雷德明，武汉理工大学自动化学院副教授。硕士生导师。2005年11月毕业于上海交通大学，获工学博士学位，2009年2月于武汉理工大学交通运输工程博士后流动站出站。主要研究方向：系统优化与智能调度、计算智能等。先后主持和承担了973、国家自然科学基金、中国博士后科学基金和湖北省自然科学基金等科研项目。发表学术论文30余篇．被SCI和EI收录20余篇。

　　智能优化算法是一类通过模拟某一自然现象或过程而建立起来的优化方法，这类算法包括进化算法、粒子群算法、禁忌搜索、分散搜索、模拟退火、人工免疫系统和蚁群算法等。本书系统地介绍了多目标智能优化算法理论与应用，力图全面地介绍多目标智能优化算法的最新研究进展。全书共分为8章，主要内容包括：多目标进化算法、多目标粒子群算法、其他多目标智能优化算法、人工神经网络优化、交通与物流系统优化、多目标生产调度和电力系统优化及其他。
　　本书内容取材新颖，覆盖面广，系统深入，注重理论联系实际。本书可作为计算机、自动控制、人工智能、管理科学和工业工程等专业的研究生及高年级本科生教材，也可作为从事计算智能、生产调度等研究人员和工程技术人员的参考书。

　　第1章  绪论
　　智能优化算法是通过模拟某一自然现象或过程而建立起来的，它们具有适于高度并行、自组织、自学习与自适应等特征，为解决复杂问题提供了一种新途径。这类算法包括进化算法（EA）、粒子群算法（PSO）、禁忌搜索（TS）、分散搜索（SS）、模拟退火（SA）、人工免疫系统（AIS）和蚁群算法（ACO）等。
　　进化算法来源于对生物进化过程的模拟，它将问题的求解表示成染色体的适者生存过程，通过染色体的一代代进化，最终收敛到最适应环境的个体（即问题的最优解或满意解），该类算法主要包括遗传算法（GA）、进化策略（ES）和进化规划（EP）等。
　　粒子群算法来源于对鸟群优美而不可预测的飞行动作的模拟，粒子的飞行速度动态地随粒子自身和同伴的历史飞行行为改变而改变。
　　禁忌搜索是一种全局逐步优化算法，它模拟人类的智力过程，通过引入一种灵活的存储结构和相应的禁忌规则来避免迂回搜索，并通过藐视原则来赦免一些被禁忌的优良状态，以实现全局优化。
　　分散搜索主要组成部分包括五个方法：多样化产生方法、改进方法、参考集更新方法、子集产生方法和组合方法等。分散搜索十分灵活，它的每个组成部分都能采取不同的方式实现。
　　模拟退火是基于Mente Carlo迭代求解策略的随机寻优算法，其出发点是固体物质的退火过程与一般组合优化问题的相似性，从某一初温开始，随着温度的降低，结合概率突跳特性在解空间中搜索最优解，即在局部解时能概率性地跳出并最终趋于全局最优。
　　人工免疫系统是一种模仿生物免疫系统功能的智能系统，免疫系统是一种复杂的分布式信息处理学习系统，这种系统具有免疫保护、免疫记忆、免疫学习功能以及较强的自适应性、多样性、学习、识别和记忆等特点。
　　蚁群算法是受自然界中蚂蚁搜索食物行为的启发而提出的一种随机优化算法，单个蚂蚁是脆弱的，而蚁群的群居生活却能完成许多单个个体无法承担的工作，蚂蚁间借助于信息素这种化学物质进行信息的交流和传递，并表现出正反馈现象：某段路径上经过的蚂蚁越多，该路径被重复选择的概率就越高。正反馈机制和通信机制是蚁群算法的两个重要基础。

