Discrete
Problems in Nature Inspired Algorithms
自然启发算法中的离散问题
作者：Anupam Shukla,Ritu Tiwari
出版：CRC Press
索书号：Q4-39/S562/2018/ Y
ISBN: 978-1-138-19606-3
藏书地点:武大外教中心
本书介绍了几种专门针对基于图的问题的算法，即组合优化问题，路径形成问题等。每一章都包括基本传统自然启发算法的介绍，以及对离散算法的修改版本的讨论，包括与所讨论的算法有关的问题。
"每一章都包括详细的问题表述，实际示例，说明特殊算法的流程图，问题和已解决的练习，以加强重要主题。除了对那些对离散优化问题感兴趣并对其应用各种元启发式方法的人非常有用之外，参与其中的读者还可以从它提供各种想法和解决问题解决方案的简单方法中受益。它是用一种干净易懂但仍然高度科学的语言编写的，对于对基于图的离散优化问题的元启发式方法感兴趣的博士后和研究人员来说，这是一本有益的读物。
在当今世界，我们痴迷于解决大量问题。随着科学技术的进步，人类已经能够驯服其中的一些[1]。由于自动化领域的进步，并且知道自然资源处于枯竭的边缘，今天的科学家正在非常关注可以通过优化实现的低资源（关于功率，时间和占用率）因素。优化可以在多个级别实现。
粒子群优化（PSO）是群体智能算法的先驱，它利用集体努力实现更好的收敛性以进行优化。它由J. Kennedy和R. Eberhart于1995年推出。PSO的发展历史非常有趣，因为两位创始人来自不同的背景，他们一直在合作进行社会心理学模拟，结果是优化和解决问题的巢穴算法之一。PSO算法主要基于两个因素，一个是集体探索，第二个行为是基于社会指导的共粒子对其他粒子的决策。
本章将讨论一些最广泛使用和最成功的进化算法，这些算法的灵感来自自然进化和生物体的进化。它们主要用于离散问题优化，但也可用于多目标连续问题。使用这些算法的主要优点是其组合生成，学习能力以及使用学到的经验来生成更好的解决方案。有各种进化算法，如遗传算法（GA），遗传编程方法和进化策略。这些算法有各种修改版本，当在原始算法中发现某些分歧时，已经引入了这些版本。此外，有时发现修改后的版本在性能上远远优于传统算法本身。我们将逐步进入算法的细节，并将用示例进行说明，以便读者可以可视化操作，并可以在他们的问题中使用它们进行优化和解决方案生成。然而，所提供的解释只是片面的可视化，并且对于各种问题和应用，可以使用该算法进行其他一些观察和技术。
蚁群优化（ACO）是一种基于代理的合作搜索元启发式算法，其中每个代理在与社交或全局代理的伪通信的指导下寻求自己的独立解决方案。ACO最初是由Marco Dorigo于1992年在他的博士论文中提出的，作为蚂蚁系统，它模仿蚂蚁在食物搜索和采购中的习惯，并帮助蚂蚁同伴获得食物来源。在此之前，它已成为主要针对基于图形的离散问题的优化的最佳算法之一。
蝙蝠算法（BA）是杨欣曦最近提出的一种基于群体的元启发式方法。该算法体现了蝙蝠的所谓回声定位。蝙蝠利用SONAR回波来检测和避开路径中可能存在的障碍物。因此，可以确定蝙蝠通过使用从发射到解剖的时间延迟来导航。脉率被测量为每秒10到20次之间，并且它只存在大约8-10毫秒。一旦蝙蝠被击中，它们就会将自己的脉搏转化为有用的信息，以进行探索。这种探索机制的目的是弄清楚猎物有多远？蝙蝠通常使用波长λ，波长在0.7-17毫米的范围内变化。脉冲速率可以在0到1的范围内限定，其中0表示没有发射，1表示蝙蝠的发射处于最大值。
本章探讨了相对较新的算法，即Deb和Yang在2009年提出的布谷鸟搜索（CS）算法，并且已经发现它有能力处理需要全局优化的问题。优化正在匆忙增加，并且由于时间，资源和金钱有限，因此变得更加重要。优化的基本目标是实现一个稳定的系统。今天，在几乎所有的工业和科学领域，我们都在努力实现一个稳定的解决方案，或者我们可以说我们正在努力优化某些东西，也就是说，是最小化资源需求还是最大化保护。在同样的背景下，许多受自然启发的算法正在出现，并被广泛用于解决这些处理优化的广泛问题。
