新書推薦：
《
女性史：革命与战争时期卷（一次重构人类历史的努力）
》
售價：HK$
135.7
《
永无止尽的狂热：三岛由纪夫
》
售價：HK$
68.8
《
原来这就是逻辑学：16堂大师逻辑课
》
售價：HK$
57.3
《
隋唐王朝兴亡史
》
售價：HK$
78.2
《
货币新纪元：区块链重塑金融生态
》
售價：HK$
101.2
《
规制如何生财：清代盐政基本原理研究（1644-1850）
》
售價：HK$
101.2
《
小学生C++趣味编程从入门到精通 青少年软件编程等级考试（C语言）学习用书
》
售價：HK$
102.4
《
新知文库精选·一念之差：关于风险的故事与数字
》
售價：HK$
78.2
|
| 編輯推薦： |
（1）聚焦数据驱动的优化，探索演化算法用于求解数据驱动优化问题的代表性研究成果。
（2）系统介绍演化算法与演化优化、机器学习及数据科学在复杂优化应用中的相互融合及它们在解決实际工程与科学问题中的重要作用，破解复杂科学及工程问题进化优化难题。
（3）结合进化计算与机器学习技术，全书提供一系列数据驱动的优化方法以解决复杂优化问题中存在的各类挑战。
|
| 內容簡介： |
|
本书旨在为包括研究生和工业从业者在内的研究人员提供有关为数据驱动的进化优化而开发的最新方法的全面描述。本书共分12章，第1~4章简要介绍了优化、进化计算和机器学习中精心挑选的重要主题和方法。第5章提供了数据驱动优化的基础知识，包括启发式算法和基于获取函数的代理模型管理。第6章介绍使用多个代理模型进行单目标优化的方法。第7~8章中描述用于求解多目标和多目标优化算法的代表性进化算法以及代理模型辅助数据驱动的进化多目标和多目标优化。第9章详细阐述了高维数据驱动优化的方法。第10章描述迁移学习和迁移优化。第11章讨论离线数据驱动的进化优化，以翼型设计优化等实际优化问题为例、原油蒸馏优化和急救系统优化。最后，第12章强调了深度神经架构搜索作为数据驱动的昂贵优化问题。
|
| 關於作者： |
|
金耀初，欧洲科学院院士，IEEE Fellow，IEEE计算智能学会主席，西湖大学工学院人工智能讲席教授、可信及通用人工智能实验室负责人。曾任德国比勒菲尔德大学洪堡人工智能教席教授，英国萨里大学计算科学系计算智能杰出讲席教授，自然计算与应用研究组主任。金耀初曾是芬兰国家技术创新局“芬兰杰出教授”。已出版专著5本，发表学术论文500余篇。论文被引用总次数超过4.6万，其中SCI引用超过2.5万，H-index为104，自2019年来连续5年入选科睿唯安“全球高被引科学家”。长期从事计算智能、人工智能、计算神经科学、计算生物学及形态发育自组织机器人等交叉学科的理论研究和工程应用。
|
| 目錄：
|
第1章最优化导论
1．1优化的定义
1．1．1数学模型
1．1．2凸优化
1．1．3拟凸函数
1．1．4全局和局部最优
1．2优化问题的类型
1．2．1连续与离散优化
1．2．2无约束优化与约束优化
1．2．3单目标优化与多目标优化
1．2．4确定性优化与随机性优化
1．2．5黑盒优化和数据驱动的优化
1．3多目标优化
1．3．1数学模型
1．3．2Pareto最优性
1．3．3偏好建模
1．3．4偏好表示
1．4优化中不确定性的处理
1．4．1评价中的噪声
1．4．2鲁棒优化
1．4．3多场景优化
1．4．4动态优化
1．4．5时域鲁棒优化
1．5优化算法的对比
1．5．1算法效率
1．5．2性能指标
1．5．3可靠性评价
1．5．4统计测试
1．5．5基准问题
1．6总结
第2章经典优化算法
2．1无约束优化
2．1．1梯度法
2．1．2牛顿法
2．1．3拟牛顿法
2．2约束优化
2．2．1惩罚函数法和障碍函数法
2．2．2拉格朗日乘子法
2．3无梯度搜索方法
2．3．1线搜索和模式搜索
2．3．2NelderMead单纯形法
2．3．3基于模型的无梯度搜索方法
