本書從群智能優化算法和高維多目標優化兩方面入手，一方面系統地介紹了差分進化算法的基本原理及國內外研究現狀，通過分析算法的模型、關鍵步驟及參數設置，設計和構建了高性能的改進算法，并將其應用于醫學圖像處理、電子商務等實際工程領域；另一方面，深入分析了高維多目標優化算法的基本原理、國內外研究現狀及關鍵技術難點，詳細描述了基于差分進化算法的高維多目標優化算法設計、構建與實驗分析，以及其在智能交通系統中的實際應用。
本書取材新穎、內容翔實、覆蓋面廣，案例分析具有較強的可重復性和可執行性，不僅適合于初學者，也適合自動化、計算機、信息科學等相關專業的高年級本科生和研究生、進化計算及高維多目標優化研究愛好者以及工程優化人員等。
本書的主要特點主要包括3個方面。
1. 對高維多目標優化問題進行了詳細介紹，綜述了現階段國內外研究現狀，對該類問題進行了深入的技術分析，有利于研究人員全面、準確掌握該類問題的核心技術難點，給出了具體算法分析設計原理、步驟及實驗數據。
2. 設計并提出了基于DE算法的多目標優化算法，實現了針對高維多目標優化問題的高效求解，相關性能指標達到國內外先進水平。
3. 給出了DE算法求解實際工程領域中高維多目標優化問題的應用案例，具有較強的可操作性、可重復性和可執行性。
肖婧 研究方向：智能信息處理、復雜網絡 講授課程：網絡科學理論與應用、算法分析與設計 圖書出版：《信息智能處理技術》電子工業出版社，亞馬遜熱銷商品排名: 圖書商品里排第976,385名。中國石油大學、深圳大學等高校碩士研究生教材
第 1章 緒論 1
1.1 引言 1
1.2 差分進化算法研究現狀 3
1.2.1 差分進化算法研究數據統計 3
1.2.2 差分進化算法理論及應用研究概況 5
參考文獻 7
第 2章 差分進化算法概述 12
2.1 引言 12
2.2 差分進化算法基本原理 12
2.2.1 算法原理及關鍵步驟 12
2.2.2 算法框架及流程 16
2.3 差分進化算法優化策略及其對算法的影響 17
2.3.1 變異策略及其對算法的影響 18
2.3.2 交叉策略及其對算法的影響 19
2.4 差分進化算法的參數分析及設置 20
2.5 差分進化算法的收斂性分析 22
2.5.1 差分進化算法的隨機過程描述 22
2.5.2 差分進化算法的收斂性定義 23
2.6 本章小結 23
參考文獻 24
第3章 基于分類變異策略的自適應差分進化算法 26
3.1 引言 26
3.2 基于分類策略的新變異方法 27
3.2.1 新DE變異策略DE/rand-to-best/pbest 27
3.2.2 分類策略 28
3.3 新參數自適應調整策略 29
3.4 實驗測試及結果分析 31
3.4.1 測試函數選擇 31
3.4.2 比較算法選擇 32
3.4.3 算法比較策略及準則 33
3.4.4 算法比較結果及分析 33
3.5 本章小結 48
參考文獻 49
第4章 基于DE算法的人腦PET圖像目標邊緣檢測 51
4.1 引言 51
4.2 傳統Snake模型及GVF Snake模型 52
4.3 結合p-ADE算法的GVF Snake模型實現PET圖像目標邊緣檢測 54
4.4 實驗測試及結果分析 58
4.5 本章小結 61
參考文獻 62
第5章 基于DE算法的電子商務多邊多議題協商 63
5.1 引言 63
5.2 基于多Agent的多邊多議題協商 64
5.3 p-ADE算法在合-作環境下多邊多議題協商中的應用 66
5.3.1 基于p-ADE算法的多Agent協商協議 66
5.3.2 基于p-ADE算法的多Agent協商策略 67
5.4 實驗測試及結果分析 69
5.5 本章小結 72
參考文獻 72
第6章 基于精英策略的改進多目標自適應DE算法 74
