本章叙述中为了区别图中的顶点和解空间树中的顶点，凡是在解 空间树中出线队顶点一律称为结点。 分支限界法同回溯法类似，它也是在解空间中搜索问题的可行解 或最优解，但搜索的方式不同。回溯法采用深度优先的方式，朝纵深 方向搜索，直至达到问题的一个可行解，或经判断沿此路径不会达到 问题的可行解或最优解时，停止向前搜索，并沿原路返回到该路径上 最后一个还可扩展的结点

第一部分 算法篇 第一章 最优化问题与数学基础 第二章 线性规划和单纯形方法 第三章 对偶线性规划 第四章 无约束最优化计算方法 第五章 约束最优化方法 第六章 直接搜索方法 第二部分 应用篇 2.1 单纯形算法 2.2 修正单纯形算法 3.1 对偶单纯形算法 4.1 下降迭代算法 4.2 黄金分割算法..... 4.3 两点三次插值算法.... 4.4 模式算法....... 4.5 最速下降算法 4.6 牛顿算法 4.7 FR共轭梯度算法 4.8 SR1算法 4.9 DFP算法 4.10 信赖域算法 5.1外点（罚函数）法

针对经典人工蜂群算法收敛速率较慢,后期易陷入局部最优解的不足,本文将粒子群算法中\全局最优\的思想引入到人工蜂群算法的改进过程,从而形成了一种新的人工蜂群改进算法——粒子蜂群算法.首先,提出了趋优度的概念,用来衡量引领蜂在有限次迭代过程中向全局最优解靠近或远离的程度,趋优度值可以评价个体的\发展潜力\,趋优度值越低的个体,越需要增大变异的程度,以便找到质量更优的解.其次,专门设计了一种新的蜜蜂群体——粒子蜂,在引领蜂变异阶段根据趋优度的大小将引领蜂变异为侦查蜂和粒子蜂,粒子蜂的出现在很大程度上增加了种群的多样性,拓展了算法的搜索范围.然后,通过粒子蜂群算法种群序列是一个有限齐次马尔科夫链和种群进化单调性的分析,验证了本文所提算法的种群序列依概率1收敛于全局最优解集.最后,将本文所提算法应用于多个常见测试函数,并与经典蜂群算法、近年其他文献改进蜂群算法进行了仿真对比研究,仿真结果表明本文所提算法确实加大了种群的分散度、扩宽了搜索范围,从而具有更快的收敛速度和更高的寻优精度

通过把轧制力方程和厚度控制方程在小范围内线性化、离散化,用递推最小二乘法辨识出系统的状态空间模型.给出了基于Kalman滤波法的最优信息融合算法,并针对热连轧这个复杂的多变量系统设计了异步信息融合估计算法.将模型用于热连轧机带钢厚度预测中,同时也预测带钢塑性系数Q.最后把实时预测出的带钢出口厚度和带钢塑性系数应用于带钢热连轧厚度控制系统,提高了带钢厚度质量

7.1 网络层概述 7.2 路由算法 7.2.1 最优化原则 7.2.2 最短路径路由算法 7.2.3 洪泛算法 7.2.4 基于流量的路由算法 7.2.5 距离向量路由算法 7.2.6 链路状态路由算法 7.2.7 分层路由 7.2.8 移动主机的路由 7.3 拥塞控制算法 7.3.1 拥塞控制的基本原理 7.3.2 拥塞控制算法

针对传统神经网络优化算法易陷入局部最优值的问题,在标准粒子群算法的基础上,对粒子速度与位置更新策略进行改进,提出一种基于改进粒子群优化算法的BP神经网络建模方法.使用sinc函数、波士顿住房数据及某钢厂带钢热镀锌生产的实际数据进行验证.结果表明,与标准的反向传播神经网络和支持向量机相比,基于改进粒子群优化的神经网络模型可以有效提高预测精度

⚫ 10.1 基本概念 ⚫ 10.2 最短路问题 （一）Bellman最优化原理 （二）Dijustra算法（双括号法） （三）通信线路布施问题 （四）设备更新问题 ⚫ 10.3 最小生成树 （一）基本概念与理论 （二）Kruskal算法（加边法、破圈法） （三）丢边法（破圈法） ⚫ 10.4 最大流问题 （一）基本概念 （二）双标号算法 ⚫ 10.5 最小费用最大流 （一）基本概念 （二）求解算法

经典粒子群算法由于多样性差而陷入局部最优，从而造成早熟停滞现象.为克服上述缺点，本文结合人工免疫算法，提出一种基于自适应搜索的免疫粒子群算法.首先，该算法改善了浓度机制；然后由粒子最大浓度值来控制子种群数目以充分利用粒子种群资源；最后对劣质子种群进行疫苗接种，利用粒子最大浓度值调节接种疫苗的搜索范围，不仅避免了种群退化现象，而且提高了算法的收敛精度和全局搜索能力.仿真结果表明该算法求解复杂函数优化问题的有效性和优越性

炼钢-连铸区段的生产调度包括炉次计划、浇次计划的生成和时间、设备的分配,以及针对各种扰动的动态调整.根据钢种和规格的限制,提出了最优炉次计划模型,并采用禁忌搜索算法进行求解;根据炉次计划和连铸机连浇限制,生成浇次计划;根据炉机匹配和等待时间最小原则,生成静态调度甘特图,并对仿真过程中出现的出钢延迟提出了动态调度的策略和算法.仿真结果表明,基于模型的动态调度策略能够有效地解决出钢延迟问题

一 基本介绍 二 基本概念 三 贝尔曼期望方程与贝尔曼最优方程 四 强化学习算法介绍 五 简单应用与实践