简介
本书首先深度探索了深度改进的分布式估计算法,提出了基于共轭先验分布的两层分布估计算法(Two-levelHierarchicalEstimationofDistributionAlgorithms,THEDA)、带有链接学习的量子演化算法(Quantum-inspiredEvolutionaryAlgorithmwithLinkageLearning,QEALL)和问题规模自适应的基于分解的多目标分布估计算法(scaleAdaptiveDecompositionbasedMulti-objectiveEstimationofDistributionAlgorithms,s-MEDA/D)。其次,针对学习分类器与特征选择方法,重点是探讨了两者的融合策略,将学习分类器的分类模型构建过程与特征选择的特征子集搜索过程统一集成在基于演化的机器学习框架下,同时改善分类算法的预测性能与运行效率。最后,本书从提高规则空间的搜索质量出发,立足于分类问题,介绍了基于分布估计算法的学习分类器。本书可作为演化计算、智能优化、大数据及人工智能等相关专业研究参考和研究生教学用书。
编辑推荐
l 深度探索了基于演化计算的分布式估计算法,并提出了多种深度改进的算法,可推广应用于数据挖掘、智能优化等领域; l 重点探讨了演化机器学习中的分类器和特征选择问题,提出了一种基于演化的统一框架,可同时优化分类模型和特征子集,显著提升分类算法的性能和效率; l 从提高搜索质量的角度出发,介绍了基于分布估计算法的学习分类器,可有效提升分类效果。
更多出版物信息
- 版权: 清华大学出版社
- 出版: 2025-03-01
- 更新: 2025-05-29
- 书号:9787302682080
- 中图:TP181
- 学科:工学控制科学与工程工学计算机科学与技术交叉学科智能科学与技术