本書主要圍繞神經網絡優(yōu)化、粒子群優(yōu)化方法和填充函數方法等全局優(yōu)化方法展開了深入研究，取得了系列研究成果，豐富和完善了全局優(yōu)化理論幾種算法的改進和應用研究。首先，針對Hopfield網絡優(yōu)化，從優(yōu)化計算存在問題出發(fā)，比較分析Hopfield網絡優(yōu)化和模擬退火優(yōu)化，找到了兩種算法的切入點，給出了嵌入式混合優(yōu)化算法SA—HNN的原理和實現步驟，數值仿真證明了SA—HNN混合優(yōu)化算法用于組合優(yōu)化的可行性，有一定工程實用價值。其次，針對粒子群優(yōu)化算法，以提高種群多樣度、**解精度和優(yōu)化效率為目標，把混沌機制融入粒子群優(yōu)化，提出了基于混沌的彈性粒子群全局優(yōu)化算法；同時，把經典的梯度下降算法與上面提出的彈性修正粒子速度有機結合，互為補充，提出了基于梯度的彈性粒子群全局優(yōu)化方法，數值實驗證明了各改進算法的有效性和適用性。最后，針對填充函數方法，提出了一類新的無參數填充函數，把混沌優(yōu)化與填充函數方法有機結合，提出了基于混沌和填充函數的全局優(yōu)化方法，數值實驗驗證了算法的優(yōu)越性。
本書共七章：第一章緒論介紹研究的背景及意義。第二章對全局優(yōu)化理論基礎和優(yōu)化算法進行簡要介紹。第三章介紹Hopfield網絡優(yōu)化、混沌優(yōu)化的基本知識和標準粒子群算法及部分改進的粒子群算法。把模擬退火隨機優(yōu)化算法與Hopfield網絡梯度下降優(yōu)化算法有機結合起來，第四章提出一種嵌入式混合優(yōu)化算法SA-HNN，并通過數值實驗驗證算法的可行性和優(yōu)越性。第五章提出了3種改進的粒子群優(yōu)化算法，同時給出了數值實驗結果。第六章對填充函數方法進行詳細介紹，構造了一類新的無參數填充函數，從理論上證明了其具有填充函數的性質，并提出了基于混沌和填充函數的全局優(yōu)化方法。第七章是論文的總結與展望，并給出了進一步的研究內容和方向。
劉旭旺，男，副教授，1983年3月生，河南省漯河人。2013年7月于東北大學信息科學與工程學院畢業(yè)，獲得系統(tǒng)工程專業(yè)工學博士學位�，F任河南大學MBA教育中心辦公室主任，同時還在河南大學商學院電子商務系任教。主要研究方向為復雜系統(tǒng)建模與優(yōu)化、電子商務、行為運作管理、管理系統(tǒng)工程等。研究成果已在 Electronic Commerce Research and Applications ， IEEE Systems Journal 及《管理科學學報》《系統(tǒng)工程學報》《運籌學學報》《東北大學學報》《系統(tǒng)仿真學報》等雜志上發(fā)表學術論文20余篇，其中SSCI 收錄1篇，SCI 收錄2篇，EI 收錄5篇。主持教育部人文社科基金1項、河南省教育廳等廳級項目3項，參與國家自然科學基金2項。
第l章 緒論
1.1 課題的背景和意義
1.2 國內外研究現狀
1.3 本研究主要T作
1.4 本研究的內容結構
1.5 本書內容出版資助
第2章 全局優(yōu)化的基本理論
2.1 優(yōu)化問題簡介
2.2 優(yōu)化模型的建立
2.3 優(yōu)化問題的分類
2.4 凸集與凸函數
2.5 優(yōu)化算法簡介
2.5.1 優(yōu)化算法的基本迭代
2.5.2 解決優(yōu)化問題的基本算法
2.5.3 優(yōu)化算法的收斂問題
2.5.4 搜索方向確定
2.5.5 算法步長確定
2.6 局部與全局
2.7 全局優(yōu)化問題的特點
2.7.1 優(yōu)化方法的發(fā)展
2.7.2 全局優(yōu)化問題的性質
