新書推薦:
《
血色帝国:近代英国社会与美洲移民
》
售價:NT$
265.0
《
海外中国研究·王羲之:六朝贵族的世界(艺术系列)
》
售價:NT$
811.0
《
唐宋绘画史 全彩插图版
》
售價:NT$
449.0
《
“御容”与真相:近代中国视觉文化转型(1840-1920)
》
售價:NT$
505.0
《
鸣沙丛书·大风起兮:地方视野和政治变迁中的“五四”(1911~1927)
》
售價:NT$
454.0
《
海洋、岛屿和革命:当南方遭遇帝国(文明的另一种声音)
》
售價:NT$
485.0
《
铝合金先进成型技术
》
售價:NT$
1214.0
《
英雄之旅:把人生活成一个好故事
》
售價:NT$
398.0
|
內容簡介: |
本书介绍了一种实现简单、易于使用、可靠快速的全局优化算法——差分进化算法。主要内容有:差分进化算法的研究动机、主要内容、标准测试、问题域、架构和计算环境、编程以及各种应用。
本书可作为相关专业的教材使用,同时也适合对优化问题感兴趣的所有读者。
|
目錄:
|
目录
前言
第1章差分进化的研究动机1
11参数优化引论1
111引言1
112单点求导型优化4
113单点非求导型的优化及步长问题8
12局部优化与全局优化对比11
121模拟退火12
122多点求导型方法13
123多点非求导型方法14
124差分进化的第一印象21
参考文献25
第2章差分进化算法28
21引言28
211种群结构28
212初始化28
213变异29
214交叉29
215选择30
216初识差分进化算法31
217可视化DE32
218注释36
22参数表示36
221二进制比特串36
222浮点数37
223浮点约束39
23初始化39
231初始化边界40
232初始化分布42
24基向量选择46
241选择基向量索引(r0)46
242一对一基向量选择47
243几种随机基索引选择方法的比较48
244退化向量组合49
245索引值互异51
246测试退化组合的影响:球面函数52
247偏基向量选择方案54
25差分变异54
251变异缩放因子55
252随机化缩放因子58
26重组66
261交叉66
目录目录262Cr在优化中的作用70
263算术重组75
264相图79
265异或算法83
27选择84
271生存准则85
272锦标赛选择86
273一对一生存(者)准则87
274局部选择和全局选择的比较88
275置换选择的不变性89
276依赖交叉的选择压力89
277并行性能90
278延伸90
28终止条件91
281达到目标91
282限制代数91
283统计种群92
284限制时间92
285人工监测92
286特定应用92
参考文献92
第3章差分进化的标准测试97
31关于测试97
32性能评估98
33几种DE的比较100
331算法100
332测试集102
333相图103
334小结110
34DE与其他优化算法的比较113
341可比的性能:针对30维函数113
342比较研究:非约束优化120
343其他问题域上的性能比较123
344基于应用的性能比较126
35总结131
参考文献131
第4章问题领域138
41引言138
42函数及参数量化138
421均匀量化138
422非均匀量化139
423目标函数量化140
424参数量化142
425混合变量145
43约束优化145
431边界约束146
432不等式约束148
433等式约束156
44组合问题162
441旅行商问题164
442置换矩阵方法164
443相对位置索引165
444Onwubolu方法166
445邻接矩阵方法167
446总结169
45设计中心问题171
451发散、自导向性和池化171
452设计中心的计算173
46多目标优化174
461目标函数加权和175
462Pareto优化175
463Pareto前沿的两个例子176
464优化多目标的适应性DE178
47动态目标函数182
471稳定优化183
472不稳定优化185
参考文献186
第5章架构和计算环境191
51基于多处理器的差分进化算法191
511背景191
512相关工作191
513标准模型的缺点194
514改进的标准模型194
515主处理器195
52基于资源有限设备的差分进化算法198
521随机数198
522排列数生成器200
523高效的排序202
524内存节省型的差分进化算法202
参考文献204
第6章计算机编码206
61差分进化的MATLAB实现——DeMat206
611DeMat的总体结构206
612命名和代码约定207
613数据流程图207
614怎样使用图形210
62DeWin——Windows下使用C语言的DE212
621DeWin总体的结构212
622命名和代码规范215
623数据流程图216
624怎样使用图形217
625graphicsh的功能219
63随书光盘上的软件220
参考文献221
第7章应用222
71遗传算法和相关技术优化SiH簇:差分进化的优点分析223
711引言223
712系统模型224
713计算细节225
714结果和讨论226
715总结231
参考文献231
72差分进化在非成像光学设计中的应用232
721引言233
722目标函数233
723逆向工程方法检验235
724更难的问题:扩展源237
725总结238
参考文献239
73工业压缩机供应系统的优化239
731引言239
732测试问题的背景信息240
733系统优化240
734需求概况241
735改进的差分进化及扩展DE的通性241
736数据库中的组件选择242
737交叉方法242
738测试步骤245
739获取100%的确定结果246
7310结果246
7311总结247
参考文献247
74基于差分进化算法的多传感器融合的极小化表示248
741引言248
742多传感器融合的极小化表示250
743用差分进化解决多传感器融合253
744实验结果255
745对比二进制遗传算法260
