梁旭、黄明所著的《现代智能优化混合算法及其应用》内容自成体系，由7章组成。第1章为绪论，主要介绍遗传算法、蚁群算法、退火算法三种智能优化算法的原理、相关概念和特点等。此外，该章还介绍了混合优化算法的基本概念和相关研究现状等。第2章～第4章分别介绍了混合遗传算法、混合蚁群算法和混合退火算法的改进策略、参数选取、算法原理、算法步骤等内容。第5章对其他典型优化混合算法（如禁忌混合算法、病毒混合算法、粒子群混合算法等）的基本原理、基本步骤、改进内容、改进步骤等进行了介绍。第6章针对当前工程优化领域的典型应用问题（如旅行商问题、车间调度问题、装箱问题、图着色问题等），详细阐述了混合优化算法的应用过程。第7章对当前智能优化混合算法的研究现状、应用情况等进行了总结，并对其下一步的研究前景进行了展望。

智能优化混合算法是一种以某类优化算法为基础，融合其他智能算法或理论的混合算法，可用于求解各种工程问题优化解。

梁旭、黄明所著的《现代智能优化混合算法及其应用》系统讨论了现今应用较为广泛的几种智能优化混合算法，主要内容来源于作者多年的研究成果，使读者比较全面地了解智能优化混合算法的相关知识及应用。《现代智能优化混合算法及其应用》理论联系实际，集知识性、专业性、操作性、技能性为一体，对智能优化混合算法的原理、步骤、应用等进行了全面且详细的介绍。

《现代智能优化混合算法及其应用》可作为计算机、自动控制、人工智能、管理科学和工业工程等专业的研究生及高年级本科生教材，也可作为从事计算智能、软件开发等优化相关专业研究人员和工程技术人员的参考书。

第1章 绪论/1

 1.1 智能优化算法简介/1

1.1.1 遗传算法简介/1

1.1.2 蚁群算法简介/11

1.1.3 退火算法简介/20

 1.2 混合优化算法简介/32

1.2.1 混合优化算法概述/32

1.2.2 混合优化算法现状/32

 1.3 本章小结/33

第2章 混合遗传算法/34

 2.1 基本遗传算法/34

2.1.1 基本遗传算法及流程图/34

2.1.2 基本遗传算法的特点/43

 2.2 改进的遗传算法/44

2.2.1 双阈值控制的遗传算法/44

2.2.2 改进的伪并行遗传算法/49

2.2.3 改进的小生境遗传算法/53

2.2.4 改进的自适应遗传算法/56

2.2.5 基于免疫原理的新优化遗传算法/58

2.2.6 模式理论及模式导向的遗传算法/65

2.2.7 改进的双倍体遗传算法/68

2.2.8 改进的并行遗传算法/75

 2.3 遗传算法与其他优化算法的融合/80

2.3.1 病毒进化遗传算法/80

2.3.2 改进的DNA免疫遗传算法/83

 2.4 本章小结/86

第3章 混合蚁群算法/87

 3.1 基本蚁群算法/87

3.1.1 基本蚁群算法及流程图/87

3.1.2 基本蚁群算法的特点/92

 3.2 改进的蚁群算法/93

3.2.1 一种改进的非均匀窗口蚁群算法/93

3.2.2 基于变异和动态信息素更新的蚁群优化算法/99

 3.3 蚁群、遗传算法的融合——动态蚁群遗传算法/102

 3.4 本章小结/106

第4章 混合退火算法/107

 4.1 基本退火算法/107

4.1.1 基本退火算法及流程图/107

4.1.2 基本退火算法的特点/112

 4.2 退火算法与其他优化算法的融合/113

4.2.1 改进的遗传退火算法/113

4.2.2 基于学习机制的退火并行遗传算法/117

 4.3 本章小结/122

第5章 其他典型混合优化算法/123

 5.1 禁忌—并行混合遗传算法/123

5.1.1 禁忌—并行遗传算法的关键技术/124

5.1.2 混合算法流程/126

 5.2 周期性病毒进化遗传算法/127

5.2.1 新的周期性病毒进化遗传算法的基本思想/127

5.2.2 改进的周期性病毒进化遗传算法流程/131

5.2.3 改进的周期性病毒进化遗传算法的优点/131

 5.3 改进的决策树学习算法/132

 5.4 改进的广义粒子群优化算法/137

5.4.1 基本粒子群优化算法介绍/137

5.4.2 基本粒子群优化机理分析/138

5.4.3 广义粒子群优化算法模型/139

5.4.4 GPSO的具体流程/141

 5.5 一种基于粒子群优化的反向传播神经网络算法/142

 5.6 一种基于混沌优化的模糊聚类方法/148

5.6.1 聚类的定义/148

5.6.2 基于混沌优化的模糊聚类/149

 5.7 本章小结/152

第6章 混合优化算法的典型应用/153

 6.1 TSP问题/153

6.1.1 旅行商问题模型/153

6.1.2 动态蚁群遗传算法求解TSP问题/155

 6.2 0-1背包问题/160

6.2.1 0-1背包问题模型/160

6.2.2 使用改进的遗传退火算法求解0-1背包问题/164

 6.3 车间调度问题/169

6.3.1 车间调度问题的描述/170

6.3.2 双阈值控制的遗传算法求解车间调度问题/171

 6.4 车辆路径问题/177

6.4.1 车辆路径问题描述/177

6.4.2 自适应遗传算法求解车辆路径问题/180

 6.5 装箱问题/184

6.5.1 装箱问题描述/185

6.5.2 使用基于学习机制的退火并行遗传算法求解装箱问题/188

 6.6 图着色问题/194

6.6.1 图着色问题描述/194

6.6.2 周期性病毒进化遗传算法求解图着色问题/195

 6.7 本章小结/200

第7章 总结及展望/201

 7.1 主要工作总结及创新/201

 7.2 未来发展方向/203

 7.3 本章小结/205

参考文献/206