《Java遗传算法编程》配套资源

编辑推荐

遗传算法常常用于解决非常复杂的真实世界问题。
本书是学习如何利用遗传算法来解决问题的入门指南，书中包含了Java语言编写的、能运行的项目和解决方案。本书引导读者一步一步地实现各种遗传算法及一些常见应用场景，帮助读者在实践中加深理解，从而能够解决自己独特的问题。本书首先介绍了基本概念，并在随后的章节中添加了机器人控制、旅行商问题等例子，展示了实现遗传算法的更多知识技能。
通过阅读本书，你将熟悉遗传算法与编程语言相关的问题和概念，掌握构建自己的算法所需的全部知识，并且将获得用遗传算法解决问题的能力。请拿起本书，进入遗传算法这个迷人的领域，看看真正能工作的Java代码，并运用于你自己的项目和研究中。
本书具有以下特色：
● 引导学习遗传算法背后的理论；
● 解释软件开发者如何利用遗传算法来尝试解决一些问题；
● 通过简单易行的步骤，提供用Java实现遗传算法的详细指导。

内容简介

当前，机器学习领域已经变得越来越流行，而遗传算法是机器学习的一个重要子集。
本书简单、直接地介绍了遗传算法，并且针对所讨论的示例问题，给出了Java代码的算法实现。全书共分灾6章。第1章简单介绍了人工智能和生物进化的知识背景，这也是遗传算法的历史知识背景。第2章给出了一个基本遗传算法的实现；第4章和第5章，分别针对机器人控制器、旅行商问题、排课问题展开分析和讨论，并给出了算法实现。在这些章的末尾，还给出了一些练习供读者深入学习和实践。第6章专门讨论了各种算法的优化问题。
本书适合机器学习爱好者阅读，尤其适合对遗传算法的理论和实现感兴趣的读者阅读参考。

作者简介

Lee Jacobson来自英国布里斯托尔，是一名专业的自由职业软件开发者。在大学期间学习了遗传算法和其他优化技术后，他对这个主题产生了强烈的兴趣。
Burak Kanber是土生土长的纽约人，他拥有机械工程的学士学位和硕士学位，专注于控制系统、机器人技术、汽车工程和混合动力汽车系统工程。但是，软件一直是他终身的爱好，贯穿着Burak整个生命。

目录

• 第1章 简介 1
• 1.1 什么是人工智能 2
• 1.2 生物学类比 3
• 1.3 进化计算的历史 4
• 1.4 进化计算的优势 5
• 1.5 生物进化 7
• 生物进化的一个实例 8
• 1.6 基本术语 10
• 术语 10
• 1.7 搜索空间 11
• 1.7.1 适应度景观 12
• 1.7.2 局部最优 14
• 1.8 参数 17
• 1.8.1 变异率 17
• 1.8.2 种群规模 18
• 1.8.3 交叉率 19
• 1.9 基因表示 19
• 1.10 终止 20
• 1.11 搜索过程 20
• 1.12 参考文献 22
• 第2章 实现一个基本遗传算法 23
• 2.1 实现之前 23
• 2.2 基本遗传算法的伪代码 24
• 2.3 关于本书的代码示例 25
• 2.4 基本实现 26
• 2.4.1 问题 27
• 2.4.2 参数 27
• 2.4.3 初始化 29
• 2.4.4 评估 35
• 2.4.5 终止检查 38
• 2.4.6 交叉 41
• 2.5 轮盘赌选择 41
• 2.6 交叉方法 42
• 2.7 交叉伪代码 43
• 2.8 交叉实现 44
• 2.8.1 精英主义 48
• 2.8.2 变异 50
• 2.8.3 执行 53
• 2.9 小结 55
• 2.10 练习 56
• 第3章 机器人控制器 57
• 3.1 简介 57
• 3.2 问题 58
• 3.3 实现 59
• 3.3.1 开始之前 59
• 3.3.2 编码 60
• 3.3.3 初始化 64
• 3.3.4 评估 73
• 3.3.5 终止检查 87
• 3.3.6 选择方法和交叉 91
• 3.4 锦标赛选择 91
• 3.5 单点交叉 93
• 执行 99
• 3.6 小结 101
• 3.7 练习 102
• 第4章 旅行商 103
• 4.1 简介 103
• 4.2 问题 105
• 4.3 实现 106
• 4.3.1 开始之前 106
• 4.3.2 编码 106
• 4.3.3 初始化 107
• 4.3.4 评估 111
• 4.3.5 终止检查 117
• 4.3.6 交叉 118
• 4.3.7 变异 124
• 4.3.8 执行 126
• 4.4 小结 131
• 4.5 练习 132
• 第5章 排课 134
• 5.1 简介 134
• 5.2 问题 135
• 5.3 实现 136
• 5.3.1 开始之前 137
• 5.3.2 编码 137
• 5.3.3 初始化 138
• 5.3.4 执行类 158
• 5.3.5 评估 167
• 5.3.6 终止 169
• 5.3.7 变异 172
• 5.3.8 执行 174
• 5.4 分析和改进 179
• 5.5 小结 182
• 5.6 练习 182
• 第6章 优化 183
• 6.1 自适应遗传算法 183
• 6.1.1 实现 184
• 6.1.2 练习 188
• 6.2 多次启发 188
• 6.2.1 实现 189
• 6.2.2 练习 190
• 6.3 性能改进 191
• 6.3.1 适应度函数设计 191
• 6.3.2 并行处理 191
• 6.3.3 适应度值散列 193
• 6.3.4 编码 197
• 6.3.5 变异和交叉方法 197
• 6.4 小结 198