1.4　章节结构

本书的结构框架如图1.3所示。本书主要有10章，各章的主要内容可概括如下。

第1章是绪论，阐述了研究背景及意义、国内外研究综述和主要研究工作。

第2章详细介绍了学习型智能优化方法，主要内容包括：学习型智能优化方法概述、学习型智能优化方法中用到的4类知识和9种典型的学习型智能优化方法。

第3章主要研究了求解函数优化问题的学习型智能优化方法，将学习型遗传算法应用到函数优化问题中。采用21个标准测试函数进行实验，结果表明学习型遗传算法在优化性能方面优于已公开发表的3种方法。

第4章主要研究了求解非对称旅行商问题的学习型智能优化方法，通过对旅行商问题的描述与特点分析，设计并实现了求解该问题的学习型遗传算法，该算法在求解实例时优于已公开发表的4种典型方法。

第5章主要研究了求解双层CARP优化问题的学习型智能优化方法，通过对双层CARP优化问题的描述与特点分析，探讨了求解双层CARP优化问题的基本框架，设计并实现了求解该问题的学习型遗传算法和学习型蚁群算法，这种算法在求解测试实例时均优于其他改进方法。

第6章主要研究了求解柔性作业车间调度问题的学习型智能优化方法，设计并实现了求解该问题的学习型蚁群算法和学习型协同进化算法，这种方法在求解15个标准实例时优于已经公开发表的几种典型方法。

第7章主要研究了求解体系仿真优化问题的学习型智能优化方法，通过对体系仿真优化问题的描述与特点分析，设计并实现了求解体系仿真优化问题的学习型遗传算法。实验结果表明，在求解体系仿真优化问题时，学习型遗传算法的效率都比其他方法高，应用本方法求解体系优化问题是可行的、正确的、有效的。

第8章主要研究了求解卫星地面站系统任务调度的学习型智能优化方法，首先对卫星地面站系统任务调度问题进行描述，设计并实现了求解卫星地面站系统任务调度的学习型蚁群算法。实验结果表明学习型蚁群算法能快速有效地求解卫星地面站系统任务调度问题。

第9章主要研究了求解多星任务规划问题的学习型智能优化方法，首先对多星任务规划问题进行描述，然后建立了多星任务规划模型，接着设计并实现了求解多星任务规划问题的学习型蚁群算法。实验结果表明学习型蚁群算法在优化性能方面优于其他两种方法。

第10章是总结和展望，在总结研究结论的同时，提出了未来的研究方向。

在现有研究中，国内外学者围绕特定领域与问题对智能优化方法进行了大量研究。近年来，有学者开始研究通过知识对智能优化算法进行引导，但将其作为一个方法体系进行研究的较少。在传统智能优化方法的基础上，本书构建了一类学习型智能优化方法：从学习型智能优化的角度，构建了4类典型知识形式；从优化过程中挖掘一些有用知识，然后采用知识来指导后续优化过程；针对连续优化、离散优化和实际工程优化问题提出了一系列学习型智能优化方法，获得了较为满意的结果。本书的主要创新点可概括为以下3个方面。

（1）建立了学习型智能优化方法的基本框架。采用智能优化模型和知识模型相结合的集成建模思路，智能优化模型按照“邻域搜索”策略对优化问题的可行空间进行搜索；知识模型从前期的优化过程中挖掘出有用知识，然后采用知识来指导智能优化模型的后续优化过程。演化学习型智能优化方法的基本框架为现有优化方法改进提供了一种有益的借鉴。

（2）提出了精英个体知识、构件知识、算子知识和参数知识这4种典型的知识形式，为学习型智能优化方法嵌入知识奠定了重要基础；构建了用于实现学习型智能优化方法的8类知识，可辅助学习型智能优化方法高效地求解复杂优化问题。

（3）针对连续优化、离散优化和实际工程优化问题，设计并实现了9种学习型智能优化方法，获得了较为满意的结果。这些方法稍加修改就可以推广到其他复杂优化问题的求解过程中。