演化学习 理论与算法进展 精装版

　　序 i
　　主要符号表 iii
　　第 一部分 绪论与预备知识 1
　　第 1 章 绪论 3
　　1．1 机器学习 3
　　1．2 演化学习 4
　　1．3 多目标优化 6
　　1．4 本书组织 8
　　第 2 章 预备知识 9
　　2．1 演化算法 9
　查看完整　　

　　周志华，南京大学计算机科学与技术系主任、人工智能学院院长、计算机软件新技术国家重点实验室常务副主任、机器学习与数据挖掘研究所（LAMDA）所长。ACM/AAAS/AAAI/IEEE/IAPR/IET/CCF/CAAI会士，欧洲科学院外籍院士。中国计算机学会常务理事、中国人工智能学会副理事长。
　　周志华教授主要从事人工智能、机器学习、数据挖掘等领域的研究工作。著有《机器学习》（西瓜书）等广受好评的著作，在本领域顶刊和顶会发表论文两百余篇，被引五万余次。现任AI Magazine顾问，Frontiers of Computer Science（FCS）、Artificial Intelligence等国内外知名期刊主编、副主编、编委等；也担任IJCAI理事会成员(2018-2023)，曾担任IJCAI顾问委员会委员、IJCAI 2021程序委员会主席、AAAI 2019程序委员会主席等会议职务。
　查看完整　　

　　演化学习利用演化算法求解机器学习中的复杂优化问题， 在实践中取得了许多成功， 但因其缺少坚实的理论基础， 在很长时期内未获得机器学习社区的广泛接受. 本书主要内容为三位作者在这个方向上过去二十年中主要工作的总结.
　　全书共18 章， 分为四个部分： 第一部分(第1～2 章) 简要介绍演化学习和一些关于理论研究的预备知识; 第二部分(第3～6章) 介绍用于分析运行时间复杂度和逼近能力这两个演化学习的基本理论性质的通用工具; 第三部分(第7～12 章) 介绍演化学习关键因素对算法性能影响的一系列理论结果， 包括交叉算子、解的表示、非精确适应度评估、种群的影响等; 第四部分(第13～18 章) 介绍一系列基于理论结果启发的具有一定理论保障的演化学习算法.
　　本书适合对演化学习感兴趣的研究人员、学生和实践者阅读. 书中第二部分内…
　查看完整　　

　　序 i
　　主要符号表 iii
　　第 一部分 绪论与预备知识 1
　　第 1 章 绪论 3
　　1．1 机器学习 3
　　1．2 演化学习 4
　　1．3 多目标优化 6
　　1．4 本书组织 8
　　第 2 章 预备知识 9
　　2．1 演化算法 9
　　2．2 伪布尔函数 12
　　2．3 运行时间复杂度 15
　　2．4 马尔可夫链建模 16
　　2．5 分析工具 18
　　第二部分 分析方法 23
　　第 3 章 运行时间分析： 收敛分析法 25
　　3．1 收敛分析框架 25
　　3．2 收敛分析应用例释 29
　　3．3 小结 33
　　第 4 章 运行时间分析： 调换分析法 35
　　4．1 调换分析框架 35
　　4．2 调换分析应用例释 40
　　4．3 小结 43
　　第 5 章 运行时间分析方法的比较 45
　　5．1 分析方法的形式化 45
　　5．2 调换分析与适应层分析 47
　　5．3 调换分析与漂移分析 50
　　5．4 调换分析与收敛分析 55
　　5．5 分析方法综论 58
　　5．6 小结 59
　　第 6 章 近似分析 61
　　6．1 SEIP 框架 62
　　6．2 SEIP 应用例释 67
　　6．3 小结 70
　　第三部分 理论透视 71
　　第 7 章 边界问题 73
　　7．1 边界问题辨识 74
　　7．2 案例分析 76
　　7．3 小结 80
　　第 8 章 交叉算子 81
　　8．1 交叉与变异 82
　　8．2 采用交叉算子的多目标演化算法 83
　　8．3 案例分析 86
　　8．4 实验验证 92
　　8．5 小结 94
　　第 9 章 解的表示 95
　　9．1 遗传编程之解表示 96
　　9．2 案例分析： 最大匹配 98
　　9．3 案例分析： 最小生成树 103
　　9．4 实验验证 109
　　9．5 小结 111
　　第 10 章 非精确适应度评估 113
　　10．1 带噪优化 114
　　10．2 带噪适应度的影响 115
　　10．3 抗噪： 阈值选择 119
　　10．4 抗噪： 抽样 124
　　10．5 实验验证 130
　　10．6 小结 134
　　第 11 章 种群 135
　　11．1 种群的影响 136
　　11．2 种群对噪声的鲁棒性 139
　　11．3 小结 151
　　第 12 章 约束优化 153
　　12．1 不可行解的影响 154
　　12．2 帕累托优化的效用 160
　　12．3 小结 170
　　第四部分 学习算法 171
　　第 13 章 选择性集成 173
　　13．1 选择性集成 173
　　13．2 POSE 算法 175
　　13．3 理论分析 177
　　13．4 实验测试 182
　　13．5 小结 188
　　第 14 章 子集选择 189
　　14．1 子集选择 190
　　14．2 POSS 算法 194
　　14．3 理论分析 195
　　14．4 实验测试 199
　　14．5 小结 203
　　第 15 章 子集选择：    次模最大化 205
　　15．1 单调    次模函数最大化 206
　　15．2 PO  SM 算法 210
　　15．3 理论分析 212
　　15．4 实验测试 216
　　15．5 小结 223
　　第 16 章 子集选择： 比率最小化 225
　　16．1 单调次模函数的比率最小化 226
　　16．2 PORM 算法 228
　　16．3 理论分析 230
　　16．4 实验测试 235
　　16．5 小结 236
　　第 17 章 子集选择： 噪声 237
　　17．1 带噪子集选择 238
　　17．2 PONSS 算法 244
　　17．3 理论分析 245
　　17．4 实验测试 248
　　17．5 小结 250
　　第 18 章 子集选择： 加速 251
　　18．1 PPOSS 算法 251
　　18．2 理论分析 253
　　18．3 实验测试 256
　　18．4 小结 258
　　附录 A： 证明 259
　　参考文献 299
^ 收 起　　

