數據驅動的進化優化-進化計算 機器學習和數據科學的集成 9787302663669 金耀初 王?丁 孫超利
圖書均為代購，正常情形下，訂後約兩周可抵台。
物品所在地：中國大陸
原出版社：清華大學
物品所在地：中國大陸
原出版社：清華大學
NT$820
商品編號:
供貨狀況:
尚有庫存
加入最愛
此商品 「 最高 」可以折抵紅利
0
點
(約等於 NT$0 )
商品介紹
| *完成訂單後正常情形下約兩周可抵台。 *本賣場提供之資訊僅供參考，以到貨標的為正確資訊。 印行年月：202406*若逾兩年請先於私訊洽詢存貨情況，謝謝。 台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。 書名：數據驅動的進化優化-進化計算 機器學習和數據科學的集成 ISBN：9787302663669 出版社：清華大學 著編譯者：金耀初 王?丁 孫超利 頁數：296 所在地：中國大陸 *此為代購商品 書號：1655449 可大量預訂，請先連絡。 【台灣高等教育出版社簡體書】 數據驅動的進化優化-進化計算 機器學習和數據科學的集成 787302663669 金耀初 王?丁 孫超利 內容簡介 本書旨在為包括研究生和工業從業者在內的研究人員提供有關為數據驅動的進化優化而開發的最新方法的全面描述。本書共分12章。為了本書的自足性，第1∼4章簡要介紹了優化、進化計算和機器學習中精心挑選的重要主題和方法。第5章提供了數據驅動優化的基礎知識，包括啟髮式演算法和基於獲取函數的代理模型管理。第6∼8章介紹使用多個代理模型進行單目標優化的方法，其中第7章和第8章描述用於求解多目標和高維多目標優化演算法的代表性進化演算法以及代理模型輔助數據驅動的進化多目標和高維多目標優化。第9章詳細闡述了高維數據驅動優化的方法，介紹了在半監督學習的幫助下，將知識從未標記數據轉移到標記數據，從廉價目標遷移到昂貴目標、從廉價問題遷移到昂貴問題的大量技術，遷移學習和遷移優化在第10章中進行了描述。由於數據驅動優化是一個強應用驅動的研究領域，因此第11章討論了離線數據驅動的進化優化，並給出了實際優化問題，如原油蒸餾優化和急救系統優化的例子。最後，第12章強調了深度神經架構搜索作為數據驅動的昂貴優化問題。作者簡介 金耀初，歐洲科學院院士，IEEE Fellow，IEEE計算智能學會主席，西湖大學工學院人工智慧講席教授、可信及通用人工智慧實驗室負責人。曾任德國比勒菲爾德大學洪堡人工智慧教席教授，英國薩里大學計算科學系計算智能傑出講席教授，自然計算與應用研究組主任。金耀初曾是芬蘭國家技術創新局「芬蘭傑出教授」。已出版專著5本，發表學術論文500餘篇。論文被引用總次數超過4。6萬，其中SCI引用超過2 5萬，H-index為104，自2019年來連續5年入選科睿唯安「全球高被引科學家」。長期從事計算智能、人工智慧、計算神經科學、計算生物學及形態發育自組織機器人等交叉學科的理論研究和工程應用。目錄 第1章 最優化導論1 1 優化的定義 1 1 1 數學模型 1 1 2 凸優化 1 1 3 擬凸函數 1 1 4 全局和局部最優 1 2 優化問題的類型 1 2 1 連續與離散優化 1 2 2 無約束優化與約束優化 1 2 3 單目標優化與多目標優化 1 2 4 確定性優化與隨機性優化 1 2 5 黑盒優化和數據驅動的優化 1 3 多目標優化 1 3 1 數學模型 1 3 2 Pareto最優性 1 3 3 偏好建模 1 3 4 偏好表示 1 4 優化中不確定性的處理 1 4 1 評價中的雜訊 1 4 2 魯棒優化 1 4 3 多場景優化 1 4 4 動態優化 1 4 5 時域魯棒優化 1 5 優化演算法的對比 1 5 1 演算法效率 1 5 2 性能指標 1 5 3 可靠性評價 1 5 4 統計測試 1 5 5 基準問題 1 6 總結 第2章 經典優化演算法 2 1 無約束優化 2 1 1 梯度法 2 1 2 牛頓法 2 1 3 擬牛頓法 2 2 約束優化 2 2 1 懲罰函數法和障礙函數法 2 2 2 拉格朗日乘子法 2 3 無梯度搜索方法 