2．4确定性全局优化
2．4．1基于Lipschitz的方法
2．4．2DIRECT算法
2．5总结
第3章进化和群智能优化
3．1引言
3．2遗传算法
3．2．1定义
3．2．2表示
3．2．3交叉和变异
3．2．4环境选择
3．3实数编码的遗传算法
3．3．1实值表示
3．3．2混合交叉
3．3．3模拟二进制交叉和多项式变异
3．4进化策略
3．4．1(1 1)ES
3．4．2基于全局步长的进化策略
3．4．3基于个体步长大小的进化策略
3．4．4繁殖与环境选择
3．4．5协方差矩阵自适应进化策略
3．5遗传规划
3．5．1基于树结构的遗传规划
3．5．2初始化
3．5．3交叉与变异
3．6蚁群优化算法
3．6．1整体框架
3．6．2扩展应用
3．7差分进化算法
3．7．1初始化
3．7．2差分变异
3．7．3差分交叉
3．7．4环境选择
3．8粒子群优化算法
3．8．1传统的粒子群优化算法
3．8．2竞争粒子群优化器
3．8．3社会学习粒子群优化器
3．9模因算法
3．9．1基本概念
3．9．2拉马克方法和鲍德温方法
3．9．3多目标模因算法
3．9．4鲍德温效应与隐藏效应
3．10分布估计算法
3．10．1一个简单的EDA
3．10．2求解离散优化问题的EDA
3．10．3求解连续优化问题的EDA
3．10．4多目标EDA
3．11参数自适应和算法选择
3．11．1自动参数调优
3．11．2超启发式算法
3．11．3适应度地形分析
3．11．4自动推荐系统
3．12总结
第4章机器学习简介
4．1机器学习问题
4．1．1聚类
4．1．2维度约减
4．1．3回归
4．1．4分类
4．2机器学习模型
4．2．1多项式回归模型
4．2．2多层感知机
4．2．3径向基函数网络
4．2．4支持向量机
4．2．5高斯过程
4．2．6决策树
4．2．7模糊规则系统
4．2．8集成模型
4．3学习算法
4．3．1监督学习
4．3．2无监督学习
4．3．3强化学习
4．3．4高阶学习算法
4．4多目标机器学习
4．4．1单目标与多目标学习
4．4．2多目标聚类、特征选择和特征提取
4．4．3多目标集成模型生成
4．5深度学习模型
4．5．1卷积神经网络
4．5．2长短期记忆网络
4．5．3自关联神经网络和自编码器
4．5．4生成对抗网络
4．6进化与学习的协同作用
4．6．1进化学习
4．6．2基于学习的进化优化
4．7小结
第5章数据驱动的代理模型辅助的进化优化
5．1引言
5．2离线与在线数据驱动的优化
5．2．1离线数据驱动的优化
5．2．2在线数据驱动的优化
5．3在线代理模型管理方法
5．3．1基于种群的模型管理
5．3．2基于世代的模型管理
5．3．3基于个体的模型管理
5．3．4模因算法中的信任域方法
5．4贝叶斯模型管理
5．4．1获取函数
5．4．2进化贝叶斯优化
5．4．3贝叶斯进化优化
5．5贝叶斯约束优化
5．5．1约束优化的获取函数
5．5．2两阶段获取函数
5．6代理模型辅助的鲁棒性优化
5．6．1鲁棒性优化的双目标公式
5．6．2代理模型的构建
5．7模型的性能指标
5．7．1精度
5．7．2基于选择的性能指标
5．7．3等级相关性
5．7．4适应度相关性
5．8总结
第6章多代理模型辅助的单目标优化
6．1引言
6．2局部和全局代理模型辅助优化
6．2．1集成代理模型
6．2．2多代理模型的单目标模因优化
6．2．3多代理模型的多目标模因优化
6．2．4信任域方法辅助的局部搜索
6．2．5实验结果
6．3双层代理模型辅助粒子群算法
6．3．1全局代理模型
6．3．2局部代理模型
6．3．3适应度评估
6．3．4代理模型管理
6．3．5实验结果和讨论
6．4代理模型委员会辅助的粒子群优化
6．4．1代理模型委员会
6．4．2填充采样准则
6．4．3整体框架
6．4．4基准问题的实验结果
6．5分层代理模型辅助的多场景优化
