目錄
前言
第1章 智能計(jì)算概述 1
1.1 智能計(jì)算 1
1.1.1 智能的三個(gè)要素 1
1.1.2 智能能力 2
1.1.3 計(jì)算能力 4
1.1.4 智能計(jì)算特征 7
1.1.5 智能與計(jì)算的融合 8
1.2 智能計(jì)算技術(shù) 9
1.2.1 人工神經(jīng)網(wǎng)絡(luò) 10
1.2.2 模糊系統(tǒng) 10
1.2.3 演化計(jì)算 11
1.3 智能計(jì)算與多目標(biāo)優(yōu)化 13
1.4 本書(shū)組織結(jié)構(gòu) 15
第2章 復(fù)雜多目標(biāo)優(yōu)化問(wèn)題概述 17
2.1 多目標(biāo)優(yōu)化問(wèn)題與傳統(tǒng)優(yōu)化方法 17
2.1.1 多目標(biāo)優(yōu)化問(wèn)題 17
2.1.2 傳統(tǒng)多目標(biāo)優(yōu)化基本方法 19
2.2 演化算法解決多目標(biāo)優(yōu)化問(wèn)題的優(yōu)勢(shì) 24
2.2.1 演化算法與依賴梯度信息數(shù)學(xué)優(yōu)化的比較 24
2.2.2 多目標(biāo)優(yōu)化問(wèn)題的基本概念 27
2.2.3 多目標(biāo)演化算法 29
2.2.4 多目標(biāo)演化優(yōu)化算法研究現(xiàn)狀 30
2.3 復(fù)雜多目標(biāo)優(yōu)化問(wèn)題 35
2.3.1 高維多目標(biāo)優(yōu)化 35
2.3.2 大規(guī)模多目標(biāo)優(yōu)化 39
2.3.3 動(dòng)態(tài)多目標(biāo)優(yōu)化 40
2.3.4 約束多目標(biāo)優(yōu)化 42
2.3.5 昂貴多目標(biāo)優(yōu)化 45
2.3.6 多模態(tài)多目標(biāo)優(yōu)化 48
2.3.7 多任務(wù)多目標(biāo)優(yōu)化 49
2.3.8 不確定問(wèn)題的魯棒多目標(biāo)優(yōu)化 51
2.3.9 機(jī)器學(xué)習(xí)問(wèn)題的復(fù)雜多目標(biāo)優(yōu)化 53
第3章 復(fù)雜多目標(biāo)演化優(yōu)化基礎(chǔ)知識(shí) 60
3.1 多目標(biāo)演化優(yōu)化代表性算法 60
3.1.1 NSGA-Ⅱ和NSGA-Ⅲ算法 60
3.1.2 基于分解的算法 62
3.1.3 基于評(píng)價(jià)指標(biāo)的算法 63
3.1.4 基于新型演化方法的算法 64
3.2 多目標(biāo)優(yōu)化算法優(yōu)劣的評(píng)價(jià) 73
3.2.1 多目標(biāo)優(yōu)化問(wèn)題的收斂性和多樣性分析 73
3.2.2 多目標(biāo)優(yōu)化算法的性能度量 74
3.2.3 多目標(biāo)優(yōu)化算法的測(cè)試問(wèn)題 75
3.3 復(fù)雜多目標(biāo)演化優(yōu)化代表性求解策略 79
3.3.1 參考向量自適應(yīng)調(diào)整策略 79
3.3.2 協(xié)同優(yōu)化策略 82
3.3.3 目標(biāo)代理模型的建立 84
3.3.4 基于遷移學(xué)習(xí)的優(yōu)化策略 85
3.4 本章小結(jié) 87
第4章 基于泛化Pareto優(yōu)的高維多目標(biāo)演化策略 88
4.1 對(duì)稱泛化Pareto優(yōu)思想的提出 88
4.2 Pareto優(yōu)的對(duì)稱泛化 91
4.2.1 Pareto優(yōu)的具體泛化過(guò)程 91
4.2.2 泛化Pareto優(yōu)的相關(guān)性質(zhì) 94
4.2.3 與其他最優(yōu)性條件的關(guān)系 95
4.3 對(duì)稱泛化Pareto優(yōu)的實(shí)驗(yàn)分析 97
4.3.1 支配率曲面的估算 98
4.3.2 近優(yōu)解群非支配度分布的對(duì)比 100
