多目標優化法　260

10.2.6　雙種群存儲技術　261

10.3　約束單目標優化算法　261

10.3.1　基於隨機排序法的約束單目標優化算法　262

10.3.2　基於ε約束法的約束單目標優化算法　263

10.3.3　基於雙種群存儲技術的約束單目標優化算法　264

10.3.4　約束單目標優化測試函數　267

10.4　約束多目標優化算法　269

10.4.1　基於隨機排序法的約束多目標優化算法　269

10.4.2　基於雙種群存儲技術的約束多目標優化算法　270

10.4.3　基於ε約束法的約束多目標優化算法　273

10.4.4　約束多目標優化測試函數　277

10.5　約束優化算法的應用實例　279

10.6　本章小結　283

10.7　習題　283

 

參考文獻　285