新書推薦：
《
失衡与重塑——百年变局下的中国与世界经济
》
售價：HK$
132.2
《
不被定义的年龄：积极年龄观让我们更快乐、健康、长寿
》
售價：HK$
77.3
《
南方谈话：邓小平在1992
》
售價：HK$
80.6
《
纷纭万端 ： 近代中国的思想与社会
》
售價：HK$
109.8
《
中国古代文体形态研究（第四版）（中华当代学术著作辑要）
》
售價：HK$
168.0
《
朋党之争与北宋政治·大学问
》
售價：HK$
99.7
《
甲骨文丛书·波斯的中古时代（1040-1797年）
》
售價：HK$
88.5
《
以爱为名的支配
》
售價：HK$
62.7
|
| 編輯推薦： |
|
类电磁机制算法的研究与应用主要介绍了一种新型的元启发式全局优化算法类电磁机制算法。作者多年来一直从事该领域的研究，对原EM算法的不足进行改进。内容详实，有很高的参考价值。本书可作为计算机、自动控制、人工智能、管理科学和工业工程等专业高年级本科生和研究生的学习参考书，也可供从事计算智能、生产调度等工作的研究人员和工程技术人员参考使用。
|
| 內容簡介： |
|
本书主要介绍了一种新型的元启发式全局优化算法类电磁机制（EM）算法。首先针对EM算法的一些不足，对其进行了改进，提出了多种改进EM算法，这些算法为后续的研究提供了指导；然后以改进的算法为基础，分别提出了求解带约束优化问题、多目标优化问题、神经网络训练问题以及模式分类问题的EM算法；并提出了采用离散排列编码方式的离散化EM算法，用来求解流水车间调度问题和装配序列规划问题；zui后介绍了基于EM算法的函数优化软件。附录中给出了本书中使用的标准测试问题的详细介绍。本书可作为计算机、自动控制、人工智能、管理科学和工业工程等专业高年级本科生和研究生的学习参考书，也可供从事计算智能、生产调度等工作的研究人员和工程技术人员参考使用。
|
| 關於作者： |
|
高亮，现任华中科技大学机械科学与工程学院教授、博士生导师，工业与制造系统工程系主任、数字制造装备与技术国家重点实验室主任助理。2008年度教育部新世纪优秀人才支持计划获得者、教育部数字化设计与制造创新团队学术骨干。主要从事现代优化方法及其在设计制造中的应用等研究。
|
| 目錄：
|
第1章绪论1
1.1引言1
1.2全局优化及其国内外研究概况2
1.2.1全局优化问题简介2
1.2.2确定性全局优化方法3
1.2.3随机性全局优化方法4
1.3类电磁机制算法的研究现状与分析8
1.3.1类电磁机制算法的改进及拓展8
1.3.2类电磁机制算法的应用9
1.4现状总结与问题分析9
1.5本书的主要内容11
第2章基于EM算法的无约束函数优化方法13
2.1无约束函数优化问题简介13
2.2基本类电磁机制算法介绍14
2.2.1基本类电磁机制算法的理论与框架14
2.2.2基本类电磁机制算法的步骤15
2.2.3EM算法避免早熟的措施19
2.2.4函数优化20
2.2.5EM算法与遗传算法的比较21
2.3改进的类电磁机制算法23
2.3.1移动系数类电磁机制算法23
2.3.2模式局部搜索类电磁机制算法26
2.3.3自适应Solis & Wets局部搜索类电磁机制算法34
2.4本章小结44
第3章基于EM算法的约束函数优化方法45
3.1约束函数优化问题简介45
3.2智能优化算法中的约束处理方法简介45
3.3基于类电磁机制算法的约束优化方法52
3.3.1改进的EM算法53
3.3.2改进EM算法与DE算法的比较53
3.3.3可行性与支配规则55
3.3.4改进电量计算公式55
3.3.5改进约束EM算法的流程55
3.4约束函数优化仿真实验56
3.4.1PC配置和参数设置56
3.4.2改进约束EM算法效率的验证57
3.4.3基本函数测试集57
3.4.4CEC 2006测试函数集的仿真实验63
3.5约束类电磁机制算法的工程应用69
3.5.1在工程优化设计中的应用69
3.5.2在铣削加工参数优化中的应用74
3.6本章小结81
第4章基于EM算法的多目标函数优化方法83
4.1多目标函数优化问题简介83
4.2多目标函数优化中的基本概念84
4.3多目标方法概述85
4.4多目标类电磁机制（multiobjective
electromagnetismlike mechanism，MOEM）算法87
4.4.1多目标类电磁机制算法的基本流程87
4.4.2非支配解集88
4.4.3电量与合力的计算89
4.4.4移动中对越界的处理方法89
4.4.5快速非支配解排序90
4.4.6精英保留策略与聚集距离的计算90
4.5多目标函数优化仿真实验91
4.5.1测试函数91
