进化计算尤其是进化多目标优化是当前计算智能领域的研究热点。差分进化算法是当前最为流行和实用的进化算法之一。
　　目前对差分进化算法的研究和应用主要集中于静态种群结构的基本差分进化算法，而静态种群结构不利于算法的收敛速率，且需要额外的存储空间。《信息化与工业化两化融合研究与应用丛书：动态差分进化算法及其应用》结合国内外关于差分进化算法的最新研究成果，重点研究动态种群结构的差分进化算法，提出和设计了多种高效、鲁棒的动态差分进化算法和多目标动态差分进化算法，并应用于资源受限项目调度、二维IIR滤波器优化设计、电力系统环境负荷多目标分配、混合动力汽车多目标优化设计、动态多目标优化和双层多目标优化等领域，因此具有重要的学术理论意义和实际工程应用价值。
　　《信息化与工业化两化融合研究与应用丛书：动态差分进化算法及其应用》可作为控制科学与工程、电气工程、计算机科学与技术、管理科学与工程、机械工程等相关学科的教师、学生和研究开发技术人员，尤其是进化计算及应用研究者的参考书。

　　第1章 概述
　　1.1 引言
　　自然界中存在各种各样的生物，这些生物与自然环境相互作用，表现出了复杂的行为。即使是这些生物中最低级的形态——病毒，其结构也是非常复杂，以至于人们很难完全了解其构成细节。达尔文的生物进化学说告诉我们，自然界中丰富多彩的生物是自然选择和进化的结果，现代分子生物学的发展也为这一学说提供了直接的证据，所有的生物都具有遗传物质——DNA和RNA。进化使得生物能够更好地适应自然环境，最复杂的生物就是由简单的生物经历了漫长的岁月后逐渐进化而来。虽然进化的结果非常复杂，但进化的过程却很简单：繁殖、变异、竞争、选择。
　　生物是解决问题的能手。正是在自然界的启示下，一些学者希望通过模拟自然界的生物进化过程来解决实际问题。进化计算这一学科就是在这样的背景下诞生的。进化计算主要研究受自然进化和演变启示而提出的各种计算方法。它是一个快速发展的多学科交叉的领域，通过研究各种类型技术和方法来解决大规模的、复杂的以及动态的问题。进化计算的首要任务就是理解这些计算方法的机制，然后设计高鲁棒性、适应性和高效的算法来解决用传统计算方法难以解决的问题。
　　进化计算创建于20世纪60年代，最初被分为四个分支：进化策略、进化规划、遗传算法和遗传规划。然而，进化计算的国际权威学者之一，英国伯明翰大学的姚新教授认为这种分类并没有抓住进化计算的本质。他将进化计算分为如下四个领域：进化优化、进化学习、进化设计和理论基础。现在，进化计算中的所有方法都是使用基于扰动(交叉和变异)和接受(选择和复制)的搜索机制作用于一个种群去寻找更好的解。与传统优化和人工智能方法相比较，进化计算方法的主要优势包括：可接受的计算复杂度、广泛的应用性、出色的实际问题解决能力、和其他方法结合的潜力、并行性、鲁棒性、自适应性等。进化算法还有其他的一些优点，如不需要对问题解析的表达、不需要导数信息等。
　　在最近二十年里，进化计算无论是在算法设计、理论分析还是在工业应用上都取得了显著的发展。它涉及的领域已由最初的生物计算发展到各种类型的自然计算算法和技术，这其中包括进化计算、神经计算、生态计算、社会和经济计算等，它们都是基于统一框架内的。
　　……

《信息化与工业化两化融合研究与应用丛书》序
前言
第1章 概述
1.1 引言
1.2 差分进化算法
1.2.1 差分变异操作
1.2.2 交叉操作
1.2.3 选择操作
1.2.4 DE工作原理与算法流程
1.3 差分进化算法家族
1.4 差分进化算法的收敛性分析
1.5 动态差分进化算法
1.5.1 动态差分进化算法原理
1.5.2 DDE的收敛性分析
1.5.3 DDE与DE的比较分析
1.6 本章小结
参考文献

第2章 改进变异算子差分进化算法
2.1 最优排序变异差分进化算法
2.1.1 最优排序变异算子
2.1.2 数值分析
2.1.3 IDE在资源受限项目调度问题中的应用
2.2 自适应二次变异差分进化算法
2.2.1 差分进化算法的早熟收敛分析
2.2.2 算法设计
2.2.3 算法性能分析
2.2.4 基于ASMDE的PID控制器参数整定
2.3 求解混合整数非线性规划问题的改进差分进化算法
2.3.1 MINP问题描述
2.3.2 改进的差分进化算法
2.3.3 算法流程
2.3.4 实验研究
2.4 本章小结
参考文献