6.1 引言 74
6.2 多目標優化問題的數學描述 76
6.3 多目標進化算法的研究現狀 78
6.4 精英SDEMO算法 80
6.4.1 精英多目標進化算法模型 81
6.4.2 SDEMO算法精英選擇策略改進 84
6.4.3 SDEMO算法密度估計方法改進 84
6.4.4 SDEMO算法中DE算法變異策略改進 85
6.4.5 SDEMO算法中DE算法參數自適應方法改進 86
6.4.6 SDEMO算法流程 87
6.5 實驗測試及結果分析 87
6.5.1 測試函數及性能評價標準 88
6.5.2 測試結果及分析 90
6.6 本章小結 95
參考文獻 96
第7章 高維多目標進化算法概述 100
7.1 引言 100
7.2 高維多目標進化算法研究進展 101
7.2.1 算法模型框架的國內外研究現狀及分析 102
7.2.2 精英選擇策略的國內外研究現狀及分析 103
7.2.3 多目標分解的國內外研究現狀及分析 104
7.3 高維多目標進化算法的標準測試函數 105
7.4 高維多目標進化算法的性能指標 109
7.4.1 收斂性評價指標 109
7.4.2 分布性評價指標 110
7.4.3 綜合性評價指標 112
7.5 高維多目標進化算法關鍵技術 112
7.6 本章小結 114
參考文獻 115
第8章 基于改進K支配的高維多目標差分進化算法 118
8.1 引言 118
8.2 K支配關系及排序方法改進 119
8.2.1 K支配關系改進及參數確定 120
8.2.2 K支配等級排序方法改進 121
8.3 基于參考點的擁擠密度估計方法改進 122
8.4 個體適應度值評價方法改進 123
8.5 CAO局部搜索 124
8.6 實驗測試及結果分析 125
8.7 本章小結 129
參考文獻 129
第9章 基于全局排序的高維多目標差分進化算法 131
9.1 引言 131
9.2 高維多目標優化支配排序方法 132
9.3 全局排序高維多目標差分進化算法概述 133
9.3.1 高維多目標優化全局排序策略 134
9.3.2 高維多目標優化全局密度估計 139
9.3.3 高維多目標優化個體適應度值評價 140
9.3.4 GR-MODE算法流程 140
9.4 實驗測試及結果分析 141
9.5 本章小結 143
參考文獻 143
第 10章 基于高維多目標優化的城市智能化動態停車誘導 146
10.1 引言 146
10.2 城市PGS 147
10.2.1 城市PGS及核心關鍵技術 147
10.2.2 城市PGS研究現狀 147
10.3 高維多目標智能停車場及路徑誘導模型 150
10.3.1 出行前靜態的高維多目標停車場及路徑誘導模型 151
10.3.2 出行中動態的高維多目標停車場及路徑誘導模型 152
10.4 高維多目標智能停車場及路徑誘導算法 154
10.4.1 基于KS-MODE算法的高維多目標智能停車場誘導算法 154
10.4.2 基于DE算法的單目標*優路徑誘導算法 156
10.5 實驗測試及結果分析 157
10.5.1 出行前靜態停車場選擇及路徑誘導結果 162
10.5.2 出行中動態停車場選擇及路徑誘導結果 164
10.6 本章小結 167
參考文獻 167
第 11章 基于高維多目標優化的道路交叉口信號控制 169
11.1 引言 169
11.2 交叉口混合交通流信號控制指標 170
11.3 交叉口信號高維多目標優化智能控制模型 174
11.3.1 高維多目標優化信號控制模型建立 174
11.3.2 高維多目標優化信號控制模型求解 175
11.4 實驗測試及結果分析 176
11.5 本章小結 178
參考文獻 179
附 錄 180
名詞索引 183
新書資訊