6．5．1多场景翼型优化
6．5．2多场景优化中的分层代理模型
6．6自适应代理模型选择
6．6．1基本思路
6．6．2选择代理模型的概率模型
6．7小结
第7章代理模型辅助的多目标进化优化
7．1进化多目标优化
7．1．1假设和方法论
7．1．2基于分解的方法
7．1．3基于支配关系的方法
7．1．4基于性能指标的方法
7．2高斯过程辅助随机加权聚合方法
7．2．1代理模型辅助多目标优化的挑战
7．2．2高效全局优化方法
7．2．3多目标优化的扩展
7．3高斯过程辅助的基于分解的多目标优化
7．3．1MOEA/D
7．3．2主要框架
7．3．3局部代理模型
7．3．4代理模型管理
7．3．5讨论
7．4高维多目标贝叶斯优化
7．4．1主要挑战
7．4．2异构集成模型构建
7．4．3基于Pareto的多目标贝叶斯优化方法
7．4．4整体框架
7．5小结
第8章代理模型辅助的高维多目标进化优化
8．1高维多目标优化中的新挑战
8．1．1引言
8．1．2多样性与偏好
8．1．3拐点搜索
8．1．4求解非规则Pareto前沿面问题
8．2进化高维多目标进化优化算法
8．2．1参考向量引导的高维多目标优化
8．2．2拐点驱动的高维多目标优化算法
8．2．3双存档高维多目标优化算法
8．2．4高维多目标优化中的角排序
8．3高斯过程辅助的参考向量引导的高维多目标优化
8．3．1模型管理
8．3．2存档维持
8．4分类代理模型辅助的高维多目标优化
8．4．1主要框架
8．4．2基于径向投影选择
8．4．3基于参考集的支配关系预测
8．4．4代理模型管理
8．4．5代理模型辅助的环境选择
8．5dropout神经网络辅助的高维多目标优化
8．5．1ARMOEA
8．5．2高效深度dropout神经网络
8．5．3模型管理
8．5．4EDNARMOEA整体框架
8．5．5原油蒸馏装置的操作优化
8．6小结
第9章数据驱动进化优化中的知识迁移
9．1引言
9．2基于协同训练的代理模型辅助交互式优化
9．2．1总体框架
9．2．2区间预测的代理模型
9．2．3适应度评估
9．2．4iCSSL
9．2．5模型管理
9．3半监督学习辅助粒子群优化
9．3．1算法框架
9．3．2社会学习粒子群优化
9．3．3模型管理策略
9．3．4未标记数据的选择
9．3．5实验结果与讨论
9．4多目标优化中问题之间的知识迁移
9．4．1迁移学习的领域自适应
9．4．2从廉价到昂贵问题的知识迁移
9．4．3用于数据增强的CEBDA
9．4．4进化多目标贝叶斯优化
9．5多目标优化中目标之间的知识迁移
9．5．1动机
9．5．2基于参数的迁移学习
9．5．3算法框架
9．6数据驱动的多精度迁移优化
9．6．1双精度优化中的迁移学习
9．6．2迁移堆叠
9．6．3代理模型辅助的双精度进化优化
9．6．4实验结果
9．7代理模型辅助的多任务多场景优化
9．7．1多场景minimax优化
9．7．2代理模型辅助的minimax多因子进化优化
9．7．3实验结果
9．8小结
第10章代理模型辅助的高维进化优化
10．1代理模型辅助的协同优化求解高维问题
10．1．1RBF 辅助的 SLPSO
10．1．2FES 辅助的 PSO
10．1．3存档更新
10．1．4实验结果和分析
10．2高维优化中的多目标填充准则
10．2．1主要框架
10．2．2多目标填充准则
10．2．3实验结果和分析
10．3针对昂贵问题的多模型多任务优化
10．3．1多因子进化算法
10．3．2主要框架
10．3．3全局和局部代理模型
10．3．4基于全局和局部代理模型的多任务优化
10．3．5实验结果和分析
10．4随机特征选择下代理模型辅助的大规模优化
10．4．1主要框架
10．4．2子问题的形成与优化
10．4．3全局最优位置的更新
10．4．4实验结果和分析
10．5小结
第11章离线大或小数据驱动的优化及应用
