本书系统介绍了禁忌搜索算法、模拟退火算法、遗传算法、蚁群优化算法、人工神经网络算法和拉格朗日松弛算法等现代优化计算方法的模型与理论、应用技术和应用案例。
全书共7章,第1章是后6章内容的基础,主要介绍算法复杂性的基本概念和启发式算法的评价方法,后6章分别介绍各个现代优化计算方法。
本书可作为数学、管理科学、计算机科学、工业工程等学科中相关优化专业的研究生教材,也可供相关专业研究人员参考。

第1章 概论
1.1 组合*优化问题
1.2 计算复杂性的概念
1.3 邻域的概念
1.4 启发式算法
1.5 NP,NP完全和NP难
1.6 多项式时间迫近格式
1.7 小结
练习题
参考文献
第2章 禁忌搜索算法
2.1 局部搜索
2.2 禁忌搜索
2.3 技术问题
2.4 应用案例——图节点着色和车间作业排序
练习题
参考文献
第3章 模拟退火算法
3.1 模拟退火算法及模型
3.2 马尔可夫链
3.3 时齐算法的收敛性
3.4 非时齐算法收敛性简介
3.5 实现的技术问题
3.6 应用案例——下料问题
练习题
参考文献
第4章 遗传算法
4.1 遗传算法
4.2 模板理论
4.3 马尔可夫链收敛分析
4.4 实现的技术问题
4.5 遗传模拟退火算法
4.6 应用案例—��生产批量问题
练习题
参考文献
第5章 蚁群优化算法
5.1 蚁群优化算法的概念
5.2 算法模型和收敛性分析
5.3 技术问题
5.4 应用案例——医学诊断的数据挖掘
练习题
参考文献
第6章 人工神经网络
6.1 人工神经网络的基本概念
6.2 单层前向神经网络
6.3 多层前向神经网络
6.4 竞争学习神经网络
6.5 反馈型神经网络
练习题
参考文献
第7章 拉格朗日松弛算法
7.1 基于规划论的松弛方法
7.2 拉格朗日松弛理论
7.3 拉格朗日松弛的进一步讨论
7.4 拉格朗日松弛算法
7.5 应用案例——能力约束单机排序问题
练习题
参考文献
索引