1.4　章節結構

本書的結構框架如圖1.3所示。本書主要有10章，各章的主要內容可概括如下。

第1章是緒論，闡述了研究背景及意義、國內外研究綜述和主要研究工作。

第2章詳細介紹了學習型智能優化方法，主要內容包括：學習型智能優化方法概述、學習型智能優化方法中用到的4類知識和9種典型的學習型智能優化方法。

第3章主要研究了求解函數優化問題的學習型智能優化方法，將學習型遺傳算法應用到函數優化問題中。采用21個標準測試函數進行實驗，結果表明學習型遺傳算法在優化性能方面優于已公開發表的3種方法。

第4章主要研究了求解非對稱旅行商問題的學習型智能優化方法，通過對旅行商問題的描述與特點分析，設計并實現了求解該問題的學習型遺傳算法，該算法在求解實例時優于已公開發表的4種典型方法。

第5章主要研究了求解雙層CARP優化問題的學習型智能優化方法，通過對雙層CARP優化問題的描述與特點分析，探討了求解雙層CARP優化問題的基本框架，設計并實現了求解該問題的學習型遺傳算法和學習型蟻群算法，這種算法在求解測試實例時均優于其他改進方法。

第6章主要研究了求解柔性作業車間調度問題的學習型智能優化方法，設計并實現了求解該問題的學習型蟻群算法和學習型協同進化算法，這種方法在求解15個標準實例時優于已經公開發表的幾種典型方法。

第7章主要研究了求解體系仿真優化問題的學習型智能優化方法，通過對體系仿真優化問題的描述與特點分析，設計并實現了求解體系仿真優化問題的學習型遺傳算法。實驗結果表明，在求解體系仿真優化問題時，學習型遺傳算法的效率都比其他方法高，應用本方法求解體系優化問題是可行的、正確的、有效的。

第8章主要研究了求解衛星地面站系統任務調度的學習型智能優化方法，首先對衛星地面站系統任務調度問題進行描述，設計并實現了求解衛星地面站系統任務調度的學習型蟻群算法。實驗結果表明學習型蟻群算法能快速有效地求解衛星地面站系統任務調度問題。

第9章主要研究了求解多星任務規劃問題的學習型智能優化方法，首先對多星任務規劃問題進行描述，然后建立了多星任務規劃模型，接著設計并實現了求解多星任務規劃問題的學習型蟻群算法。實驗結果表明學習型蟻群算法在優化性能方面優于其他兩種方法。

第10章是總結和展望，在總結研究結論的同時，提出了未來的研究方向。

在現有研究中，國內外學者圍繞特定領域與問題對智能優化方法進行了大量研究。近年來，有學者開始研究通過知識對智能優化算法進行引導，但將其作為一個方法體系進行研究的較少。在傳統智能優化方法的基礎上，本書構建了一類學習型智能優化方法：從學習型智能優化的角度，構建了4類典型知識形式；從優化過程中挖掘一些有用知識，然后采用知識來指導后續優化過程；針對連續優化、離散優化和實際工程優化問題提出了一系列學習型智能優化方法，獲得了較為滿意的結果。本書的主要創新點可概括為以下3個方面。

（1）建立了學習型智能優化方法的基本框架。采用智能優化模型和知識模型相結合的集成建模思路，智能優化模型按照“鄰域搜索”策略對優化問題的可行空間進行搜索；知識模型從前期的優化過程中挖掘出有用知識，然后采用知識來指導智能優化模型的后續優化過程。演化學習型智能優化方法的基本框架為現有優化方法改進提供了一種有益的借鑒。

（2）提出了精英個體知識、構件知識、算子知識和參數知識這4種典型的知識形式，為學習型智能優化方法嵌入知識奠定了重要基礎；構建了用于實現學習型智能優化方法的8類知識，可輔助學習型智能優化方法高效地求解復雜優化問題。

（3）針對連續優化、離散優化和實際工程優化問題，設計并實現了9種學習型智能優化方法，獲得了較為滿意的結果。這些方法稍加修改就可以推廣到其他復雜優化問題的求解過程中。