目录



上篇深度改进的分布估计算法
第1章上篇导言31.1研究背景3
1.2主要内容4
1.3结构安排5
第2章相关研究综述7
2.1概述7
2.2组合优化问题概述7
2.3单变量分布估计算法综述9
第3章基于共轭先验分布的单模分布估计算法14
3.1概述14
3.2Beta分布与二项分布15
3.3两层分布估计算法16
3.3.1算法框架16
3.3.2模型更新过程19
3.4测试与实验20
3.4.1测试问题20
3.4.2参数研究22
3.4.3实验设置24
3.4.4实验结果24
3.5本章小结31目录  演化机器学习（第2版）〖2〗〖2〗 〖1〗 第4章基于信息熵的多模分布估计算法32
4.1概述32
4.2概念引导组合算子32
4.3基于概念引导组合算子的多模分布估计算法34
4.3.1算法框架34
4.3.2坍缩个体的生成过程36
4.4测试与实验38
4.4.1测试问题38
4.4.2实验设置41
4.4.3实验结果43
4.5本章小结45
第5章基于分解的多目标分布估计算法47
5.1概述47
5.2基于分解的多目标演化算法框架47
5.2.1分解方法47
5.2.2MOEA/D框架48
5.3规模自适应生成算子49
5.4测试与实验52
5.4.1测试问题52
5.4.2参数研究53
5.4.3实验设置与性能指标53
5.4.4实验结果55
5.5本章小结58
第6章上篇总结与展望59
6.1主要工作和结论59
6.2未来研究工作展望60
中篇内嵌特征选择的学习分类器
第7章中篇导言637.1研究背景63
7.2主要内容65
7.3结构安排66
第8章相关工作综述68
8.1概述68
8.2学习分类器研究综述68
8.2.1进化计算概述69
8.2.2基于遗传的机器学习思想概述70
8.2.3Michigan式学习分类器研究进展71
8.2.4Pittsburgh式学习分类器研究进展72
8.3特征选择方法综述74
8.3.1特征选择的问题描述75
8.3.2特征选择的搜索模型76
8.3.3特征选择的主要方法77
8.4本章小结80
第9章基于Memetic算法的WrapperFilter特征选择方法81
9.1概述81
9.2Memetic算法概述81
9.2.1Memetic算法思想起源82
9.2.2Memetic算法框架83
9.3混合式WrapperFilter特征选择方法85
9.3.1算法设计思想85
9.3.2算法整体框架86
9.3.3全局搜索的GAWrapper算法设计87
9.3.4局部搜索的ReliefF算法设计88
9.3.5计算复杂度分析90
9.4本章小结91
第10章基于合作式协同进化内嵌特征选择的学习分类器92
10.1概述92
10.2协同进化算法概述92
10.2.1协同进化思想起源93
10.2.2竞争式协同进化算法94
10.2.3合作式协同进化算法95
10.3基于合作式协同进化的学习分类器算法设计96
10.3.1算法设计思想96
10.3.2算法整体框架97
10.3.3分类器演化的Pittsburgh式学习分类器算法设计99
10.3.4计算复杂度分析100
10.4本章小结101
第11章算法评估结果与分析102
11.1概述102
11.2算法比较实验框架102
11.2.1Benchmark数据集102
11.2.2性能评估指标104
11.2.3实验方法104
11.3MFS算法实验105
11.3.1算法参数设置105
11.3.2实验结果与讨论106
11.4CoCoLCS_MFS算法实验107
11.4.1算法参数设置107
11.4.2实验结果与讨论108
11.4.3显著性检验109
11.5特征选择对学习分类器的影响分析110
11.5.1分类准确率110
11.5.2运行时间111
11.5.3特征约简率112
11.5.4显著性检验113
11.6本章小结113
第12章基于混合式GVNS算法的多处理器任务调度研究115
12.1概述115
12.2多处理器任务调度综述115
12.2.1研究背景116
12.2.2多处理器任务调度问题模型117
12.2.3多处理器任务调度算法118
12.3基于启发式的混合式GVNS调度算法的总体设计121
