智能演化优化

书籍作者：徐华	ISBN：9787302654995
书籍语言：简体中文	连载状态：全集
电子书格式：pdf,txt,epub,mobi,azw3	下载次数：4572
创建日期：2024-06-26	发布日期：2024-06-26
运行环境：PC/Windows/Linux/Mac/IOS/iPhone/iPad/Kindle/Android/安卓/平板

内容简介

近年来，演化计算作为计算智能领域的经典优化技术，已经广泛应用于求解组合优化、工程优化等理论和工程类的优化问题，形成了一种基于演化的智能优化方法。针对高维空间的多目标优化问题，近年来基于分解的多目标演化算法（MOEAs）利用了分而治之的思想有效降低了求解多目标或高维多目标优化问题的难度。根据分解的形式不同，基于分解的MOEAs又进一步细分为基于聚合的MOEAs和基于参考点的MOEAs。尽管基于分解的MOEAs是目前求解高维多目标优化问题最有前景的技术之一，然而它在方法和应用层面均存在着缺陷和不足。本书第一部分围绕该类方法，着眼于“如何在目标空间中平衡收敛性和多样性”“如何在决策空间中平衡探索与开发”以及“如何进行有效的降维”等科学问题，展开了系统性的研究，旨在进一步完善其理论框架并推广其在具体问题上的应用。另外，针对多目标柔性作业车间调度这一类典型的NP难工程优化问题，本书基于演化优化的求解思路，分别研究了面向单目标优化的融合问题知识的混合和声搜索方法（HHS）、面向高维空间单目标优化的混合和声搜索和大邻域搜索的集成搜索方法（HHS/LNS），以及面向多目标优化的基于目标重要性分解的模因演化方法，并在多个基线数据集上取得了优异的效果。

本书可作为演化计算、智能优化、大数据及人工智能等相关专业研究参考和研究生教学用书。

前言

习近平总书记在党的二十大报告中指出: 教育、科技、人才是全面建设社会主义现代化国家的基础性、战略性支撑。必须坚持科技是第一生产力、人才是第一资源、创新是第一动力，深入实施科教兴国战略、人才强国战略、创新驱动发展战略，这三大战略共同服务于创新型国家的建设。报告同时强调: 推动战略性新兴产业融合集群发展，构建新一代信息技术、人工智能、生物技术、新能源、新材料、高端装备、绿色环保等一批新的增长引擎。

当前，人工智能日益成为引领新一轮科技革命和产业变革的核心技术。其中，智能演化优化作为一种重要的计算方法，在诸多领域，如控制系统设计、工业调度、软件工程等实际应用中，已经展现出其独特的优势和巨大的潜力。

演化算法（Evolutionary Algorithms，EAs）是一类模拟自然界生物进化过程的基于群体的全局优化算法。EAs已经成功应用于多目标优化领域，为求解“多目标优化问题”(MOPs)开辟了一条新的途径。由于EAs在多目标优化方面具有独特的优势，能够有效克服传统方法的局限性，多目标演化算法（MultiObjective Evolutionary Algorithms，MOEAs）的研究已成为演化计算（Evolutionary Computation，EC）领域的热门方向之一，并已发展成为一个重要而活跃的研究分支: 演化多目标优化（Evolutionary Multiobjective Optimization，EMO）。

相对于单目标优化问题（Singleobjective Optimization Problems，SOPs），多目标优化问题（Multiobjective Optimization Problems，MOPs）的求解一般更加困难。在SOPs中，由于解之间是全序关系，通常只存在唯一的最优解；而在MOPs中，由于目标之间存在一定程度的冲突，导致解之间只存在偏序关系，因此一般不是得到单个的最优解，而是得到一组折中的解，即所谓的Pareto最优解集或非支配解集。

近几年来，EMO领域的研究焦点逐渐转向高维多目标优化问题（Many Objective Optimization Problems，MaOPs），即目标数目大于3的MOPs，这类研究的兴起主要有以下两个原因。一方面，涉及许多优化目标的优化问题确实广泛存在于各种实际应用中，如控制系统设计、工业调度、软件工程等。因此，实践者迫切需要有效的优化方法能够很好地解决他们所面临的这类问题。另一方面，非常流行的基于Pareto支配的MOEAs，如第二代非支配排序遗传算法（Nondominated Sorting Genetic Algorithm Ⅱ，NSGAⅡ）、第二代强度Pareto演化算法（Strength Pareto Evolutionary Algorithm 2，SPEA2）、第二代基于Pareto包络的选择算法（Pareto Envelopebased Selection Algorithm Ⅱ，PESAⅡ）等，虽然在具有两个或三个优化目标的MOPs上显示出了优异的性能，但是它们在高维多目标优化中却遇到了很大的困难。

本书将基于分解的MOEAs作为研究对象，在方法和应用两个层面均展开了研究工作，旨在进一步提升这类算法在高维多目标优化中的性能，并拓展其新型应用领域，为求解生产调度领域的复杂多目标优化问题提供高效的求解方法。在理论方法层面，本书系统化地研究了在基于聚合的多目标演化算法中平衡收敛性和多样性的方法、基于新型支配关系的多目标演化算法、基于分解的多目标演化算法中的变化算子比较性研究、多目标优化中的目标降维方法，以及利用支配预测辅助的高成本多目标演化优化方法；在工程优化应用层面，针对实际集成电路制造领域的工艺调度优化问题，将具有多腔室、多机器人、多加工路径、多优化目标等复杂生产环境抽象为多目标柔性作业车间调度问题（MultiObjective Flexible Jobshop Scheduling Problem，MoFJSP），系统化地研究了面向单目标优化的融合问题知识的混合和声搜索方法（HHS）、面向高维空间单目标优化的混合和声搜索和大邻域搜索的集成搜索方法（HHS/LNS），以及面向多目标优化的基于目标重要性分解的模因演化方法。

本书是“演化学习与智能优化”系列学术专著的第二部，笔者的研究团队后续将及时梳理和归纳总结相关的最新成果，以系列图书的形式分享给读者。本书既可以作为演化学习、智能优化等领域的教材，同时也可以作为优化调度、演化学习、智能系统等方面系统与产品研发重要的理论方法参考书。本书相关的内容资料（算法、代码、数据集等）可在开源社区下载（下载地址可查阅THUAIR官网或者联系作者）。由于智能演化优化是一个崭新的快速发展的研究领域，受限于作者的学识和知识的认知范围，书中疏漏和不足之处在所难免，衷心地希望读者能提出宝贵的意见和建议，请联系[email protected]。

本书的相关工作受国家自然科学基金项目（No. 61673235、No. 61175110、No. 60875073、No. 60575057）的持续资助与支持。同时更要感谢本书书写过程中，清华大学计算机科学与技术系智能技术与系统国家重点实验室赵锦栎、陈小飞等对书稿整理所付出的艰辛努力，以及杨甲东、王勃等在相关研究方向上不断持续的合作创新工作成果。没有各位团队成员的努力，本书无法以体系化的形式呈现在读者面前。

作者2023年12月于北京

智能演化优化

内容简介

前言

目录