本书是作者多年从事优化算法研究和教学实践工作的结晶。既可作为算法研究和应用领域本科生、研究生专业课程基础教材，亦可作为对优化算法感兴趣的工程技术人员的专业参考资料。
元启发式算法是一类获得广泛应用的通用优化算法，主要包括进化系列算法、邻域搜索系列算法、模拟退火算法、禁忌搜索算法、人工免疫算法、蚁群算法、蜂群算法、粒子群算法、鱼群算法、混合蛙跳算法、细菌觅食算法、神经网络算法、生物地理学等算法。 本书系统性地对25个当今流行的元启发式算法从基本理论到实现机制进行了总结和描述。为了增加实用性，使用matlab编程语言实现了每一种算法的源代码，读者直接复制粘贴并做出适应性调试修改即可使用。每章章末都列出了原始参考文献的出处，留给读者去查阅引用，方便理解改进算法变化的细节。此外，针对这些元启发式算法，本书仅以少量的优化问题作为背景案例，旨在使读者把学习重点放在理解和掌握各种算法的核心思想和实现机制上，而不必拘泥于不同案例问题带来的理解上的不便。 本书是作者多年从事优化算法研究和教学实践工作的结晶。既可作为算法研究和应用领域本科生、研究生专业课程基础教材，亦可作为对优化算法感兴趣的工程技术人员的专业参考资料。
第4章 模拟退火算法 模拟退火算法（Simulated Annealing，SA）是一种单解元启发式算法。早在1953年，Metropolis等[1]就提出了模拟金属退火过程的重要性采样法，但直到1983年，才由Kirkpatrick[2]等完成了模拟退火算法的转型应用。 模拟退火算法已经在生产调度、自动控制、机器学习、神经网络、图像处理等工程应用和学术研究领域获得了广泛应用，其接受劣解的容错思想也被其他许多算法所借鉴。本章将从该算法的起源、构成要素、实现步骤及流程、实际应用等方面对模拟退火算法进行介绍。 4.1 算法理论基础 4.1.1 金属物理退火过程 金属物质被加热到液态温度后其内部分子无序运动并且活跃在整个状态空间中，停止加热后温度随时间缓慢的冷却，分子运动逐渐趋于有序。这种由高温、高能、液体、分子无序状态，逐渐转变为低温、低能、固体，分子有序状态的过程称为退火。 退火过程主要分为三个阶段[3]。 （1）加温过程：加温的目的是增强分子的热运动，从而打乱分子序列，使其偏离平衡位置。当温度足够高时，金属固体将溶解为液体，分子的分布从有序的结晶态转变成无序的液态，消除系统原先可能存在的非均匀态，随后进行的冷却过程以某一平衡态为起点。加温溶解过程与系统的熵增过程相联系，系统能量随温度的升高而增大。 （2）等温过程：目的是为了使金属各部位温度均匀化，保证系统在每一个温度下都达到平衡态，最终达到固体的基态。根据热平衡封闭系统的自由能减少定律：“对于与周围环境交换热量而温度不变的封闭系统，系统状态的自发变化总是朝自由能减少的方向进行，当自由能达到最小时，系统就达到了平衡态”。 （3）冷却过程：随着温度的不断下降，粒子的热运动逐渐减弱且渐趋有序。当温度降至结晶温度后，粒子运动变为围绕晶体格点的微小振动，液体凝固成固体的晶态，且冷却过程中系统的熵值也不断减小，系统能量随温度降低趋于最小值。 4.1.2 Metropolis准则 组成金属物质的基本元素是粒子。金属粒子在每一个恒定温度下达到充分热平衡的过程可以用Monte Carlo[4] 统计模拟方法来模拟。这是一种按抽样调查法求取统计值来推定未知特性的模型计算方法。虽然Monte Carlo方法简单，但它只有在大量采样的情况下才能使得结果比较准确，而大量采样会带来了很大的计算量。鉴于物理系统倾向于能量较低的状态，而热运动又妨碍它准确落到最低态的物理形态，采样时只需着重选取那些有贡献作用的状态即可较快达到模拟效果。因此，Metropolis等[1]在1953年提出了重要性采样法，即以一定的概率来接受新状态。 重要性采样法的主要内容为：首先给定以相对位置表征的某粒子初始状态i作为当前状态，然后由于温度下降可能导致该粒子发生迁移，得到一个新状态j。粒子迁移前后的能量分别表示为Ei和Ej，接着作如下处理： （1）若Ej < Ei，即新状态能量相对变小，则无条件接受新状态； （2）若Ej ≥ Ei，则新状态被接受的概率为：
