掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
闖進數學世界――探秘歷史名題
-
>
中醫基礎理論
-
>
當代中國政府與政治(新編21世紀公共管理系列教材)
-
>
高校軍事課教程
-
>
思想道德與法治(2021年版)
-
>
毛澤東思想和中國特色社會主義理論體系概論(2021年版)
-
>
中醫內科學·全國中醫藥行業高等教育“十四五”規劃教材
演化機器學習(第2版) 版權信息
- ISBN：9787302682080
- 條形碼：9787302682080 ; 978-7-302-68208-0
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
演化機器學習(第2版) 本書特色
l 深度探索了基于演化計算的分布式估計算法，并提出了多種深度改進的算法，可推廣應用于數據挖掘、智能優化等領域；
l 重點探討了演化機器學習中的分類器和特征選擇問題，提出了一種基于演化的統一框架，可同時優化分類模型和特征子集，顯著提升分類算法的性能和效率；
l 從提高搜索質量的角度出發，介紹了基于分布估計算法的學習分類器，可有效提升分類效果。
演化機器學習(第2版) 內容簡介
"本書針對基于演化的機器學習的一些關鍵問題進行深入探索。全書共20章，分為3篇。 上篇為第1～6章，探索了深度改進的分布估計算法，提出了基于共軛先驗分布的兩層分布估計算法、帶有鏈接學習的量子演化算法和問題規模自適應的基于分解的多目標分布估計算法。中篇為第7～13章，針對學習分類器與特征選擇方法，重點研究兩者的融合策略，將學習分類器的分類模型構建過程與特征選擇的特征子集搜索過程統一集成在基于演化的機器學習框架下，同時改善了分類算法的預測性能與運行效率。下篇為第14～20章，從提高規則空間的搜索質量出發，立足于分類問題，介紹基于分布估計算法的學習分類器。 本書可作為演化計算、智能優化、大數據及人工智能等專業方向研究生教材，也可供相關領域研究者參考。"
演化機器學習(第2版)演化機器學習(第2版) 前言
近年來，一種名為學習分類器系統（Learning Classifier System，LCS，以下簡稱學習分類器）的機器學習新范式吸引了越來越多的研究者的注意。總的來說，學習分類器基于規則歸納的思想，主要致力于解決分類問題。在學習分類器中，處于中心地位的規則學習單元通常是演化計算中的遺傳算法，因此在一些文獻中又將其稱為基于遺傳的機器學習。通過將學習性能指標定義為優化目標函數，學習分類器實質上將作為學習問題的分類任務轉化為傳統的優化問題進行求解，繼而基于遺傳算法的全局優化能力確保規則知識表示的假設空間中一定強度的隨機化搜索，以期在合理的運算時間內收斂到較優性能的問題解，從而更好地平衡了算法性能與計算效率的矛盾。
遺傳算法是現代啟發式算法的典型代表之一。這類算法與*優算法不同，并不以求得*優解為目的，而是在一個可以接受的計算代價下得到問題的一個可行解。分布估計算法是近年來被提出并逐步發展起來的一類演化算法。與遺傳算法不同，分布估計算法不再使用交叉、變異等來源于生物學的概念，而是將概率模型及其演化作為算法的核心，不同的概率模型和不同的模型演化策略塑造了不同的分布估計算法。基于先進的分布估計算法與學習分類器融合，從而打造優異的學習分類器，也是機器學習領域發展的重要趨勢之一。
演化機器學習(第2版) 目錄
上篇深度改進的分布估計算法
第1章上篇導言31.1研究背景3
1.2主要內容4
1.3結構安排5
第2章相關研究綜述7
2.1概述7
2.2組合優化問題概述7
2.3單變量分布估計算法綜述9
第3章基于共軛先驗分布的單模分布估計算法14
3.1概述14
3.2Beta分布與二項分布15
3.3兩層分布估計算法16
3.3.1算法框架16
3.3.2模型更新過程19
3.4測試與實驗20
3.4.1測試問題20
3.4.2參數研究22
3.4.3實驗設置24
3.4.4實驗結果24
3.5本章小結31目錄 演化機器學習（第2版）〖2〗〖2〗 〖1〗 第4章基于信息熵的多模分布估計算法32
4.1概述32
4.2概念引導組合算子32
4.3基于概念引導組合算子的多模分布估計算法34
4.3.1算法框架34
4.3.2坍縮個體的生成過程36
4.4測試與實驗38
4.4.1測試問題38
4.4.2實驗設置41
4.4.3實驗結果43
4.5本章小結45
第5章基于分解的多目標分布估計算法47
5.1概述47
5.2基于分解的多目標演化算法框架47
5.2.1分解方法47
5.2.2MOEA/D框架48
5.3規模自適應生成算子49
5.4測試與實驗52
5.4.1測試問題52
5.4.2參數研究53
5.4.3實驗設置與性能指標53
5.4.4實驗結果55
5.5本章小結58
第6章上篇總結與展望59
6.1主要工作和結論59
6.2未來研究工作展望60
中篇內嵌特征選擇的學習分類器
第7章中篇導言637.1研究背景63
7.2主要內容65
7.3結構安排66
第8章相關工作綜述68
8.1概述68
8.2學習分類器研究綜述68
8.2.1進化計算概述69
8.2.2基于遺傳的機器學習思想概述70
8.2.3Michigan式學習分類器研究進展71
8.2.4Pittsburgh式學習分類器研究進展72
8.3特征選擇方法綜述74
8.3.1特征選擇的問題描述75
8.3.2特征選擇的搜索模型76
8.3.3特征選擇的主要方法77
8.4本章小結80
第9章基于Memetic算法的WrapperFilter特征選擇方法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WrapperFilter特征選擇方法85
9.3.1算法設計思想85
9.3.2算法整體框架86
9.3.3全局搜索的GAWrapper算法設計87
9.3.4局部搜索的ReliefF算法設計88
9.3.5計算復雜度分析90
9.4本章小結91
第10章基于合作式協同進化內嵌特征選擇的學習分類器92
10.1概述92