《智能科学技术著作丛书》序
前言
第1章  绪论
1.1  进化算法
1.1.1  进化算法的基本框架
1.1.2  遗传算法
1.1.3  进化策略
1.1.4  进化规划
1.2  粒子群算法
1.2.1  标准粒子群算法
1.2.2  算法解析
1.3  蚁群算法
1.3.1  蚁群算法的基本思想
1.3.2  蚁群算法的实现过程
1.3.3  蚁群算法描述
1.3.4  蚁群优化的特点
1.4  模拟退火算法
1.4.1  模拟退火算法的基本原理
1.4.2  模拟退火算法描述
1.5  人工免疫系统
1.5.1  生物免疫系统
1.5.2  人工免疫系统
1.6  禁忌搜索
1.7  分散搜索
1.8  多目标优化基本概念
参考文献
第2章  多目标进化算法
2.1  基本原理
2.1.1  MOEA模型
2.1.2  性能指标与测试函数
2.2  典型多目标进化算法
2.2.1  VEGA、MOGA、NPGA和NSGA
2.2.2  SPEA和SPEA2
2.2.3  NSGA2
2.2.4  PAES
2.2.5  其他典型MOEA
2.3  多目标混合进化算法
2.3.1  多目标遗传局部搜索
2.3.2  J—MOGLS
2.3.3  M PAES
2.3.4  多目标混沌进化算法
2.4  协同多目标进化算法
2.5  动态多目标进化算法
2.5.1  IMOEA
2.5.2  动态MOEA(DMOEA)
2.6  并行多目标进化算法
2.6.1  并行多目标进化算法的基本原理
2.6.2  多分辨率多目标遗传算法
2.6.3  并行单前端遗传算法
2.7  其他多目标进化算法
2.7.1  高维多目标优化的NSGA2改进算法
2.7.2  动态多目标优化的进化算法
2.8  结论与展望
参考文献
第3章  多目标粒子群算法
3.1  基本原理
3.2  典型多目标粒子群算法
3.2.1  CMOPSO
3.2.2  多目标全面学习粒子群算法
3.2.3  Pareto档案多目标粒子群优化
3.3  多目标混合粒子群算法
3.3.1  模糊多目标粒子群算法
3.3.2  基于分散搜索的多目标混合粒子群算法
3.4  交互粒子群算法
3.5  结论
参考文献
第4章  其他多目标智能优化算法
4.1  多目标模拟退火算法
4.2  多目标蚁群算法
4.2.1  连续优化问题的多目标蚁群算法
4.2.2  组合优化问题的多目标蚁群算法
4.3  多目标免疫算法
4.4  多目标差分进化算法
4.5  多目标分散搜索
4.6  结论
参考文献
第5章  人工神经网络优化
5.1  Pareto进化神经网络
5.2  径向基神经网络优化与设计
5.3  递归神经网络优化与设计
5.4 模糊神经网络多目标优化
5.5  结论
参考文献
第6章  交通与物流系统优化
6.1  物流配送路径优化
6.1.1  多目标车辆路径优化
6.1.2  多目标随机车辆路径优化
6.2  城市公交路线网络优化
6.3  公共交通调度
6.3.1  概述
6.3.2  多目标驾驶员调度
6.4  结论
参考文献
第7章  多目标生产调度
7.1  生产调度描述_
7.1.1  车间调度问题
7.1.2  间隙生产调度
7.1.3  动态生产调度
7.1.4  批处理机调度和E／T调度
7.2  生产调度的表示方法
7.3  基于进化算法的多目标车间调度
7.3.1  多目标流水车间调度
7.3.2  多目标作业车间调度
7.4  基于进化算法的多目标模糊调度
7.4.1  模糊调度：Sakawa方法
7.4.2  模糊作业车间调度：cMEA方法
7.5  基于进化算法的多目标柔性调度
7.5.1  混合遗传调度方法
7.5.2  混合遗传算法
7.6  基于粒子群优化的多目标调度
7.6.1  基于粒子群优化的多目标作业车间调度
7.6.2  多目标柔性调度的混合粒子群方法
7.7  多目标随机调度
7.8  结论与展望
参考文献
第8章  电力系统优化及其他
8.1  电力系统优化
8.1.1  基于免疫算法的多目标无功优化
8.1.2  基于分层优化的多目标电网规划
8.1.3  基于NSGA2及协同进化的多目标电网规划
8.2  多播Qos路由优化
8.3  单元制造系统设计
8.3.1  概述
8.3.2  基于禁忌搜索的多目标单元构造
8.3.3  基于并行禁忌搜索的多目标单元构造
8.4  自动控制系统设计
8.4.1  概述
8.4.2  混合动力学系统控制
8.4.3  鲁棒PID控制器设计
8.5  结论
参考文献
附录  部分测试函数