Учебное пособие посвящено, преимущественно, рассмотрению современных стохастических популяционных алгоритмов решения однокритериальной задачи оптимизации. Рассмотрены методы повышения эффективности этих алгоритмов путем их гибридизации и метаоптимизации. Наряду с однокритериальной рассматривается задача многокритериальной оптимизации и популяционные алгоритмы ее решения. Представлены методы распараллеливания указанных алгоритмов. Содержит большое число примеров решения тестовых и практически значимых задач оптимизации. Для студентов высших учебных заведений, обучающихся по направлению 230100 «Информатика и вычислительная техника». Может быть полезно для всех студентов, изучающих курс «Методы оптимизации» и близкие по тематике курсы. Материал пособия представляет интерес также для аспирантов и специалистов, использующих в своей работе методы, алгоритмы и программы оптимизации.

  Литрес - 531 руб.

Глава 1. Постановка задачи поисковой
оптимизации и непопуляционные стохастические
алгоритмы ее решения
1.1. Постановка и классификация алгоритмов
решения детерминированной задачи поисковой
оптимизации
1.2. Локальная безусловная оптимизация
1.3. Локальная условная оптимизация
1.4. Глобальная оптимизация
Глава 2. Эволюционные алгоритмы
2.1. Биологические предпосылки и общая схема
эволюционных алгоритмов
2.2. Кодирование особей
2.3. Операторы мутации
2.4. Операторы скрещивания (кроссоверы)
2.5. Операторы отбора
2.6. Другие операторы и процедуры
2.7. Типовые генетические алгоритмы
2.8. Теория шим
2.9. Эволюционная стратегия
2.10. Эволюционное программирование
2.11. Дифференциальная эволюция
2.12. Генетический коэволюционный алгоритм
2.13. Пример применения генетического алгоритма
Глава 3. Алгоритмы роя частиц, колонии муравьев
и пчелиного роя
3.1. Оптимизация роем частиц
3.2. Муравьиная оптимизация
3.3. Оптимизация пчелиным роем
Глава 4. Другие популяционные алгоритмы,
вдохновленные живой природой
4.1. Искусственные иммунные системы
4.2. Бактериальная оптимизация
4.3. Алгоритмы, вдохновленные роем светлячков
4.4. Сорняковый алгоритм
4.5. Кукушкин поиск
4.6. Алгоритмы, вдохновленные поведением
обезьян
4.7. Прочие алгоритмы
Глава 5. Популяционные алгоритмы,
инспирированные неживой природой,
человеческим обществом, и другие
популяционные алгоритмы
5.1. Гармонический поиск
5.2. Алгоритм гравитационного поиска
5.3. Электромагнитный поиск
5.4. Алгоритм эволюции разума
5.5. Стохастический диффузионный поиск
5.6. Культурный алгоритм
5.7. Меметические алгоритмы
5.8. Самоорганизующийся миграционный алгоритм
5.9. Алгоритмы рассеянного поиска и прокладки
путей
Глава 6. Гибридизация популяционных алгоритмов
6.1. Общие принципы гибридизации
6.2. Вложенные алгоритмы
6.3. Гибридизация по схеме препроцессор /
постпроцессор
6.4. Коалгоритмы
Глава 7. Метаоптимизация популяционных
алгоритмов
7.1. Постановка метазадачи оптимизации
7.2. Классификация методов метаоптимизации
7.3. Однократная настройка параметров
7.4. Перманентная настройка параметров
7.5. Адаптивное управление параметрами
7.6. Самоадаптивное управление параметрами
7.7. Структурная метаоптимизация
Глава 8. Популяционные алгоритмы многоцелевой
оптимизации
8.1. Задача многоцелевой оптимизации
(МЦО-задача) и алгоритмы ее решения
8.2. Непопуляционные алгоритмы
Парето-аппроксимации
8.3. Популяционные алгоритмы
Парето-аппроксимации
8.4. Критерии оценки качества
Парето-аппроксимации
8.5. Методы обеспечения качества
Парето-аппроксимации
8.6. Примеры Парето-аппроксимации
Глава 9. Параллельные популяционные алгоритмы
поисковой оптимизации
9.1. Классификация и основные типы
параллельных ЭВМ
9.2. Балансировки загрузки параллельной ЭВМ
9.3. Методы распараллеливания популяционных
алгоритмов оптимизации
9.4. Примеры параллельного решения задач
оптимизации