《多目标人工蜂群算法及遗传算法的研究与应用》由张长胜著，内容介绍：在实际中，大多数优化多目标问题都具有NP(non-deterministicpolynomial)难度，而传统的优化算法虽然具有较高的计算效率、较强的可靠性、比较成熟等优点，但都具有难以克服的局限性，对于一个复杂的优化问题来说，求解精确的、甚至近似的最优解都是很难的，有时则根本做不到。而借鉴仿生学思想发展起来的元启发式算法，在实际应用中不需要建立问题的精确模型，非常适合于解决难以建立有效形式化模型的问题，并且它们往往具有自学习、自组织、自适应的特征和简单通用、鲁棒性、并行处理的优点。已经被应用于多个领域中的多目标优化问题，如数字信号处理、神经网络优化、模式识别、机器人路径规划、化工、医学等诸多工程领域，已成为计算智能领域的一个重要发展方向。

《多目标人工蜂群算法及遗传算法的研究与应用》由张长胜著，主要研究了求解多目标优化问题的人工蜂群算法及混合遗传算法，针对不同的测试问题，建立了相应的多目标优化算法模型，并从多个角度与相关算法进行了试验对比分析。在多目标人工蜂群算法方面，设计了一种多目标人工蜂群框架，并针对框架的各部分，实现了多种策略，从而衍生出多种多目标人工蜂群算法，并将其应用于求解具有连续空间的函数优化问题和离散空间的面向QoS的无线网络路由优化问题。《多目标人工蜂群算法及遗传算法的研究与应用》在多目标混合遗传算法方面，对已有的几种被广泛认可的遗传算法及PLS算法进行了研究，提出了几种改进的混合多目标遗传算法，并利用提出的算法求解了光网络优化问题及服务选取问题。

第一部分 相关研究

 1 绪论

 1.1 研究意义

 1.2 多目标优化问题

 1.3 研究现状

 1.4 算法评价指标

 1.5 本章小结

 2 相关算法

 2.1 人工蜂群算法

 2.2 遗传算法

 2.3 Pareto局部优化算法

 2.4 本章小结

第二部分 多目标人工蜂群算法

 3 多目标人工蜂群算法设计

 3.1 总体框架第一部分相关研究

 3.2 策略设计

 3.3 算法描述

 3.4 本章小结

 4 多目标函数优化问题

 4.1 算法模型

 4.2 试验分析

 4.3 本章小结

 5 面向QoS的无线网络路由优化问题

 5.1 引言

 5.2 问题定义

 5.3 算法模型

 5.4 试验分析

 5.5 本章小结

第三部分 多目标遗传算法

 6 多目标遗传算法设计

 6.1 改进的NSGA2 多目标遗传算法——INSGA2

 6.2 改进的SPEA2 多目标遗传算法——ISPEA2

 6.3 改进的MOEAD多目标遗传算法——IMOEAD

 6.4 基于SPEA2 和MOEAD的混合分解多目标遗传算法

 6.5 本章小结

 7 MQRWA问题

 7.1 引言

 7.2 问题定义

 7.3 遗传算法模型

 7.4 试验分析

 7.5 本章小结

 8 服务选取问题

 8.1 引言

 8.2 问题定义

 8.3 遗传算法模型

 8.4 试验分析

 8.5 本章小结

参考文献