第1章 优化问题与优化方法
1.1优化问题概述
1.1.1 问题的定制
1.1.2 数学建模
1.1.3 数学建模实例
1.2 优化问题分类
1.3 优化算法及其分类
1.3.1精确算法和近似算法
1.3.2 传统优化算法和元启发式优化算法
1.4 元启发式算法
1.4.1 元启发式算法概述
1.4.2 基于单解的元启发式算法
1.4.3 基于群解的元启发式算法
1.5 可计算性与计算复杂度理论
1.5.1 可计算性理论
1.5.2 算法的复杂度
1.5.3 问题的复杂度
1.6 优化算法的性能评价
1.7 元启发式算法应用参考路线图
参考文献
第2章 进化系列算法
2.1 概述
2.1.1 新一代种群的选择策略
2.1.2 新一代种群的繁殖策略
2.2 遗传算法 51
2.2.1 生物遗传进化机制
2.2.2 遗传算法实现步骤
2.2.3 遗传算法求解Rosenbrock函数实例
2.3 进化策略算法
2.3.1进化策略算法的问题表达
2.3.2 进化策略算法实现步骤
2.3.3 进化策略算法求解二元函数实例
2.4 进化规划算法
2.4.1 进化规划算法的基本概念
2.4.2 进化规划算法的matlab实现
2.5遗传规划算法
2 .5.1 遗传规划算法中个体的表示
2.5.2 遗传规划算法的实现
2.5.3 遗传规划应用实例
2.6 差分进化算法
2.6.1 差分进化算法的实现步骤
2.6.2 差分进化算法的matlab实现
2.7分布估计算法
2.7.1分布估计算法实现步骤
2.7.2 分布估计算法的Matlab实现
参考文献
第3章 邻域搜索系列算法
3.1 邻域的定义
3.2 基本邻域搜索算法
3.2.1 邻域的选择
3.2.2 跳出局部最优
3.3 变邻域搜索算法
3.3.1 确定性可变邻域下降算法
3.3.2 通用变邻域搜索
3.4 迭代局部搜索
3.5 Matlab实现迭代局部搜索算法
3.6贪心随机自适应搜索算法
3.7 Matlab实现GRASP
参考文献
第4章 模拟退火算法
4.1 概述
4.1.1 金属冶炼退火过程描述
4.1.2 Metropolis准则
4.1.3 优化问题与模拟退火的比较
4.2 模拟退火算法的步骤和流程
4.2.1 算法的构成要素
4.2.2 模拟退火算法步骤及流程
4.3 模拟退火算法的matlab实现
参考文献
第5章 禁忌搜索算法
5.1 局部邻域搜索
5.2 基本禁忌搜索算法
5.2.1算法的基本原理
5.2.2禁忌搜索算法的参数选择
5.2.3禁忌搜索算法的实现流程
5.2.4禁忌搜索算法的优缺点
5.3 禁忌搜索算法的matlab实现
5.4禁忌搜索算法的改进
5.4.1连续禁忌搜索算法
5.4.2并行禁忌搜索算法
5.4.3禁忌搜索和遗传算法的混合策略
参考文献
第6章 人工免疫系统算法
6.1 生物免疫现象观察
6.2人工免疫算法仿真原理
6.3 人工免疫算法步骤与流程
6.4人工免疫算法的类型
6.5 基本人工免疫的matlab实现
第7章 蚁群系列优化算法
7.1蚂蚁觅食行为的观察
7.2基本蚂蚁算法
7.2.1 算法要素
7.2.2 算法流程
7.2.3 算法的特点