近年来，群体智能的精灵作为属于各种不同精灵的科学家的研究兴趣而广受欢迎。Bonabeau将群体智能解释为"任何试图设计算法或分布式问题解决设备的尝试，其灵感来自社会昆虫群落和其他动物社会的集体行为。他的主要关注点是蜜蜂，黄蜂，白蚁和其他蚂蚁品种等社会性昆虫表现出的行为。北极蜂群（ABC）被认为是基于蜜蜂觅食行为的群体智能算法的先驱。本章详细介绍了与ABC相关的概念和应用。
在本世纪，技术无处不在。今天发生的许多创新都受到自动化人类流程和使生活更简单的需求的启发。如今，大多数正在发生的技术创新都是软计算范式进步的直接结果。粗略地说，软计算基本上是指利用不精确的解决方案来获得不存在已知算法的复杂问题（如NP-Hard问题）的解决方案。软计算与传统（硬）计算技术的不同之处在于，它能够容忍问题或其解决方案中可能发生的不精确性和不确定性。通常，软计算算法是受自然启发的算法，从某种意义上说，它们以某种方式模仿自然过程。诸如蜜蜂的行为，蚂蚁的运动等现象可以通过使用软计算技术非常有效地建模。相同的方法也可用于解决工程和管理领域中发生的类似问题。
在本章中，我们将探索一种不同的自然启发算法，该算法的灵感来自解决任何复杂问题的人类头脑风暴过程。我们所有人都熟悉这样一个事实，当一个复杂的问题摆在我们面前，一个人无法解决时，一群具有不同素质的人会聚在一起进行头脑风暴。通过这种方式，解决了该问题的概率增加。在头脑风暴的过程中，伟大的想法会出现，他们彼此之间的合作有助于产生更好的解决问题的想法。头脑风暴优化算法已被应用于通过随机生成想法或个人来解决非常具有挑战性和困难的问题。这是一种在人类思想生成过程的基础上开发的优化算法，由于人类是世界上最有知识、最聪明的生物，这种算法在各个方面都优于其他自然启发算法。
在本章中，我们将讨论智能水滴算法（IWDA或IWD）——一种非常成功的算法，在基于调度的优化和离散问题中。最重要的特征是代理与表示它们的数学之间的具体伪通信。该算法虽然缺乏参数变化运算，但它是为数不多的算法之一，适用于各种问题，包括连续和离散问题。
侵入性杂草优化（IWO）算法是另一种基于群体洞察的算法，它具有一些商标，使其具有明确无误，并且是其他基于社会行为的传统计算的一种算法。虽然粒子群优化（PSO）和细菌翻找依赖于其他专家基于社会行为的影响，但IWO算法操作员没有表现出这种基于影响的特征。相反，鉴于最佳颗粒的标准偏差，它们具有非凡的附近狩猎品质，这些颗粒需要在理想和接近的理想点可用。另一个关键的标志是扩散，这有助于在新时代，特别是不定期地引入分散在工作空间不同目的的新专家。结束步骤调整空间散射和生成元素的合并影响。接下来，我们将讨论已建立的IWO算法，然后是IWO算法的离散变体，称为离散侵入性杂草优化（DIWO）算法。
萤火虫群优化（GSO）算法是一种群智能算法，它遵循闪电蠕虫的行为来解决复杂的数学问题。该算法由Krishnanand和Ghose引入。GSO算法在求解多模态方程方面效率非常高，并且已用于许多应用，例如聚类，路由，群机器人，图像处理，定位等。GSO研究昆虫的身体行为机制，称为萤火虫。溶液的药剂被视为萤火虫，其中含有荧光素，荧光素是一种在许多雷伊物种中发现的发光化合物。萤火虫计算它们在溶液空间中当前位置的tness;将目标函数转换为荧光素值，然后将其广播给所有邻居。萤火虫对它的邻居进行攻击，然后通过操纵它的自适应邻域来计算它的位置变化，这个邻域与其传感器范围接壤。每一种萤火虫都会被其他邻近萤火虫的更亮的光芒所吸引，然后它们使用概率方法选择一个具有比它自己的荧光素值更多的邻居，并向它的方向移动。荧光素的强度越高，萤火虫在搜索空间中的位置就越好。这些仅从本地信息和选择性邻居相互作用中得出的运动使萤火虫群能够分裂成不相交的子群，这些子群收敛于给定多模态函数的多个峰上。该算法被认为类似于其他群体智能解决方案，如粒子群优化（PSO）和蚁群优化（ACO），如前几章所述，但它与PSO的工作有几个显着差异：PSO的速度更新方程包括一个内存元素，而在GSO中，没有从内存中获取任何信息。
如今，"效率"一词基本上存在于每个专家的词汇中。例如，在像我们这样咄咄逼人的社会中，执行力和成本是不能忽视的。最小化成本和性能最大化可以被视为一个改进问题，因此，增强是为特定分配的问题找到最佳答案。每种方法都有一个更具体的问题安排。这取决于问题质量的进展，不常见的是描述它的能力，并且无法有效地达到。因此，需要对问题和优化技术有很好的一般理解。