4.5.2算法参数设置94
4.5.3实验结果94
4.6本章小结100
第5章基于EM算法的人工神经网络训练方法101
5.1人工神经网络简介101
5.2基于改进类电磁机制算法的人工神经网络训练方法102
5.2.1前馈神经网络模型102
5.2.2神经网络训练103
5.2.3基于PSEM算法的神经网络训练方法104
5.3基于类电磁机制算法的神经网络在旅游需求预测中的应用106
5.3.1旅游需求预测研究概述106
5.3.2经济计量模型107
5.3.3时间序列模型110
5.4本章小结114
第6章基于EM算法的模式分类方法116
6.1模式分类问题简介116
6.2基于类电磁机制算法的神经网络模型在分类问题中的应用117
6.2.1算法步骤117
6.2.2应用实例说明117
6.2.3试验结果与分析118
6.3类电磁机制算法直接应用于模式分类问题119
6.3.1模式分类问题的模型119
6.3.2改进的EM算法用于分类问题119
6.3.3数值试验120
6.4本章小结121
第7章基于离散EM算法的置换流水车间调度方法123
7.1流水车间调度问题及求解方法简介123
7.2基于随机键的离散类电磁机制算法求解PFSP问题126
7.2.1算法实现126
7.2.2置换流水车间调度实验结果与分析127
7.2.3置换模糊流水车间调度问题及其求解130
7.3基于Pathrelinking的离散类电磁机制算法求解PFSP问题138
7.3.1分布式置换流水车间调度问题138
7.3.2算法实现139
7.3.3实例结果与分析145
7.4本章小结152
第8章基于离散EM算法的装配序列规划方法153
8.1装配序列规划问题简介153
8.2基于连接体的装配序列规划问题156
8.2.1连接体的概念介绍156
8.2.2邻接表表示优先序列158
8.2.3相似度矩阵和目标函数159
8.3基于离散EM算法的装配序列规划算法160
8.3.1总体框架160
8.3.2种群初始化161
8.3.3电量和合力的计算162
8.3.4粒子的移动162
8.3.5引导式突变164
8.3.6结束准则165
8.4装配序列规划问题仿真实验结果与分析166
8.4.1订书机实例结果与分析166
8.4.2电脑主机实例结果与分析169
8.4.3电风扇实例结果与分析173
8.4.4镭射打印机实例结果与分析176
8.4.5结果分析与讨论180
8.5本章小结180
第9章基于类电磁机制算法的函数优化软件182
9.1mfcEM1.0简介182
9.2系统体系结构182
9.3原型系统实现183
9.3.1OEM无约束函数优化和MEM无约束函数优化183
9.3.2FEM有约束函数优化185
9.3.3自定义函数优化185
9.4本 章 小 结188
附录A第2章的24个低维无约束优化测试函数189
附录B第2章的8个高维无约束优化测试函数193
附录C第3章中约束函数优化标准测试集194
附录D第3章中约束函数优化工程实例205
附录E第5章中两个实例数据208
附录F第8章中镭射打印机数据210
参考文献214
|
| 內容試閱：
|
科学研究与工程应用中的很多问题都可归结为全局优化问题，解决全局优化问题的方法一般可分为确定性算法和随机性算法两类。由于很多全局优化问题具有高维度、大规模、不可微、多局部zui优等特点，确定性算法的优化效果难以满足需求，而且其所需计算时间太长，人们难以接受。随机性算法能在合理的时间内求得问题的近似zui优解，因此被越来越多的学者和工程技术人员研究与应用。元启发式算法metaheuristics algorithm是一类非常重要的随机性算法。元启发式算法是在启发式算法的基础上发展而来的。启发式的英文为heuristic，来自希腊单词es，直译为去找到，启发式算法往往是基于直观或者经验构造的算法。启发式算法体现了一种折中的方法论。它不再一味追求结果的精确度，而是试图在有效时间，甚至是很短的时间里，找到一个令人满意的结果。启发式算法在求解过程中容易陷入局部zui优解的困惑，为了避免这一问题，元启发式算法出现了。所谓元启发式算法，从算法的准确性与计算时间的折中性上看，其实质也是启发式算法。不过，这类算法试图设计一些算法迭代机制来引导启发式算法离开局部zui优解进而搜索全局zui优解。元（meta）在英语中的意思是更高层次，故可以将metaheuristics algorithm理解为更高层次的启发式算法。常用的元启发式算法包括模拟退火、进化算法、粒子群优化算法、蜂群算法、禁忌搜索算法、变邻域搜索算法、差分进化算法等。经过几十年的长足发展，元启发式算法包含的种类很多，分类也比较复杂。