主要阐述协同进化遗传算法的原理及其应用，主要内容包括：协同进化遗传算法入门、基于紧联结识别的协同进化种群分割、协同进化种群的搜索区域动态变化、协同进化遗传算法的种群规模动态变化、基于局域网并行实现的协同进化种群的代表个体选择、协同进化遗传算法网络实现的资源分配，以及协同进化遗传算法的搜索空间分割等。《协同进化遗传算法理论及应用》在详细阐述协同进化遗传算法原理与核心技术的同时，还给出其在多峰多目标复杂数值函数优化、多机器人协调路径规划、神经网络结构与连接权值同时优化，以及群体决策中的具体应用，并给出详细的算法对比结果。为便于应用《协同进化遗传算法理论及应用》阐述的算法，书后附有部分协同进化遗传算法源程序。协同进化遗传算法是解决复杂的实际优化问题的智能计算方法，近年来已在许多领域得到成功的应用，是智能优化与决策领域的热点研究方向之一。
　　《协同进化遗传算法理论及应用》可供理工科大学计算机、自动控制和人工智能等专业的教师及研究生阅读，也可供自然科学和工程技术领域中的研究人员参考。

　　第1章  协同进化遗传算法入门
　　遗传算法（genetic algorithms，GA）是20世纪60年代被提出的一种模拟生物进化和遗传变异机制的概率优化方法。自被提出以来，该算法已在数值函数优化、组合优化、调度、产品设计等领域得到广泛应用。在应用过程中，人们逐渐发现传统遗传算法的性能难以满足要求，于是众多学者提出了很多高性能的改进遗传算法。协同进化遗传算法（C0—evolutionary genetic alg0rithms，CGA）即是其中的一种，它是基于多个种群同时进化的遗传算法。由于其优越的性能，近年来该算法得到学术界的普遍重视，并取得了丰硕的研究成果。
　　但是，成功地应用协同进化遗传算法解决复杂优化问题，绝非简单的事情。这是因为，协同进化遗传算法本身有许多特殊的问题需要解决。只有这些问题得到有效解决，其优越性才能得到充分发挥。本书即阐述协同进化遗传算法需要解决的问题，以及近年来提出的解决方法及其在许多领域的应用。为便于读者理解，在此之前，我们首先简要地介绍相关的基础知识，包括遗传算法、协同进化遗传算法的原理和步骤等。
　　1.1　遗传算法
　　优化问题在实际系统中是普遍存在的，如旅行商问题、车间调度问题、产品设计问题等。对于一个优化问题，如果其目标函数是可微的，并且问题的规模不是很大，我们可以采用一些传统的优化方法解决，如牛顿法。可是，对于目标函数不可微甚至不连续，或者虽然目标函数可微但问题的规模非常大的优化问题，很多传统的优化方法往往不再适用。
　　遗传算法是一种模拟生物进化和遗传变异机制的概率优化方法。由于它不要求被优化的目标函数是连续和可微的，并且能在容许的时间内找到大规模优化问题的满意解，因此在学术界和工业界得到普遍关注。

《智能科学技术著作丛书》序
序
前言

第1章  协同进化遗传算法入门
1.1  遗传算法
1.1.1  遗传算法的运行机制
1.1.2  遗传算法的提出与发展
1.1.3  并行遗传算法
1.2  协同进化遗传算法
1.2.1  协同进化遗传算法的提出
1.2.2  协同进化遗传算法的思想
1.2.3  竞争型协同进化遗传算法
1.3  合作型协同进化遗传算法
1.3.1  合作型协同进化遗传算法的思想
1.3.2  进化个体评价
1.3.3  代表个体选择
1.3.4  合作型协同进化遗传算法的研究
1.3.5  合作型协同进化遗传算法存在的问题
1.4  本书主要内容
1.5  本章小结
参考文献

第2章  基于紧联结识别的协同进化种群分割
2.1  种群分割的必要性
2.2  基于概率模型的紧联结识别算法
2.3  基于紧联结识别的协同进化种群分割
2.3.1  一次性紧联结识别协同进化种群分割
2.3.2  进化紧联结识别协同进化种群分割
2.4  在多模态数值函数优化中的应用
2.4.1  优化函数描述
2.4.2  运行环境与参数设置
2.4.3  运行结果比较与分析
2.5  本章小结
参考文献

第3章  协同进化种群搜索区域的动态变化
3.1  搜索区域动态变化的必要性
3.2  搜索区域动态变化
3.2.1  搜索区域变化时机
3.2.2  搜索区域变化策略
3.3  种群规模自适应调整
3.3.1  种群规模调整策略
3.3.2  新种群的生成
3.3.3  算法步骤
3.4  算法性能分析
3.5  在多模态数值函数优化中的应用
3.5.1  优化函数描述
3.5.2  运行环境与参数设置
3.5.3  停机准则
3.5.4  运行结果比较与分析
3.6  本章小结
参考文献