4.3.3 近優(yōu)解群非支配度空間的對(duì)比 101
4.4 Pareto優(yōu)的對(duì)稱泛化對(duì)算法性能影響的實(shí)驗(yàn)分析 103
4.4.1 演化解群收斂度與分布性的對(duì)比 103
4.4.2 算法整體運(yùn)行時(shí)間的對(duì)比 105
4.5 本章小結(jié) 108
第5章 基于分解的雙檔案高維多目標(biāo)演化算法 109
5.1 引言 109
5.2 相關(guān)工作 110
5.2.1 雙檔案算法框架 110
5.2.2 改進(jìn)的雙檔案多目標(biāo)演化算法 110
5.3 基于分解的雙檔案多目標(biāo)演化算法 111
5.3.1 研究動(dòng)機(jī) 111
5.3.2 算法框架 111
5.3.3 收斂性檔案更新策略 113
5.3.4 多樣性檔案更新策略 117
5.3.5 計(jì)算復(fù)雜度 123
5.3.6 算法分析與比較 123
5.4 實(shí)驗(yàn)設(shè)計(jì) 124
5.4.1 測(cè)試函數(shù) 124
5.4.2 性能指標(biāo) 124
5.4.3 對(duì)比算法 125
5.4.4 參數(shù)設(shè)置 125
5.5 實(shí)驗(yàn)結(jié)果 126
5.5.1 DTLZ測(cè)試函數(shù)上的比較結(jié)果 127
5.5.2 WFG測(cè)試函數(shù)上的比較結(jié)果 132
5.5.3 關(guān)鍵參數(shù)對(duì)算法性能的影響 137
5.5.4 分析與討論 139
5.6 本章小結(jié) 140
第6章 基于(M-1)+1 泛化Pareto支配框架的高維多目標(biāo)演化優(yōu)化算法 141
6.1 引言 141
6.2 相關(guān)工作 142
6.2.1 GPO的定義 142
6.2.2 近期相關(guān)方法綜述 143
6.2.3 研究動(dòng)機(jī) 144
6.3 所提算法 145
6.3.1 基本框架 145
6.3.2 極端解的確定 146
6.3.3 基于距離的子集選擇 146
6.3.4 基于(M-1)-GPD 的環(huán)境選擇 147
6.3.5 時(shí)間復(fù)雜度分析與主要特性分析 152
6.4 測(cè)試函數(shù)實(shí)驗(yàn)分析 153
6.4.1 實(shí)驗(yàn)設(shè)置 153
6.4.2 (M-1)-GPD策略的有效性分析 155
6.4.3 與其他MaOEA的性能比較 162
6.4.4 擴(kuò)張角φ的敏感性分析 171
6.4.5 MultiGPO的進(jìn)一步分析 189
6.5 實(shí)際應(yīng)用問(wèn)題分析 192
6.5.1 實(shí)驗(yàn)設(shè)置 193
6.5.2 結(jié)果與討論 193
6.6 本章小結(jié) 197
第7章 基于參考矢量合作演化的約束多目標(biāo)優(yōu)化算法 198
7.1 約束多目標(biāo)優(yōu)化的基本問(wèn)題 198
7.2 基于問(wèn)題變換的約束多目標(biāo)優(yōu)化算法 200
7.2.1 算法原理 200
7.2.2 DC-NSGA-Ⅲ算法框架 201
7.3 考慮問(wèn)題類型的約束與目標(biāo)平衡方法 205
7.4 基于推拉搜索的約束多目標(biāo)優(yōu)化算法 213
7.4.1 算法原理 213
7.4.2 PPS-MOEA/D算法框架 218
7.5 一種基于高斯罰函數(shù)約束處理的多目標(biāo)優(yōu)化算法 222
7.5.1 高斯罰函數(shù)約束處理 223
7.5.2 約束多目標(biāo)優(yōu)化算法框架 224
7.6 約束多目標(biāo)優(yōu)化算法的比較研究 227
7.7 本章小結(jié) 230
第8章 數(shù)據(jù)驅(qū)動(dòng)的多目標(biāo)進(jìn)化優(yōu)化算法及其應(yīng)用 231