12.3.1混合式设计的算法思想121
12.3.2算法整体框架121
12.4任务优先级定序的启发式策略123
12.5全局搜索的遗传算法设计124
12.5.1种群个体的基因编码124
12.5.2种群初始化与个体适应度评估124
12.5.3遗传操作设计125
12.6局部搜索的变邻域搜索算法设计126
12.6.1算法流程126
12.6.2邻域结构设计127
12.6.3局部搜索128
12.7算法实验129
12.7.1性能评估指标与参数设置129
12.7.2确定图上的结果130
12.7.3随机图上的结果133
12.7.4显著性检验135
12.7.5局部搜索有效性分析136
12.8本章小结137
第13章中篇总结与展望138
13.1主要工作和结论138
13.2未来研究工作展望139
下篇分布估计的学习分类器
第14章下篇导言14314.1研究背景143
14.2主要内容145
14.3结构安排147
第15章分布估计算法和学习分类器148
15.1概述148
15.2进化计算148
15.3遗传算法149
15.4分布估计算法151
15.4.1分布估计算法的基本流程151
15.4.2分布估计算法分类152
15.5学习分类器153
15.5.1Michigan式学习分类器153
15.5.2Pittsburgh式学习分类器154
第16章基于L1正则化贝叶斯网络的分布估计算法157
16.1概述157
16.2L1正则化贝叶斯网络158
16.2.1贝叶斯网络与L1正则化158
16.2.2候选链接关系建立160
16.2.3剪枝搜索162
16.3L1正则化贝叶斯网络与分布估计算法整合164
16.4实验设置165
16.4.1测试函数165
16.4.2参数设置167
16.5优化性能比较168
16.5.1第一组实验168
16.5.2第二组实验170
16.6模型比较180
16.6.1测试函数的理想模型180
16.6.2模型复杂度比较181
16.6.3模型准确度比较183
16.7本章小结187
第17章基于分布估计算法的分类器进化算法188
17.1概述188
17.2算法框架介绍189
17.3分类器的知识表示189
17.4规则进化191
17.4.1规则评价191
17.4.2规则重组192
17.5规则集进化194
17.5.1规则集评价194
17.5.2规则集重组194
17.6规则与规则集进化整合195
17.7实验设置196
17.7.1测试数据196
17.7.2比较对象199
17.7.3评价指标200
17.7.4参数设置201
17.8实验结果202
17.8.1构造问题202
17.8.2实际问题210
17.8.3参数敏感度分析218
17.9本章小结220
第18章面向学习分类器的嵌入式特征选择算法221
18.1概述221
18.2本章相关工作222
18.3算法框架介绍223
18.4嵌入式特征选择算法223
18.4.1特征冗余度计算223
18.4.2特征关联度计算224
18.5特征选择与学习分类器整合226
18.6实验设置228
18.6.1测试数据228
18.6.2比较对象229
18.6.3评价指标229
18.6.4参数设置230
18.7实验结果230
18.7.1构造问题230
18.7.2实际问题232
18.7.3参数敏感度分析240
18.8本章小结242
第19章基于进化纠错输出编码的多分类算法243
19.1概述243
19.2纠错输出编码方法简介244
19.3编码矩阵设计245
19.3.1编码矩阵评价245
19.3.2优化方法248
19.4解码策略248
19.5实验设置250
19.5.1测试数据250
19.5.2比较对象251
19.5.3评价指标与参数设置251
19.6实验结果251
19.6.1分类准确率251
19.6.2训练开销253
19.6.3结果复杂度与特征约简率255
19.6.4纠错输出编码性能257
19.7本章小结259
第20章下篇总结与展望260
20.1主要工作和结论260
20.2未来研究工作展望261
参考文献262
附录A缩略语280
图索引284
表索引287