11．1离线急救系统大数据驱动优化的自适应聚类
11．1．1问题建模
11．1．2用于离线数据驱动优化的自适应聚类
11．1．3实验结果
11．1．4讨论
11．2小数据驱动多目标镁炉优化
11．2．1基于全局代理的模型管理
11．2．2基准问题的验证实验
11．2．3电熔镁炉优化
11．3面向离线翼型优化的选择性集成模型
11．3．1问题建模
11．3．2离线数据驱动优化的选择性集成模型
11．3．3对比实验结果
11．4离线数据驱动的选矿过程优化中的知识迁移
11．4．1引言
11．4．2多代理模型优化的知识迁移
11．4．3基于参考向量的最终解选择
11．4．4选矿工艺优化
11．5离线动态数据驱动优化中的迁移学习
11．5．1动态数据驱动的优化
11．5．2用于增量学习的数据流集成模型
11．5．3基于集成的迁移优化
11．5．4用于最终解选择的支持向量域描述
11．5．5实验结果
11．6小结
第12章代理模型辅助进化神经架构搜索
12．1神经网络架构搜索的挑战
12．1．1架构表示
12．1．2搜索策略
12．1．3性能评估
12．2神经网络架构搜索中的贝叶斯优化
12．2．1架构编码
12．2．2核函数
12．2．3讨论
12．3随机森林辅助的神经架构搜索
12．3．1块式架构表示法
12．3．2离线数据产生
12．3．3随机森林构建
12．3．4搜索方法
12．3．5实验结果
12．4小结
参考文献
|
| 內容試閱：
|
1999年，我从美国回到德国，在奥芬巴赫的本田欧洲研究所担任研究科学家职位，完成我的第二个博士学位，同时开始研究进化优化中的适应度近似。当时的动机是使用进化算法，特别是进化策略，通过设计定子或转子叶片的几何形状来优化涡轮发动机的空气动力学性能。为了完成这项任务，必须执行耗时的计算流体动力学模拟，这会让人们不用再进行数以万计的适应度评估，尽管这通常在进化优化中完成。为了减少进化空气动力学优化的时间消耗，机器学习模型(也称为元模型或代理模型)中的适应度近似开始发挥作用。我对这个研究课题非常感兴趣，因为它提供了一个很好的平台，将进化计算与神经网络相结合，这是我感兴趣的两个课题。出于这个原因，我努力在进化计算社区中推广这个新领域，并且在我2010年加入萨里大学后一有机会就继续研究这个主题。
在过去的二十年里，进化优化中的适应度近似（也称为代理模型辅助进化优化）已经发展成为一个非常具有吸引力的研究领域，现在被称为数据驱动的进化优化。数据驱动的进化优化侧重于一类现实世界的优化问题，其中无法为目标或约束建立分析数学函数。一般来说，数据驱动的优化可能包括以下几种情况。首先，基于模拟的优化，其中解的质量通过迭代、计算密集型过程进行评估，适用范围从数值求解大量微分方程到在大量数据集上训练深度神经网络。其次，基于物理实验的优化，其中候选解的目标或约束值只能通过执行物理或模拟人体实验来评估。这通常是因为对整个系统进行高质量的计算机模拟是不可能的，要么是因为计算量太大（例如，对整个飞机的空气动力学进行数值模拟），要么是因为对过程尚未完全理解而难以处理（例如，人类决策过程的工作机制）。最后，在纯粹的数据驱动优化中，只有在现实生活中收集的数据可用于优化，并且不允许利用用户设计的计算机模拟或物理实验。例如，优化复杂的工业过程或社会系统。在上述所有情况下，收集的数据量或大或小，数据可能是异构的、含噪的、错误的、不完整的、分布不均或增量的。
显然，数据驱动的进化优化涉及3个不同但互补的科学学科，即进化计算、机器学习和深度学习以及数据科学。为了高效地解决数据驱动的优化问题，必须对数据进行适当的预处理。同时，机器学习技术对于处理大数据、数据匮乏和数据中的各种不确定性变得不可或缺。最后，当优化问题是高维或大规模、多目标和时变时，求解优化问题变得极其困难。