10.2協同進化算法概述92
10.2.1協同進化思想起源93
10.2.2競爭式協同進化算法94
10.2.3合作式協同進化算法95
10.3基于合作式協同進化的學習分類器算法設計96
10.3.1算法設計思想96
10.3.2算法整體框架97
10.3.3分類器演化的Pittsburgh式學習分類器算法設計99
10.3.4計算復雜度分析100
10.4本章小結101
第11章算法評估結果與分析102
11.1概述102
11.2算法比較實驗框架102
11.2.1Benchmark數據集102
11.2.2性能評估指標104
11.2.3實驗方法104
11.3MFS算法實驗105
11.3.1算法參數設置105
11.3.2實驗結果與討論106
11.4CoCoLCS_MFS算法實驗107
11.4.1算法參數設置107
11.4.2實驗結果與討論108
11.4.3顯著性檢驗109
11.5特征選擇對學習分類器的影響分析110
11.5.1分類準確率110
11.5.2運行時間111
11.5.3特征約簡率112
11.5.4顯著性檢驗113
11.6本章小結113
第12章基于混合式GVNS算法的多處理器任務調度研究115
12.1概述115
12.2多處理器任務調度綜述115
12.2.1研究背景116
12.2.2多處理器任務調度問題模型117
12.2.3多處理器任務調度算法118
12.3基于啟發式的混合式GVNS調度算法的總體設計121
12.3.1混合式設計的算法思想121
12.3.2算法整體框架121
12.4任務優先級定序的啟發式策略123
12.5全局搜索的遺傳算法設計124
12.5.1種群個體的基因編碼124
12.5.2種群初始化與個體適應度評估124
12.5.3遺傳操作設計125
12.6局部搜索的變鄰域搜索算法設計126
12.6.1算法流程126
12.6.2鄰域結構設計127
12.6.3局部搜索128
12.7算法實驗129
12.7.1性能評估指標與參數設置129
12.7.2確定圖上的結果130
12.7.3隨機圖上的結果133
12.7.4顯著性檢驗135
12.7.5局部搜索有效性分析136
12.8本章小結137
第13章中篇總結與展望138
13.1主要工作和結論138
13.2未來研究工作展望139
下篇分布估計的學習分類器
第14章下篇導言14314.1研究背景143
14.2主要內容145
14.3結構安排147
第15章分布估計算法和學習分類器148
15.1概述148
15.2進化計算148
15.3遺傳算法149
15.4分布估計算法151
15.4.1分布估計算法的基本流程151
15.4.2分布估計算法分類152
15.5學習分類器153
15.5.1Michigan式學習分類器153
15.5.2Pittsburgh式學習分類器154
第16章基于L1正則化貝葉斯網絡的分布估計算法157
16.1概述157
16.2L1正則化貝葉斯網絡158
16.2.1貝葉斯網絡與L1正則化158
16.2.2候選鏈接關系建立160
16.2.3剪枝搜索162
16.3L1正則化貝葉斯網絡與分布估計算法整合164
16.4實驗設置165
16.4.1測試函數165
16.4.2參數設置167
16.5優化性能比較168
16.5.1**組實驗168
16.5.2第二組實驗170
16.6模型比較180
16.6.1測試函數的理想模型180
16.6.2模型復雜度比較181
16.6.3模型準確度比較183
16.7本章小結187
第17章基于分布估計算法的分類器進化算法188
17.1概述188
17.2算法框架介紹189
17.3分類器的知識表示189
17.4規則進化191
17.4.1規則評價191
17.4.2規則重組192
17.5規則集進化194
17.5.1規則集評價194
17.5.2規則集重組194
17.6規則與規則集進化整合195
17.7實驗設置196
17.7.1測試數據196
17.7.2比較對象199
17.7.3評價指標200
17.7.4參數設置201
17.8實驗結果202
17.8.1構造問題202
17.8.2實際問題210
17.8.3參數敏感度分析218
17.9本章小結220
第18章面向學習分類器的嵌入式特征選擇算法221
18.1概述221
18.2本章相關工作222
18.3算法框架介紹223
18.4嵌入式特征選擇算法223
18.4.1特征冗余度計算223
18.4.2特征關聯度計算224
18.5特征選擇與學習分類器整合226
18.6實驗設置228
18.6.1測試數據228
18.6.2比較對象229
18.6.3評價指標229
18.6.4參數設置230
18.7實驗結果230
18.7.1構造問題230
18.7.2實際問題232
18.7.3參數敏感度分析240
18.8本章小結242
第19章基于進化糾錯輸出編碼的多分類算法243
19.1概述243
19.2糾錯輸出編碼方法簡介244
19.3編碼矩陣設計245
19.3.1編碼矩陣評價245
19.3.2優化方法248
19.4解碼策略248
19.5實驗設置250
19.5.1測試數據250
19.5.2比較對象251
19.5.3評價指標與參數設置251
19.6實驗結果251
19.6.1分類準確率251
19.6.2訓練開銷253
19.6.3結果復雜度與特征約簡率255
19.6.4糾錯輸出編碼性能257
19.7本章小結259
第20章下篇總結與展望260
20.1主要工作和結論260
20.2未來研究工作展望261
參考文獻262
附錄A縮略語280
圖索引284
表索引287
展開全部
書友推薦
- >
回憶愛瑪儂
- >
朝聞道
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
中國歷史的瞬間
- >
姑媽的寶刀
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
上帝之肋:男人的真實旅程
本類暢銷