第3章 参数自适应差分进化算法
3.1 引言
3.2 基于个体适应度的参数自适应差分进化算法
3.2.1 参数自适应控制策略
3.2.2 缩放因子F的自适应策略
3.2.3 交叉概率CR的自适应策略
3.2.4 实验研究
3.2.5 基于SAMDE的机械手轨迹规划
3.4 自学习参数自适应差分进化算法
3.4.1 自学习参数自适应策略
3.4.2 数值分析
3.4.3 基于PSLMDE的电力系统负荷分配
3.4.4 PED问题的PSLMDE求解方法
3.4.5 算例分析
3.5 本章小结
参考文献

第4章 多变异模式差分进化算法
4.1 引言
4.2 双群体伪并行差分进化算法
4.2.1 DsPPDE算法
4.2.2 基于平均熵的初始化
4.2.3 实验研究
4.3 DSPPDE算法在非线性系统参数估计中的应用
4.3.1 模型参数估计问题描述
4.3.2 应用实例
4.4 引入模拟退火策略的自适应组合差分进化算法
4.4.1 非固定多段映射罚函数法
4.4.2 自适应组合差分进化算法
4.4.3 算法流程
4.4.4 数值分析
4.5 一种自适应变异差分进化算法
4.5.1 自适应变异算子
4.5.2 实验分析
4.5.3 应用实例
4.6 本章小结
参考文献

第5章 单纯形混合差分进化算法
5.1 引言
5.2 混合单纯形差分进化算法
5.2.1 单纯形算法
5.2.2 混合单纯形差分进化算法
5.3 实验结果
5.3.1 HNMDE参数敏感性分析
5.3.2 HNMDE与DE的比较
5.4 基于HNMDE的硬盘驱动伺服系统参数估计
5.4.1 问题描述
5.4.2 基于HNMDE的磁头位置驱动控制系统参数估计
5.5 本章小结
参考文献

第6章 基于拥挤熵多样性保持的多目标差分进化算法
6.1 引言
6.2 多目标优化的基本概念
6.3 参数自适应策略
6.4 精英存档和多样性保持
6.4.1 外部精英存档
6.4.2 基于拥挤熵的多样性测量
6.5 MOSADDE算法
6.5.1 占优选择算子
6.5.2 约束处理
6.5.3 算法实现
6.5.4 算法计算复杂度
6.6 实验结果
6.6.1 测试问题组
6.6.2 性能指标
6.6.3 自适应控制参数策略有效性测试
6.6.4 MOSADDE与其他MOEA的比较
6.6.5 MOSADDE与其他MoDE的比较
6.7 基于MOSADDE的环境经济负荷分配多目标优化
6.7.1 问题背景
6.7.2 问题描述
6.7.3 基于模糊理论的最优折中解提取
6.7.4 实验结果及其分析
6.8 本章小结
参考文献

第7章 最近邻距离多样性保持的多目标差分进化算法
7.1 引言
7.2 参数自适应策略
7.3 归一化最近邻域距离
7.4 MOSADDE-II算法
7.4.1 变异算子中best个体的选择
7.4.2 算法实现
7.4.3 算法计算复杂度
7.5 实验结果
7.5.1 测试问题组
7.5.2 控制参数自适应策略有效性测试
7.5.3 MOSADDE-II与MOSADDE及其他MOEA的比较
7.6 基于MOSADDE-II的混合动力汽车优化设计
7.6.1 引言
7.6.2 HEV优化设计参数
7.6.3 P}tEV多目标优化模型
7.6.4 优化结果及其分析
7.7 本章小结
参考文献

第8章 基于差分进化算法的动态多目标优化
8.1 引言
8.2 动态多目标优化问题数学描述
8.3 动态多目标差分进化算法
8.3.1 动态环境检测
8.3.2 种群多样性保持
8.3.3 算法实现
8.4 动态多目标优化测试问题
8.5 实验结果及性能分析
8.5.1 动态性能指标
8.5.2 环境改变频率对算法性能的影响分析
8.5.3 参数P1对算法性能的影响分析
8.5.4 测试结果及比较分析
8.6 本章小结
参考文献

第9章 基于差分进化算法的双层多目标优化
9.1 引言
9.2 双层多目标优化问题数学描述
9.3 双层多目标动态差分进化算法
9.3.1 进化种群结构
9.3.2 下层多目标差分进化算法
9.3.3 上层多目标差分进化算法
9.3.4 算法计算复杂度分析
9.4 双层多目标优化测试问题
9.5 实验结果及其分析
9.5.1 算法的参数选择和分析
9.5.2 实验结果
9.6 本章小结
参考文献

附录A 单目标优化Benchmark测试函数
附录B 多目标优化Benchmark测试函数
附录C IEEE30-和118-bus测试系统线损B系数