本书旨在为包括研究生和工业从业者在内的研究人员提供有关为数据驱动的进化优化而开发的最新方法的全面描述。本书共分12章。为了本书的自足性，第1~4章简要介绍了优化、进化计算和机器学习中精心挑选的重要主题和方法。第5章提供了数据驱动优化的基础知识，包括启发式算法和基于获取函数的代理模型管理。第6~8章介绍使用多个代理模型进行单目标优化的方法，其中第7章和第8章描述用于求解多目标和高维多目标优化算法的代表性进化算法以及代理模型辅助数据驱动的进化多目标和高维多目标优化。第9章详细阐述了高维数据驱动优化的方法，介绍了在半监督学习的帮助下，将知识从未标记数据转移到标记数据，从廉价目标迁移到昂贵目标、从廉价问题迁移到昂贵问题的大量技术，迁移学习和迁移优化在第10章中进行了描述。由于数据驱动优化是一个强应用驱动的研究领域，因此第11章讨论了离线数据驱动的进化优化，并给出了实际优化问题，如原油蒸馏优化和急救系统优化的例子。最后，第12章强调了深度神经架构搜索作为数据驱动的昂贵优化问题。
本书的3．5节和3．6节、4．2节、5．2节、6．4节和6．5节、7．2节和7．3节、9．6节和9．7节、11．1节和11．3节和第12章由王晗丁撰写，3．7节和3．8节、5．4．1节、5．5节、6．2节和6．3节、9．2节和9．3节和第10章由孙超利撰写。王晗丁在2015—2018年担任博士后研究员； 孙超利最初在2012—2013年作为学术访问者，在2015—2017年在我的萨里小组担任博士后研究员。
为了让读者更容易理解和使用本书中介绍的算法，提供了第5~12章中介绍的大多数数据驱动进化算法的源代码，可扫描下页二维码下载，本书中介绍的所有基线多目标进化算法都是在PlatEMO中实现的。PlatEMO是一种用于进化多目标优化的开源软件工具。
如果没有我以前的许多同事、合作者和博士生的支持，这本书是不可能完成的。首先，要感谢Bernhard Sendhoff教授和Markus Olhofer教授，我在1999—2010年与他们一起在本田欧洲研究所工作。在2010年加入萨里大学后，我和Markus仍然在一些关于进化优化的研究项目上保持着密切的合作。我还要感谢来自芬兰于韦斯屈莱（Jyvskyl）大学的Kaisa Miettinen教授，在2015—2017年，我作为特聘教授与他密切合作，研究进化多目标优化。感谢来自中国东北大学的柴天佑教授和丁进良教授，我也作为长江特聘教授与他们合作进行进化优化的研究。以下合作者以及我以前或现在的博士生对本书中的部分工作做出了贡献： YewSoon Ong教授、Jürgen Branke教授、张青富教授、张兴义教授、周爱民教授、程然教授、孙晓燕教授。Ingo Paenke、Tinkle Chugh博士、John Doherty、郭单博士、杨翠娥博士、田野博士、何成博士、Dudy Lim博士、Mingh Nhgia Le博士、田杰博士、于海波博士、喻果博士、Michael Hüsken博士、李慧婷、王曦璐、秦淑芬、王浩、付国霞、廖鹏、Sebastian Schmitt、高开来、Jussi Hakanen博士、Tatsuya Okabe博士、孙亚楠博士、Jan O．Jansen博士、Martin Heiderich、黄元君博士、Tobias Rodemann博士。我还要借此机会感谢姚新教授、Gary Yen教授、Kay Chen Tan教授、张孟杰教授、Richard Everson教授、Jonathon Fieldsend教授、Stefan Kurz教授、Edgar Krner教授和Andreas Richter在过去二十年的鼎力支持。最后，感谢EPSRC(英国)、TEKES(芬兰)、中国国家自然科学基金、本田欧洲研究院、本田欧洲研发中心和德国博世公司的资金支持。
金耀初2021年2月于英国吉尔福德
全书代码
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