　　周志华，南京大学计算机科学与技术系主任、人工智能学院院长、计算机软件新技术国家重点实验室常务副主任、机器学习与数据挖掘研究所（LAMDA）所长。ACM/AAAS/AAAI/IEEE/IAPR/IET/CCF/CAAI会士，欧洲科学院外籍院士。中国计算机学会常务理事、中国人工智能学会副理事长。
　　周志华教授主要从事人工智能、机器学习、数据挖掘等领域的研究工作。著有《机器学习》（西瓜书）等广受好评的著作，在本领域顶刊和顶会发表论文两百余篇，被引五万余次。现任AI Magazine顾问，Frontiers of Computer Science（FCS）、Artificial Intelligence等国内外知名期刊主编、副主编、编委等；也担任IJCAI理事会成员(2018-2023)，曾担任IJCAI顾问委员会委员、IJCAI 2021程序委员会主席、AAAI 2019程序委员会主席等会议职务。
　　俞扬，南京大学计算机科学与技术系和LAMDA教授，博导，主要研究领域为人工智能、机器学习、强化学习。
　　曾获2013年全国优秀博士学位论文奖。发表论文40余篇，包括多篇人工智能、机器学习和数据挖掘国际顶级期刊和顶级会议论文，受邀在IJCAI'18做Early Career Spotlight演讲、在IEEE ICA'17做主旨报告。入选2018年全球AI's 10 to Watch，获2018 PAKDD Early Career Award，并任FCS、Artificial Intelligence等多个一流期刊评审人和IJCAI、ICPR等会议领域主席、程序委员。
　　钱超，南京大学人工智能学院副教授、博导，国家优青。目前主要关注演化算法理论分析、安全演化算法设计与演化学习。作为第一作者在国际一流期刊和会议上发表二十余篇论文。担任IEEE计算智能分会生物启发计算理论基础任务组主席、IEEE演化计算技术委员会委员、中国人工智能学会青工委副秘书长、Memetic Computing编委、JCST和FCS青年副编。获ACM GECCO’11最佳理论论文奖、IDEAL’16 最佳论文奖，博士论文获中国人工智能学会、江苏省和南京大学优秀博士论文奖。
^ 收 起　　

　　演化学习利用演化算法求解机器学习中的复杂优化问题， 在实践中取得了许多成功， 但因其缺少坚实的理论基础， 在很长时期内未获得机器学习社区的广泛接受. 本书主要内容为三位作者在这个方向上过去二十年中主要工作的总结.
　　全书共18 章， 分为四个部分： 第一部分(第1～2 章) 简要介绍演化学习和一些关于理论研究的预备知识; 第二部分(第3～6章) 介绍用于分析运行时间复杂度和逼近能力这两个演化学习的基本理论性质的通用工具; 第三部分(第7～12 章) 介绍演化学习关键因素对算法性能影响的一系列理论结果， 包括交叉算子、解的表示、非精确适应度评估、种群的影响等; 第四部分(第13～18 章) 介绍一系列基于理论结果启发的具有一定理论保障的演化学习算法.
　　本书适合对演化学习感兴趣的研究人员、学生和实践者阅读. 书中第二部分内容或可为有兴趣进一步探索演化学习理论基础的读者提供分析工具， 第三部分内容或有助于读者进一步理解演化学习过程并为新算法设计提供启发， 第四部分内容或可为读者解决一些现实机器学习问题提供新的算法方案.
^ 收 起