智能優化混合算法是一種以某類優化算法為基礎，融合其他智能算法或理論的混合算法，可用于求解各種工程問題優化解。
《現代智能優化混合算法及其應用（第2版）》系統討論了現今應用較為廣泛的幾種智能優化混合算法，主要內容來源于作者多年的研究成果，使讀者比較全面地了解智能優化混合算法的相關知識及應用。《現代智能優化混合算法及其應用（第2版）》理論聯系實際，集知識性、專業性、操作性、技能性為一體，對智能優化混合算法的原理、步驟、應用等進行了全面且詳細的介紹。
1997年~至今：大連交通大學軟件學院，副教授，碩士生導師，副院長。遼寧省計算機學會 理事。主持多項省、市基金項目，長期從事ERP、企業信息化的研究，詳見附件2。
第1章 緒論
1.1 智能優化算法簡介
1.1.1 遺傳算法簡介
1.1.2 蟻群算法簡介
1.1.3 退火算法簡介
1.1.4 云遺傳算法簡介
1.2 混合優化算法簡介
1.2.1 混合優化算法概述
1.2.2 混合優化算法現狀
1.3 本章小結
第2章 混合遺傳算法
2.1 基本遺傳算法
2.1.1 基本遺傳算法及流程圖
2.1.2 基本遺傳算法的特點
2.2 改進的遺傳算法
2.2.1 雙閾值控制的遺傳算法
2.2.2 改進的偽并行遺傳算法
2.2.3 改進的小生境遺傳算法
2.2.4 改進的自適應遺傳算法
2.2.5 基于免疫原理的新優化遺傳算法
2.2.6 模式理論及模式導向的遺傳算法
2.2.7 改進的雙倍體遺傳算法
2.2.8 改進的并行遺傳算法
2.3 遺傳算法與其他優化算法的融合
2.3.1 病毒進化遺傳算法
2.3.2 改進的DNA免疫遺傳算法
2.4 本章小結
第3章 混合蟻群算法
3.1 基本蟻群算法
3.1.1 基本蟻群算法及流程圖
3.1.2 基本蟻群算法的特點
3.2 改進的蟻群算法
3.2.1 一種改進的非均勻窗口蟻群算法
3.2.2 基于變異和動態信息素更新的蟻群優化算法
3.3 蟻群、遺傳算法的融合――動態蟻群遺傳算法
3.4 本章小結
第4章 混合退火算法
4.1 基本退火算法
4.1.1 基本退火算法及流程圖
4.1.2 基本退火算法的特點
4.2 退火算法與其他優化算法的融合
4.2.1 改進的遺傳退火算法
4.2.2 基于學習機制的退火并行遺傳算法
4.3 本章小結
第5章 其他典型混合優化算法
5.1 禁忌-并行混合遺傳算法
5.1.1 禁忌-并行遺傳算法的關鍵技術
5.1.2 混合算法流程
5.2 周期性病毒進化遺傳算法
5.2.1 新的周期性病毒進化遺傳算法的基本思想
5.2.2 改進的周期性病毒進化遺傳算法流程
5.2.3 改進的周期性病毒進化遺傳算法的優點
5.3 改進的決策樹學習算法
5.4 改進的廣義粒子群優化算法
5.4.1 基本粒子群優化算法介紹
5.4.2 基本粒子群優化機理分析
5.4.3 廣義粒子群優化算法模型
5.4.4 GPSO的具體流程
5.5 一種基于粒子群優化的反向傳播神經網絡算法
5.6 一種基于混沌優化的模糊聚類方法
5.6.1 聚類的定義
5.6.2 基于混沌優化的模糊聚類
5.7 本章小結
第6章 云遺傳算法及其應用
6.1 基本云遺傳算法
6.1.1 云模型發生器
6.1.2 基本云遺傳算法及流程圖
6.2 改進的云遺傳算法
6.2.1 云自適應遺傳算法
6.2.2 云自適應量子遺傳算法
6.3 本章小結
第7章 混合優化算法的典型應用
7.1 TSP問題
7.1.1 旅行商問題模型
7.1.2 采用動態蟻群遺傳算法求解TSP問題
7.2 0-1背包問題
7.2.1 0-1背包問題模型
7.2.2 使用改進的遺傳退火算法求解0-1背包問題
7.3 車間調度問題
7.3.1 車間調度問題的描述
7.3.2 雙閾值控制的遺傳算法求解車間調度問題
7.4 車輛路徑問題
7.4.1 車輛路徑問題描述
7.4.2 自適應遺傳算法求解車輛路徑問題
7.5 裝箱問題
7.5.1 裝箱問題描述
7.5.2 使用基于學習機制的退火并行遺傳算法求解裝箱問題
7.6 圖著色問題
7.6.1 圖著色問題描述
7.6.2 周期性病毒進化遺傳算法求解圖著色問題
7.7 本章小結
第8章 總結及展望
8.1 主要工作總結及創新
8.2 未來發展方向
8.3 本章小結
參考文獻
新書資訊