Algoritmo de optimización inteligente multiobjetivo y su directorio de aplicaciones
Prefacio
Introducción al capítulo 1
1.1 Algoritmo evolutivo
1.1.1 Marco básico de la evolución Algoritmo
1.1.2 Algoritmo genético
1.1.3 Estrategia evolutiva
1.1.4 Planificación evolutiva
1.2 Algoritmo de optimización del enjambre de partículas
1.2.1 Algoritmo estándar de enjambre de partículas
1.2.2 Análisis de algoritmos
1.3 Algoritmo de colonia de hormigas
1.3.1 Idea básica de algoritmo de colonia de hormigas
1.3.2 Proceso de implementación del algoritmo de colonia de hormigas
1.3.3 Descripción del algoritmo de colonia de hormigas
1.3.4 Características de la optimización de colonias de hormigas
1.4 Algoritmo de recocido simulado 122
1.4.1 Principios básicos del algoritmo de recocido simulado
1.4.2 Descripción del algoritmo de recocido simulado
1.5 Sistema inmunológico artificial
p>1.5.1 Sistema inmunológico biológico
1.5.2 Sistema inmunológico artificial
1.6 Búsqueda tabú
1.7 Búsqueda dispersa
1.8 Conceptos básicos de optimización multiobjetivo
Referencia
Capítulo 2 Algoritmo evolutivo multiobjetivo
2.1 Principios básicos
2.1.1 Modelo MOEA
2.1.2 Indicadores de rendimiento y funciones de prueba
2.2 Algoritmos evolutivos multiobjetivo típicos
2.2.1 Vega, Moga, NPGA y NSGA
2.2.2 SPEA y SPEA2
2.2.3 NSGA2
PAES
2.2.5 Otros MOEA típico
2.3 Algoritmo evolutivo híbrido multiobjetivo
2.3.1 Búsqueda local genética multiobjetivo
2 3 .
PAES
2.3.4 Algoritmo evolutivo caótico multiobjetivo
2.4 Algoritmo evolutivo multiobjetivo colaborativo
2.5 Algoritmo evolutivo multiobjetivo dinámico
2.5.1
2.5.2 MOEA dinámico
2.6 Algoritmo evolutivo multiobjetivo paralelo
2.6.1 Principios básicos del multiobjetivo paralelo algoritmo evolutivo objetivo
2.6.2 Algoritmo genético multiobjetivo de resolución múltiple
2.6.3 Algoritmo genético de front-end único paralelo
2.7 Otros evolutivos multiobjetivo algoritmos
2.7.1 Optimización multiobjetivo de alta dimensión Algoritmo NSGA2 mejorado
2.7.2 Algoritmo evolutivo para optimización dinámica multiobjetivo
2.8 Conclusión y perspectivas
Referencia
Capítulo 3 más Algoritmo de optimización de enjambre de partículas objetivo
3.1 Principios básicos
3.2 Algoritmo típico de optimización de enjambre de partículas multiobjetivo
3. 2. 1 CMOS po
3.2.2 Algoritmo de optimización de enjambre de partículas de aprendizaje integral multiobjetivo
3.2.3 Optimización de enjambre de partículas multiobjetivo de archivos de Pareto algoritmo
3.3 Algoritmo de optimización de enjambre de partículas híbridas multiobjetivo
p>3.3.1 Algoritmo de optimización de enjambre de partículas multiobjetivo difuso
3.3.2 Multiobjetivo Algoritmo híbrido de optimización de enjambre de partículas basado en búsqueda dispersa
3.4 Algoritmo interactivo de optimización de enjambre de partículas
3.5 Conclusión
Referencia
Capítulo 4 Otros múltiples -Algoritmos de optimización inteligente objetivo
4.1 Algoritmo de recocido simulado multiobjetivo
4.2 Algoritmo de colonia de hormigas multiobjetivo
4.2.1 Algoritmo de colonia de hormigas multiobjetivo para resolución de problemas de optimización continua
4.2.2 Algoritmo de colonias de hormigas multiobjetivo para problemas de optimización combinatoria
4.3 Algoritmo inmune multiobjetivo
4.4 Evolución diferencial multiobjetivo algoritmo
4.5 Búsqueda descentralizada multiobjetivo
4.6 Conclusión
Referencia
Capítulo 5 Optimización de redes neuronales artificiales
5.1 Red neuronal evolutiva de Pareto
5.2 Optimización y diseño de red neuronal con función de base radial
p>5.3 Red neuronal recurrente
Optimización y diseño
5.4 Optimización multiobjetivo de redes neuronales difusas
5.5 Conclusión
Referencia
Capítulo 6 Optimización del sistema logístico de transporte
p>
6.1 Optimización de rutas de distribución logística
6.1.1 Optimización de rutas de vehículos multiobjetivo
6.1.2 Optimización de rutas de vehículos aleatorias multiobjetivo
6.2 Optimización de la red de autobuses urbanos
6.3 Público * * * Programación del tráfico
6.3.1 Descripción general
6.3.2 Programación de conductores multiobjetivo
6.4 Conclusión
Referencia
Capítulo 7 Programación de producción multiobjetivo
7.1 Descripción de la programación de producción_
7.1.1 Taller de trabajo Problemas de programación
7.1.2 Programación de producción en intervalos
7.1.3 Programación de producción dinámica
7.1.4 Programación del procesador por lotes y programación E/T
7.2 Método de representación de la programación de producción
7.3 Programación de taller de trabajo multiobjetivo basada en algoritmo evolutivo
7.3.1 Programación de taller de flujo multiobjetivo
Programación de trabajo con múltiples objetivos
Programación difusa multiobjetivo basada en algoritmo evolutivo
7.4.1 Programación difusa: método de Sakagawa
7.4.2 Programación de trabajo difuso : Método cMEA
7.5 Programación flexible multiobjetivo basada en algoritmo evolutivo
7.5.1 Método de programación genética híbrida
Algoritmo genético híbrido
7.6 Basado en programación multiobjetivo de optimización de enjambre de partículas
Programación de taller de trabajo multiobjetivo basada en optimización de enjambre de partículas
7.6.2 Algoritmo híbrido de enjambre de partículas para programación flexible multiobjetivo
7.7 Despacho estocástico multiobjetivo
7.8 Conclusión y perspectivas
Referencia
Capítulo 8 Optimización del sistema de energía y otros
8.1 Optimización del sistema eléctrico
8.1.1 Optimización de la potencia reactiva multiobjetivo basada en algoritmo inmune
8.1.2 Planificación de la red eléctrica multiobjetivo basada en optimización jerárquica
8.1.3 Basado en NSGA2 y planificación de red eléctrica multiobjetivo coevolutiva
8.2 Optimización del enrutamiento Qos de multidifusión
8.3 Diseño de sistema de fabricación de unidades
8.3.1 Descripción general
8.3.2 Construcción de unidades multiobjetivo basada en búsqueda tabú
8.3.3 Construcción de unidades multiobjetivo basada en búsqueda tabú paralela
8.4 Diseño del sistema de control automático
8.4.1 Descripción general
8.4.2 Control del sistema de energía híbrido
8.4.3 Diseño de controlador PID robusto
8.5 Conclusión
Referencia
Función de prueba de la parte del apéndice
......