《自然启发算法中的离散问题》一书于2020年由CRC
Press出版，作者是Anupam Shukla,Ritu
Tiwari。
《自然启发算法中的离散问题》一书中，研究人员介绍了自然启发算法，重点是最近的技术发展，讨论的主题主要包括十六个章节。《自然启发算法中的离散问题》一书从各个方面讲解了自然启发算法的基础内容和研究方法，旨在为想要进一步研究自然启发算法的研究人员提供简明易懂的介绍以及方法技术指导。
《自然启发算法中的离散问题》一书作为自然启发算法专业研究读物，观点新颖独到，内容饱满详实、语言浅显易懂，除此之外，还包括一些其他的特点：
1、本书分为十六个章节，既讲解了自然启发算法的基础知识，还讲解了深入研究自然启发算法，是一本应用性很强的书籍，对于想要学习研究自然启发算法的研究人员来说是一本很有意义的指导书籍。
2、每个章节都是由相关领域的专业人士所撰写，因此，本书讲解既详细又专业，读者能够从中了解到自然启发算法相关的专业知识以及最新的前沿进展。
总的说来，《自然启发算法中的离散问题》一书为想要了解自然启发算法的研究方法的人员提供了清晰的导读路径，作为自然启发算法领域的一本前沿研究图书，是一本值得为想要涉足该领域的人员推荐的专业书籍。
关于作者：
Anupam Shukla目前是ABV-印度信息技术与管理学院的教授，在教学和研究方面拥有25年的经验。他于1995年获得博帕尔中央邦科学技术委员会颁发的青年科学家奖，并于1998年获得加尔各答贾达夫布尔大学的金质奖章，以表彰他的研究生学习。Shukla教授的主要研究领域是人工智能，他目前专注于神经网络和"进化和自然启发计算"，这些在生物信息学，医学专家系统和机器人技术中具有不可估量的应用。他在该领域指导了8名博士生和67名M技术论文。Shukla教授在各种国家和国际期刊/会议上发表了161篇研究论文，7本书的章节，并编辑了IGI Global Publishers生物医学工程领域的两本书。此外，他还撰写了三本书，题为"软计算的现实生活应用"CRC出版社，泰勒和弗朗西斯;"移动机器人的智能规划：算法方法"IGI Global;和"迈向混合和自适应计算：一个视角"，Springer Verlag Publishers。
Ritu Tiwari是瓜廖尔ABV-IIITM的副教授（信息和通信技术系）。她拥有14年的教学和研究经验，其中包括10年的博士后教学和研究经验。她的研究领域包括机器人技术，人工智能，软计算和应用（生物识别，生物医学，预测）。她拥有两项专利，并撰写了三本书，标题为："软计算的现实生活应用"，泰勒和弗朗西斯;"移动机器人的智能规划：算法方法"，IGI Global和"迈向混合和自适应计算：视角"，Springer-Verlag Publishers。她还编辑了IGI Global生物医学工程领域的两本书。她指导了5名博士和90名硕士生，并在各种国家和国际期刊/会议上发表了104篇研究论文。她于2006年获得恰蒂斯加尔邦科学技术委员会颁发的青年科学家奖。她还在从RAIPUR的NIT毕业后获得了金牌。她完成了由印度政府科学技术部（DST）和信息技术部（DIT）赞助的十个着名研究项目。她目前参与印度政府的工作，并正在从事三个赞助的研究项目。她是各种国际期刊的审稿人，包括ACM Computing Review，IEEE Transactions on Information Technology in
Biomedicine，Elsevier Journal of
Biomedical Informatics和Elsevier Neurocomputing journal。
本书目录：
1. 优化问题简介
2.粒子群优化
3.遗传算法
4.蚁群优化
5.蝙蝠算法
6.布谷鸟搜索算法
7.人工蜂群
8.随机青蛙跳跃算法
9.头脑风暴群优化算法
10.智能水滴算法
11.埃及秃鹫算法
12.基于生物地理学的优化
13.侵入性杂草优化
14.萤火虫群优化
15.细菌觅食优化算法
16.花授粉算法
林岚 武汉大学生命科学学院 博士研究生