746总结262
参考文献263
75测定地震震源:差分进化算法的一个挑战265
751引言265
752方向性问题解决方案的简要说明267
753人造定位测试268
754收敛属性269
755总结271
参考文献272
76并行差分进化在3D医学
|
內容試閱:
|
Kenneth VPrice:献给我的父亲。
Rainer MStorn :献给曾给我支持的父母、我深爱的妻子Marion、我可爱的孩子Maja和Robin.Jouni ALampinen:献给曾与我在乡村和城镇一起愉快生活的、也是我非常要好的朋友——小狗Tonique.前言优化问题广泛存在于科学研究和工程领域中。什么形状的机翼能够提供最大的升力?何种多项式最能拟合给定数据?哪种配置的聚焦透镜组合能够生成最锐利的图像?这些问题是研究人员在工作中经常会碰到的基本问题,毫无疑问,他们需要一种鲁棒性的优化算法去解决这些问题。
一般来说,解决一个难度大的“优化问题”,其问题本身不应很难,如,一个拥有丰富机械理论知识的结构工程师可能不需要具备同样程度的优化知识去修改他的设计。除了易于使用之外,一个全局优化算法应能足够有效地收敛到真实最优解。此外,搜寻解的计算时间不应过长。因此,一个真正有效的全局优化算法应该实现简单、易于使用、可靠快速。
差分进化算法Differential Evolution,以下简称DE正是这种方法。自1995年发表以来,DE被誉为一种非常高效的全局优化器。但DE并非万能,它良好的可靠性及鲁棒性需要每个科学家及工程师的智慧。
DE源于遗传退火算法Genetic Annealing Algorithm,由Kenneth Price提出并发表在Dr.Dobb′s Journal DDJ 1994年10月刊上,这是一本很流行的程序员杂志。遗传退火算法是一种基于种群的组合优化算法,实现了经由阈值的退火准则。遗传退火算法在DDJ上出现后,Ken与Rainer Storn博士来自西门子当时在加州伯克利大学的国际计算机科学研究所,现就职于德国慕尼黑的R&S公司(Rohde & Schwarz GmbH)一起应用遗传退火算法解决了切比雪夫多项式拟合问题(Chebyshev polynomial fitting problem)。而很多人认为用一种通用的优化算法确定切比雪夫多项式的系数是一项非常困难的任务。
Ken最终用遗传退火算法解决了五维切比雪夫问题,但收敛过程很慢且有效的控制参数很难确定。在此之后,Ken改进了遗传退火算法,使用浮点数替换位串编码并用算术运算替换逻辑运算,然后他发现了DE的基础差分变异操作。综合起来,这些有效的改进形成了一种数值优化的组合算法,即首次迭代DE。为了更好地适应并行计算机体系,Rainer提出创建单独的父代种群和子代种群。不同于遗传退火算法,DE在处理33维切比雪夫多项式多项式系数问题时并不困难。
DE的有效性并不只在切比雪夫多项式中得到了证明,在许多其他函数测试中也有不俗的表现。1995年,Rainer和Ken在ICSI的技术报告TR95012中发表了早期的研究结果:“差分进化:一种用于求解连续空间中全局优化的简单、有效的自适应模式”(Differential Evolution—A Simple and Efficient Adaptive Scheme for Global Optimization over Continuous Spaces)。基于差分进化算法的成功表现,Rainer和Ken参加了1996年5月在日本名古屋市同时举办的首届国际进化算法大赛(ICEO)和IEEE国际进化计算会议。DE算法取得了第三名的佳绩,虽然前两名的算法在竞赛函数测试中得分很高,但这两种算法不够灵活,不能定义为通用的优化算法。排名第一位的算法只适用于可分量的竞赛函数,而排名第二的算法因要计算拉丁方而无法处理大量参数。受此鼓舞,Rainer与Ken于1997年4月在DDJ上又发表了一篇名为Different Evolution—A Simple Evolution Strategy for Fast Optimization的文章,文章深受好评,并将DE介绍给全世界的读者。
前言前言许多研究者阅读了Rainer与Ken在1997年12月发表在The Journal of Global Optimization杂志上的文章Differential Evolution—A Simple and Efficient Heuristic for Global Optimization over Continuous Spaces, 文章给出了大量DE在各种测试函数中鲁棒性的实验性证据。大约在同一时期,Rainer建立了一个DE的网站http:www.icsi.berkeley.edu~storncodehtml,该网站有DE的详细代码、DE的应用及改进。
Ken参加了于1997年4月在美国印第安纳州的印第安纳波利斯举办的第二届国际进化算法大赛(ICEO),由于种种原因导致竞赛结果未公开,但DE表现优秀。在本次会议中,Ken遇见了David博士,随后邀请他撰写了DE的概要介绍,名为New Ideas in Optimization1999。从此以后,Ken专注于精炼DE算法,并进行理论研究来解释算法性能。Rainer致力于在有限资源设备上实现DE,并开发了多种编程语言的软件应用程序。此外Rainer还将DE作为高效工具应用在滤波器设计、中心设计和组合优化问题中。
芬兰的Jouni Lampinen教授拉彭兰塔理工大学,芬兰,拉彭兰塔于1998年开始研究DE。除了对DE的理论有所贡献外,他还证明了DE在机械工程应用中的成效,Jouni也针对特别需求的约束多目标优化问题设计了简单高效的DE自适应算法。Jouni还建立了DE的文献目录网站http:www.lut.fi~jlampinedebiblio.html。
就像DE算法一样,本书的目的是使读者对DE便于理解和应用。本书主要讲解了DE的工作原理,及适合于在哪些场合使用。第1章“差分进化的研究动机”,以一个常见的优化问题开始,通过对传统方法优劣的讨论
|
|