第4章  协同进化遗传算法种群规模的动态变化
4.1  种群规模动态变化的必要性
4.1.1  单种群遗传算法的变种群规模
4.1.2  多种群遗传算法的变种群规模
4.1.3  合作型协同进化遗传算法的计算复杂性
4.1.4  种群规模动态变化的意义
4.2  基于二进制编码的搜索区域变焦
4.3  基于实数编码的搜索区域变焦
4.3.1  进化子种群的表示
4.3.2  子种群的进化能力
4.3.3  搜索子空间的变焦
4.4  子种群规模动态变化
4.4.1  代表个体的信用度
4.4.2  算法步骤
4.5  在多模态数值函数优化中的应用
4.5.1  被优化函数
4.5.2  参数取值
4.5.3  优化结果与分析
4.6  与第3章的比较
4.7  本章小结
参考文献

第5章  基于局域网并行实现的协同进化种群的代表个体选择
5.1  局域网并行实现的必要性
5.2  协同进化遗传算法的局域网并行实现
5.3  代表个体选择
5.3.1  影响代表个体选择的因素
5.3.2  代表个体选择方法
5.3.3  子种群分布的多样性描述
5.3.4  代表个体数量
5.3.5  选择代表个体
5.3.6  合作团体构成
5.3.7  算法步骤
5.4  在多模态数值函数优化中的应用
5.4.1  被优化函数
5.4.2  计算资源的性能
5.4.3  参数取值
5.4.4  优化结果与分析
5.5  本章小结
参考文献

第6章  协同进化遗传算法网络实现的资源分配
6.1  资源分配的必要性
6.2  资源分配决策模型
6.2.1  需要考虑的因素
6.2.2  一些假设
6.2.3  决策模型
6.2.4  对模型的解释
6.3  决策模型求解
6.4  算例
6.4.1  各子种群采用相同的遗传策略
6.4.2  子种群分为多组，不同组采用不同的遗传策略
6.4.3  各子种群均采用不同遗传策略
6.5  本章小结
参考文献

第7章  协同进化遗传算法的搜索空间分割
7.1  空间分割的必要性
7.2  算法思想及空间分割
7.3  种内及种问进化遗传算法
7.3.1  种内进化遗传算法
7.3.2  种间进化遗传算法
7.3.3  新的进化子种群的生成
7.4  超级个体集合
7.5  算法复杂度分析
7.6  在多目标数值函数优化中的应用
7.6.1  参数设置
7.6.2  空间分割个数对Pareto边界的影响
7.6.3  子空间划分形式对Pareto边界的影响
7.6.4  种内进化策略对Pareto边界的影响
7.6.5  超级个体的形成和更新策略对Pareto边界的影响
7.6.6  种闻讲化对Pareto边界的影响
7.7  本章小结
参考文献

第8章  协同进化遗传算法在机器人路径规划中的应用
8.1  机器人路径规划
8.1.1  传统路径规划方法
8.1.2  智能路径规划方法
8.2  多机器人协调路径规划模型
8.3  多机器人协调路径规划的协同进化遗传算法求解
8.3.1  递阶编码
8.3.2  适应度函数
8.3.3  遗传操作
8.3.4  算法步骤
8.4  算例
8.4.1  问题描述
8.4.2  实验设置
8.4.3  实验结果及性能分析
8.5  本章小结
参考文献

第9章  协同进化遗传算法在神经网络优化中的应用
9.1  神经网络优化
9.1.1  传统训练算法
9.1.2  基于遗传算法的神经网络设计
9.2  神经网络优化的协同进化遗传算法求解
9.2.1  进化种群分割
9.2.2  决策变量编码
9.2.3  交叉操作
9.2.4  变异操作
9.2.5  基于启发式的神经网络结构优化
9.2.6  适应度函数
9.2.7  代表个体选择
9.2.8  算法步骤
9.3  用于分类的神经网络优化
9.3.1  问题描述
9.3.2  实验设置
9.3.3  实验结果及性能分析
9.4  本章小结
参考文献

第10章  协同进化遗传算法在群体决策中的应用
10.1  群体决策的必要性和难度
10.2  分布协同交互式遗传算法
10.2.1  共享个体
10.2.2  群体决策结果的评价
10.2.3  类适应值替换
10.3  在服装进化设计系统中的应用
10.3.1  实验设置
10.3.2  实验结果及分析
10.4  本章小结
参考文献
附录  部分协同进化遗传算法源程序
附录1  标准合作型协同进化遗传算法MATLAB源程序
附录2  第8章机器人路径规划部分源程序