7.3 改进的蚂蚁算法之一：蚁群系统算法
7.4 改进蚂蚁算法之二：最大最小蚂蚁系统算法
7.5 基于ACS求解旅行商问题
7.6 基于最大最小蚁群算法求解旅行商问题
第8章 人工蜂群算法
8.1 蜂群生存行为的观察
8.2 人工蜂群算法
8.2.1 基本原理
8.2.2算法实现流程
8.2.3 ABC算法的特点
8.3改进的人工蜂群算法
8.4 基本人工蜂群的matlab实现
参考文献
第9章 粒子群算法
9.1 群鸟觅食行为的观察
9.2 基本粒子群优化算法
9.3 标准粒子群优化算法PSO
9.4 PSO求解Goldstein-Price函数
9.5 离散粒子群算法DPSO
9.6 基于DPSO求解0-1背包问题
9.7粒子群算法的改进
参考文献
第10章人工鱼群算法
10.1鱼群生存行为观察
10.2 人工鱼的视觉模型
10.3 人工鱼的四种基本行为
10.4 人工鱼群算法步骤与流程
10.4.1 人工鱼群算法实现步骤
10.4.2 人工鱼群算法流程
10.4.3 人工鱼群算法参数的选择
10.5 改进的人工与群算法
10.6 人工鱼群算法的MATLAB实现
参考文献
第11章 细菌觅食优化算法
11.1 大肠杆菌觅食行为的生物学观察
11.1.1 动物觅食理论
11.1.2 大肠杆菌的觅食行为
11.2 基本BFO算法
11.3 基本BFO算法步骤与流程
11.4 BFO算法的改进
11.4 基本BFO算法的mtlab实现（图像识别）
11.5 BFO算法的mtlab实现（图像匹配）
参考文献
第12章 混合蛙跳优化算法
12.1 算法研究现状
12.2 混合蛙跳算法原理
12.3 混合蛙跳算法步骤与流程
12.4 基本混合蛙跳算法的matlab实现
第13章 分散搜索算法
13.1 基本分散搜索算法
13.2 改进的分散搜索算法
13.3 分散搜索算法的Matlab实现
第14章 布谷鸟搜索算法
14.1 生物学行为观察
14.1.1 布谷鸟的巢寄生性
14.1.2 莱维飞行（Lévy flight）轨迹
14.2 基本布谷鸟搜索算法模型
14.2.1 算法基本假设
14.2.2 鸟巢位置和路径的更新公式
14.2.3 布谷鸟搜索算法实现步骤
14.2.4 布谷鸟搜索算法流程图
14.3 改进布谷鸟搜索算法
14.3.1二进制布谷鸟算法
14.3.2多目标布谷鸟搜索算法
14.4 布谷鸟搜索算法的matlab实现
参考文献
第15章人工神经网络算法
15.1 神经网络发展历程
15.2 BP神经网络算法
15.3 HP神经网络算法
15.4 HP网络算法求解TSP问题matlab实例
参考文献
第16章 生物地理学算法
16.1生物学理论基础
16.2 生物地理学算法基本思想
16.3 生物地理学算法步骤与流程
16.4 基本生物地理学算法的matlab实现
第17章 多目标优化算法
17.1 多目标优化问题
17.2 基于进化策略的多目标优化算法
17.2.1 算法流程
17.2.2 非支配分层排序
17.2.3 个体拥挤度的计算和比较算子
17.2.4 种群的选择、交叉和变异
17.2.5 Matlab代码分析
17.2.6 实例分析
17.3 基于粒子群算法的多目标优化算法
17.3.1 算法流程
17.3.2 个体和全局最优粒子的选择
17.3.3 粒子的更新和变异操作
17.3.4 动态更新栅格档案库和栅格矩阵
17.3.5 matlab代码分析
17.3.6实例
参考文献
第18章 超启发式算法
18.1超启发式方法概述
18.2 一种超启发式算法的matlab实现
参考文献
温馨提示：请使用泸西县图书馆的读者帐号和密码进行登录