2 3 1 線搜索和模式搜索 2 3 2 NelderMead單純形法 2 3 3 基於模型的無梯度搜索方法 2 4 確定性全局優化 2 4 1 基於Lipschitz的方法 2 4 2 DIRECT演算法 2 5 總結 第3章 進化和群智能優化 3 1 引言 3 2 遺傳演算法 3 2 1 定義 3 2 2 表示 3 2 3 交叉和變異 3 2 4 環境選擇 3 3 實數編碼的遺傳演算法 3 3 1 實值表示 3 3 2 混合交叉 3 3 3 模擬二進位交叉和多項式變異 3 4 進化策略 3 4 1 (1+1)ES 3 4 2 基於全局步長的進化策略 3 4 3 基於個體步長大小的進化策略 3 4 4 繁殖與環境選擇 3 4 5 協方差矩陣自適應進化策略 3 5 遺傳規劃 3 5 1 基於樹結構的遺傳規劃 3 5 2 初始化 3 5 3 交叉與變異 3 6 蟻群優化演算法 3 6 1 整體框架 3 6 2 擴展應用 3 7 差分進化演算法 3 7 1 初始化 3 7 2 差分變異 3 7 3 差分交叉 3 7 4 環境選擇 3 8 粒子群優化演算法 3 8 1 傳統的粒子群優化演算法 3 8 2 競爭粒子群優化器 3 8 3 社會學習粒子群優化器 3 9 模因演算法 3 9 1 基本概念 3 9 2 拉馬克方法和鮑德溫方法 3 9 3 多目標模因演算法 3 9 4 鮑德溫效應與隱藏效應 3 10 分佈估計演算法 3 10 1 一個簡單的EDA 3 10 2 求解離散優化問題的EDA 3 10 3 求解連續優化問題的EDA 3 10 4 多目標EDA 3 11 參數自適應和演算法選擇 3 11 1 自動參數調優 3 11 2 超啟髮式演算法 3 11 3 適應度地形分析 3 11 4 自動推薦系統 3 12 總結 第4章 機器學習簡介 4 1 機器學習問題 4 1 1 聚類 4 1 2 維度約減 4 1 3 回歸 4 1 4 分類 4 2 機器學習模型 4 2 1 多項式回歸模型 4 2 2 多層感知機 4 2 3 徑向基函數網路 4 2 4 支持向量機 4 2 5 高斯過程 4 2 6 決策樹 4 2 7 模糊規則系統 4 2 8 集成模型 4 3 學習演算法 4 3 1 監督學習 4 3 2 無監督學習 4 3 3 強化學習 4 3 4 高階學習演算法 4 4 多目標機器學習 4 4 1 單目標與多目標學習 4 4 2 多目標聚類、特徵選擇和特徵提取 4 4 3 多目標集成模型生成 4 5 深度學習模型 4 5 1 卷積神經網路 4 5 2 長短期記憶網路 4 5 3 自關聯神經網路和自編碼器 4 5 4 生成對抗網路 4 6 進化與學習的協同作用 4 6 1 進化學習 4 6 2 基於學習的進化優化 4 7 小結 第5章 數據驅動的代理模型輔助的進化優化 5 1 引言 5 2 離線與在線數據驅動的優化 5 2 1 離線數據驅動的優化 5 2 2 在線數據驅動的優化 5 3 在線代理模型管理方法 5 3 1 基於種群的模型管理 5 3 2 基於世代的模型管理 5 3 3 基於個體的模型管理 5 3 4 模因演算法中的信任域方法 5 4 貝葉斯模型管理 5 4 1 獲取函數 5 4 2 進化貝葉斯優化 5 4 3 貝葉斯進化優化 5 5 貝葉斯約束優化 5 5 1 約束優化的獲取函數 5 5 2 兩階段獲取函數 5 6 代理模型輔助的魯棒性優化 5 6 1 魯棒性優化的雙目標公式 5 6 2 代理模型的構建 5 7 模型的性能指標 5 7 1 精度 5 7 2 基於選擇的性能指標 5 7 3 等級相關性 5 7 4 適應度相關性 5 8 總結 第6章 多代理模型輔助的單目標優化 6 1 引言 6 2 局部和全局代理模型輔助優化 6 2 1 集成代理模型 6 2 2 多代理模型的單目標模因優化 6 2 3 多代理模型的多目標模因優 詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於PChome商店街私訊告知ISBN或書號，我們即儘速上架。 |
