前言

最優化技術在科學和工程等領域都有非常廣泛的應用，理論界和工程界都對其進行了熱切關注和深入研究。優化理論與算法的研究已成為一個具有理論意義和應用價值的熱點課題。智能優化方法模仿自然現象的運行機制而產生，為解決復雜工程問題提供了新思路和新手段。最優化理論領域的“無免費午餐”定理說明算法混合是有效提高優化性能的一種手段，將各種算法有效地集成起來構成新的高效的優化方法是一個非常有價值的研究方向。

在現有智能優化方法的基礎上，本書建立了學習型智能優化方法的基本框架。該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；知識模型從前期優化過程中挖掘有用知識，然后采用知識來指導智能優化模型的后續優化過程。構建學習型智能優化的基本框架，可以將智能優化模型和知識模型有效地結合起來，極大地提高了學習型智能優化方法的優化效果。學習型智能優化方法的基本框架為現有優化方法的改進提供了一種有益的借鑒。

本書提出了精英個體知識、構件知識、算子知識和參數知識4種知識形式，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類典型知識，可輔助學習型智能優化方法高效地求解復雜優化問題。

針對連續優化問題，本書設計并實現了一種求解函數優化問題的學習型遺傳算法。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近期公開發表的3種方法。

針對離散優化問題，本書設計并實現了求解3類典型離散優化問題的5種學習型智能優化算法。基于標準測試實例的實驗結果表明，學習型智能優化算法在優化性能方面優于已經公開發表的多種方法。

針對實際工程問題，本書將學習型遺傳算法和學習型蟻群算法分別應用于體系仿真優化問題、衛星地面站系統任務調度問題和多星任務規劃問題，獲得了非常滿意的實驗結果。

本書主要面向在運籌學領域研究智能優化方法的企業、高校與科研院所的研究人員，幫助讀者了解學習型智能優化算法的基本原理與框架流程，提高讀者對學習型智能優化算法的實踐與應用能力，促進學習型智能優化算法的發展與完善。

作　者

2018年10月