序
前言
第1章 绪论
1.1 引言
1.2 进化算法简介
1.2.1 EA的产生背景
1.2.2 EA的主要特点
1.2.3 EA的研究现状
1.2.4 EA的主要应用
1.3 动态优化问题及其进化算法
1.3.1 DMOP及基本概念
1.3.2 动态优化进化算法研究现状
1.4 动态优化问题的进化算法研究目标
1.5 本书的体系结构
1.6 本章小结
参考文献
第2章 进化算法的理论及其实现技术
2.1 EA的基本框架
2.2 遗传算法的模式理论
2.2.1 模式理论
2.2.2 积木块理论
2.3 进化算法的收敛性理论
2.3.1 预备知识
2.3.2 经典遗传算法的收敛性
2.3.3 改进的经典遗传算法的收敛性
2.3.4 一般遗传算法的收敛性
2.4 进化算子及其操作设计
2.5 本章小结
参考文献
第3章 动态无约束多目标优化进化算法
3.1 问题及相关概念
3.2 静态优化模型
3.2.1 DUMOP转化为许多静态优化问题
3.2.2 静态双目标优化模型
3.3 解动态无约束多目标优化进化算法
3.3.1 子空间Levy分布杂交算子
3.3.2 带区间分割的非均匀变异算子
3.3.3 动态多目标优化进化算法（DMEA）
3.4 理论分析
3.5 实验结果
3.5.1 测试函数
3.5.2 测试结果与分析
3.6 本章小结
参考文献
第4章 动态约束多目标优化进化算法
4.1 问题及相关概念
4.2 动态双目标优化模型
4.2.1 广义解序值方差函数
4.2.2 广义解密度方差函数
4.2.3 问题的转化
4.3 动态约束多目标优化进化算法
4.3.1 选择算子
4.3.2 杂交算子
4.3.3 约束处理
4.3.4 动态多目标优化进化算法流程
4.4 收敛性分析
4.5 数值仿真
4.5.1 测试圈数
4.5.2 测试结果
4.6 本章小结
参考文献
第5章 离散时间空间上的动态多目标优化进化算法
5.1 问题及预备知识
5.2 分布估计模型
5.3 核分布估计动态多目标进化算法
5.3.1 环境变化自检算子
5.3.2 新算法（CDDMEA）流程
5.4 算法复杂性分析
5.5 数值仿真结果
5.6 本章小结
参考文献
第6章 动态多目标优化问题的粒子群算法
6.1 问题及预备知识
6.2 动态多目标优化粒子群算法
6.2.1 PSO的数学模型
6.2.2 适时变异算子
6.2.3 改进的惯性因子国
6.2.4 环境变化判断规则
6.2.5 动态多目标优化PSO算法
6.3 算法分析
6.4 数值仿真
6.5 本章小结
参考文献
第7章 基于进化算法求解动态非线性约束优化问题
7.1 问题及相关概念
7.2 动态非线性约束优化问题数学模型
7.3 动态多目标优化进化算法
7.3.1 杂交算子
7.3.2 变异算子
7.3.3 新的进化算法（DNEA）流程
7.4 收敛性分析
7.5 数值仿真
7.5.1 性能度量指标
7.5.2 测试函数
7.5.3 测试结果
7.6 本章小结
参考文献
第8章 动态多目标进化算法性能评价
8.1 引言
8.2 性能测试设计方法
8.2.1 性能测试目的
8.2.2 度量DMOEA的指标
8.3 静态多目标进化算法性能评价方法
8.3.1 收敛性的度量
8.3.2 分布性的度量
8.4 动态多目标进化算法（DMOEA）性能评价方法
8.4.1 收敛性的度量
8.4.2 分布性的度量
8.5 本章小结
参考文献
第9章 动态多目标优化问题测试集
9.1 静态多目标优化测试函数
9.1.1 无约束SMOP测试函数
9.1.2 约束SMOP测试函数
9.1.3 ZDT测试函数集
9.1.4 DTLZ测试函数集
9.2 动态多目标优化测试函数
9.2.1 无约束DMOP测试函数
9.2.2 约束DMOP测试函数
9.3 本章小结
参考文献
附录1 符号说明
附录2 算法DMEA在固定时间（环境）t下部分源程序
附录3 第3章绘制C-measure示意图部分源程序
附录4 第3章绘制U-measure示意图的源程序
缺书网
扫码进群