2.8 智能優(yōu)化
第3章 相關優(yōu)化算法及理論
3.1 神經網絡與組合優(yōu)化
3.1.1 神經網絡
3.1.2 組合優(yōu)化問題
3.2 模擬退火優(yōu)化算法
3.2.1 模擬退火算法
3.2.2 模擬退火算法步驟
3.2 .火算法的關鍵技術
3.2.4 模擬退火算法的收斂性
3.3 混沌優(yōu)化
3.3.1 混沌的產生
3.3.2 昆沌的定義
3.3.3 一般混沌映射特性
3.3.4 典型混沌映射點集的概率分布
3.3.5 E沌優(yōu)化概述
3.3.6 其他的混沌優(yōu)化算法
3.4 粒子群優(yōu)化算法的原理
3.4.1 描述PSO 7關鍵術語
3.4.2 基本粒子群優(yōu)化算法
3.4.3 標準粒子群優(yōu)化算法
3.4.4 粒子群優(yōu)化算法的研究綜述
3.4.5 與其他智能算法的比較分析
3.4.6 粒子群算法存在的問題
3.4.7 粒子群優(yōu)化算法小結
第4章 基于模擬退火的Hopfield網絡優(yōu)化研究
4.1 基于Hopfield反饋網絡的優(yōu)化策略
4.1.1 Hopfield反饋網絡優(yōu)化的原理
4.1.2 基于Hopfield網絡模型優(yōu)化的程
4.1.3 基于Hopfield網絡模型優(yōu)化的缺陷
4.2 SA-HNN混合算法的提出
4.3 SA-HNN混合算法的分析與設計
4.4 SA-HNN混合算法實現步驟及整體流程圖
4.4.1 SA-HNN~jE合算法函數優(yōu)化實現步驟
4.4.2 SA-HNN§合算法解決組合優(yōu)化的具體步驟
4.4.3 SA-HNN￡合算法實現組合優(yōu)化整體流程圖
4.5 SA-HNN混合算法在函數優(yōu)化中的案例分析
4.6 SA-HNN混合算法在組合優(yōu)化中的案例分析
4.6.1 1行商問題(1\"SP)描述
4.6.2 用SA-HNN算法解決TSP問題
4.7 SA-HNN混合算法仿真程序實現
4.8 SA-HNN算法在組合優(yōu)化中的參數分析與收斂性
4.8.1 SA-HNN'il尤化算法的參數分析
4.8.2 SA-HNN優(yōu)化算法的收斂性
第5章 粒子群優(yōu)化算法的研究
5.1 粒子群優(yōu)化存在的問題和分析
5.1.1 粒子群優(yōu)化算法中存在的問題
5.1.2 粒子群優(yōu)化算法的分析
5.2 基于混沌的自適應粒子群全局優(yōu)化方法
5.2.1 混沌粒子群算法基本思想
5.2.2 一種基于混沌的自適應粒子群優(yōu)化算法
5.2.3 數值仿真實驗
5.2.4 小結
5.3 基于混沌的彈性粒子群全局優(yōu)化算法
5.3.1 優(yōu)化算法分析
5.3.2 彈性處理粒子速度
5.3.3 基于混沌的彈性粒子群全局優(yōu)化算法流程
5.3.4 仿真研究
5.3.5 小結
5.4 基于梯度的彈性粒子群全局優(yōu)化方法
5.4.1 梯度法
5.4.2 早熟收斂程度評價與自適應調整策略
5.4.3 一種基于梯度的彈性粒子群優(yōu)化算法流程
5.4.4 數值實驗和結果分析
5.4.5 小結
5.5 三種算法的比較分析
5.6 本章小結
第6章 填充函數方法的研究
6.1 填充函數方法
6.2 一類無參數填充函數的構造與性質
6.2.1 無參數填充函數的構造與填充性質
6.2.2 參數填充函數的全局優(yōu)化算法
6.3 基于混沌和填充函數的全局優(yōu)化算法
6.3.1 算法分析
6.3.2 基于混沌和填充函數的全局優(yōu)化算法
6.3.3 數值實驗
6.3.4 小結
6.4 本章總結
第7章 結論與展望
參考文獻
索引
書單推薦