zui全面的一种分类方法是将元启发式算法分为基于轨迹和基于种群的两类算法。基于轨迹的算法是用单个点按照一定的规则来进行搜索，如模拟退火、禁忌搜索、迭代局部搜索和变邻域搜索等。基于种群的算法是用多个点构成一个种群，通过模拟自然界中的优胜劣汰法则（如遗传算法、差分进化算法等）或者动物种群相互协作机制（如粒子群算法、蚁群算法、蜂群算法等）进行搜索，体现了一点并行搜索的思想。进化算法和群体智能算法是元启发式算法中具有代表性的两种算法。它们被统称为自然启发式算法（natureinspired algorithm），都是基于种群算法的搜索算法。1963年，Rechenberg等人提出了进化策略（evolution strategy，ES），开创了进化算法的先河。ES作为一种求解参数优化问题的方法，模仿生物进化原理，假设不论基因发生何种变化，产生的结果（性状）总遵循零均值、某一方差的高斯分布。1966年，Fogel等人提出了进化规划（evolutionary programming，EP）。1975年， Holland提出了遗传算法（genetic
algorithm，GA）。GA可能是当今影响zui为广泛的进化计算方法之一。因为GA采用二进制编码方式，它更适合于求解离散优化问题。1980年，Smith提出了遗传编程（genetic programming，GP）的思想。1995年，Storn和Price提出了差分进化（differential evolution，DE）算法。相较于前面提到的4种经典进化算法，DE采用实数的编码方式，基于差分的简单变异操作和一对一的选择操作，降低了遗传操作的复杂性。群体智能（swarm intelligence）算法是另一类重要的元启发式算法。群体智能这一概念zui先由Gerardo Beni等人在1989年提出。群体智能算法中比较有代表性的算法有人工免疫系统（artificial immune systems，AIS）、蚁群算法（ant
colony optimization algorithm，ACOA）、粒子群优化算法（particle swarm optimization algorithm，PSOA）和人工蜂群算法（artificial
bee colony algorithm，ABCA）等。时至今日，许多新的元启发式算法依旧不断涌现，如蝙蝠算法、布谷鸟算法、差分搜索算法、狩猎算法、磁力搜索算法、智能水滴算法、杂草入侵算法、教师学习算法、磷虾群算法等。这些元启发式算法的出现表明人们对元启发式算法的需求还远未得到满足，元启发式算法依然是当前的研究热点。类电磁机制（electromagnetismlike mechanism，EM）算法是由Birbil等人在2003年提出的，它是一种多点随机搜索算法。它通过模拟电磁场中的吸引与排斥机制，来实现对全局zui优值的搜索，故称之为类电磁机制算法（EM算法）。到目前为止，EM 算法已经在一些优化领域得到了成功应用。将EM 算法与其他算法进行比较，人们发现它是一种搜索能力强大的全局优化算法。与遗传算法等其他元启发式算法相比，EM算法的收敛性已经得到了证明，这也是 EM算法的优势之一。在国家自然科学基金项目一种新的多点随机搜索算法类电磁机制算法的扩展与应用（项目编号：60973086）、旅游供应链协同预测方法的研究与应用（项目编号：70901030）的资助下，我们对类电磁机制算法进行了较为系统的研究：在分析其优、缺点的基础上，对该算法提出了针对性的改进，降低了算法的计算复杂度，极大地提高了算法的性能；将EM算法扩展应用于约束函数优化、多目标优化、神经网络训练、模式分类等多个领域；在EM算法离散化方面做出了创新性工作，率先提出了两种离散化方法，并将其成功应用于流水车间调度、装配序列规划等问题。这本书正是我们研究工作的一个小结。全书共9章，主要内容包括绪论（第1章），用EM算法求解无约束函数优化问题、约束函数优化问题及多目标函数优化问题（第2～4章），用EM算法训练神经网络并进行旅游供应链的预测（第5章），EM算法在模式分类问题中的应用（第6章），用EM算法求解流水车间调度问题和装配序列规划问题（第7、8章）及基于EM算法的函数优化软件开发（第9章）。本书zui后还给出了所采用的标准测试问题（附录），以便于读者使用和研究。本书的完成需要感谢国家自然科学基金的大力支持，感谢华中科技大学数字制造装备与技术国家重点实验室高亮教授课题组全体成员付出的辛勤劳动。由于作者水平有限，书中的错误及不妥之处在所难免，恳请读者批评指正。
编著者
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
