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。