8.1 引言 231
8.2 數(shù)據(jù)驅(qū)動(dòng)的進(jìn)化優(yōu)化框架 232
8.2.1 模型選擇 232
8.2.2 模型構(gòu)建 234
8.2.3 模型管理 236
8.3 數(shù)據(jù)驅(qū)動(dòng)的船型設(shè)計(jì)優(yōu)化方法 237
8.3.1 船型設(shè)計(jì)優(yōu)化介紹 237
8.3.2 船型優(yōu)化的主要技術(shù) 237
8.3.3 基于SBD技術(shù)的船型設(shè)計(jì)智能優(yōu)化 240
8.3.4 多學(xué)科設(shè)計(jì)優(yōu)化 245
8.4 本章小結(jié) 246
第9章 面向不確定性問(wèn)題的數(shù)據(jù)驅(qū)動(dòng)多目標(biāo)優(yōu)化算法 248
9.1 引言 248
9.2 混合采樣算法框架 249
9.3 多樣性采樣機(jī)制 252
9.3.1 基于RVEA的采樣策略 252
9.3.2 Pareto前沿面上的表面插值策略 254
9.4 收斂性采樣 260
9.4.1 支配數(shù)量改善期望策略 260
9.4.2 目標(biāo)值總和的max-min期望改善策略 264
9.5 數(shù)值仿真和比較研究 267
9.5.1 實(shí)驗(yàn)設(shè)置 268
9.5.2 實(shí)驗(yàn)結(jié)果及分析 269
9.6 本章小結(jié) 272
第10章 決策變量具有噪聲擾動(dòng)的魯棒多目標(biāo)優(yōu)化 274
10.1 噪聲輸入下的魯棒多目標(biāo)優(yōu)化問(wèn)題定義 274
10.1.1 問(wèn)題背景 274
10.1.2 輸入存在噪聲干擾的魯棒多目標(biāo)優(yōu)化問(wèn)題定義 274
10.2 魯棒性的度量方法 275
10.3 基于存活率的魯棒多目標(biāo)演化優(yōu)化算法 276
10.3.1 RMOEA-SuR的基本框架 277
10.3.2 精確采樣 278
10.3.3 隨機(jī)分組 280
10.3.4 存檔更新 281
10.3.5 最優(yōu)魯棒前沿的構(gòu)建 282
10.3.6 對(duì)比實(shí)驗(yàn)結(jié)果與分析 285
10.3.7 結(jié)論 287
10.4 不確定性問(wèn)題的帕累托前沿 288
10.5 基于UPF 的魯棒多目標(biāo)群體搜索優(yōu)化算法SaRMOEA-UPF 292
10.5.1 演化優(yōu)化過(guò)程及最終不確定性問(wèn)題帕累托前沿的構(gòu)建 292
10.5.2 對(duì)比實(shí)驗(yàn)與結(jié)果分析 293
10.5.3 結(jié)論 297
10.6 本章小結(jié) 298
第11章 基于高維多目標(biāo)優(yōu)化的分類型數(shù)據(jù)聚類算法 300
11.1 引言 300
11.2 相關(guān)工作 301
11.2.1 幾種常規(guī)的分類數(shù)據(jù)聚類算法 301
11.2.2 聚類有效性指標(biāo)綜述 304
11.3 面向分類數(shù)據(jù)的高維多目標(biāo)聚類算法 304
11.3.1 個(gè)體編碼和種群初始化 305
11.3.2 重組操作 306
11.3.3 目標(biāo)函數(shù)建立和環(huán)境選擇 310
11.3.4 最終聚類解的確定 311
11.3.5 時(shí)間復(fù)雜度分析 312
11.4 實(shí)驗(yàn)結(jié)果與分析 313
11.4.1 對(duì)比算法和參數(shù)設(shè)置 313
11.4.2 數(shù)據(jù)集和評(píng)估指標(biāo) 313
11.4.3 實(shí)驗(yàn)結(jié)果與分析 314
11.4.4 聚類數(shù)未知情況下的結(jié)果與討論 323
11.5 本章小結(jié) 324
第12章 可拓展性多目標(biāo)聚類算法的種群編碼機(jī)制 325
12.1 引言 325
12.2 相關(guān)工作 326
12.2.1 聚類集成 326
12.2.2 聚類代表點(diǎn)選擇策略 326
12.2.3 研究動(dòng)機(jī) 327
12.3 基于層次拓?fù)浣Y(jié)構(gòu)的代表點(diǎn)訓(xùn)練及解編碼機(jī)制 327
12.3.1 基本定義 327
12.3.2 基于層次結(jié)構(gòu)的代表點(diǎn)訓(xùn)練方法 328
12.3.3 基于代表點(diǎn)的圖編碼策略 331
12.4 所提算法框架 332
12.4.1 目標(biāo)函數(shù) 333
12.4.2 重組算子 334
12.4.3 最終聚類解的確定 337
12.4.4 時(shí)間復(fù)雜度分析 337
12.5 實(shí)驗(yàn)分析 338
12.5.1 數(shù)據(jù)集 338
12.5.2 對(duì)比算法和參數(shù)設(shè)置 339
12.5.3 當(dāng)聚類數(shù)已知情況時(shí)的性能比較 340
12.5.4 當(dāng)聚類數(shù)未知情況時(shí)的性能分析 346
12.5.5 運(yùn)行時(shí)間和可拓展性分析 350
12.6 HT-MOC 的進(jìn)一步分析與討論 351
12.6.1 對(duì)所提出的核心點(diǎn)初始化策略的分析 351
12.6.2 HT-MOC和△-MOCK的進(jìn)一步比較分析 352
12.6.3 與經(jīng)典聚類方法的對(duì)比分析 353
12.6.4 與快速聚類集成方法的對(duì)比分析 354
12.7 本章小結(jié) 355
第13章 深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)搜索的多目標(biāo)演化優(yōu)化 356
13.1 深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)搜索概述 356
13.2 搜索空間及編碼方式的相關(guān)工作 358
13.2.1 決策空間建模研究現(xiàn)狀及分析 358
13.2.2 搜索策略研究現(xiàn)狀及分析 360
13.3 算法流程與步驟描述 361
13.3.1 決策空間建模與編碼 362
13.3.2 算法流程 366
13.4 實(shí)驗(yàn)結(jié)果與分析 370
13.4.1 基準(zhǔn)算法與實(shí)驗(yàn)數(shù)據(jù)集 370
13.4.2 實(shí)驗(yàn)設(shè)置 370
13.4.3 分類精度的結(jié)果比較 371
13.4.4 計(jì)算效率的結(jié)果比較 377
13.4.5 對(duì)多目標(biāo)演化網(wǎng)絡(luò)結(jié)構(gòu)的進(jìn)一步分析 379
13.5 本章小結(jié) 380
第14章 代理模型輔助的多目標(biāo)深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)搜索 381
14.1 深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)搜索性能評(píng)估策略 381
14.2 雙層優(yōu)化問(wèn)題 382
14.3 所提算法 383
14.3.1 編碼方案與搜索空間 384
14.3.2 算法整體過(guò)程描述 384
14.3.3 基于代理模型的算法加速 387
14.4 實(shí)驗(yàn)分析 388
14.4.1 代理模型的性能 388
14.4.2 搜索效率 389
14.4.3 對(duì)標(biāo)準(zhǔn)數(shù)據(jù)的實(shí)驗(yàn)結(jié)果 390
14.5 本章小結(jié) 393
參考文獻(xiàn) 394
附錄A 聚類有效性函數(shù)的表達(dá)式 420
彩圖