目錄

第 1 章 引言：模因論在計(jì)算領(lǐng)域的興起

1.1 搜索和優(yōu)化的模擬進(jìn)化

1.1.1 進(jìn)化計(jì)算的致命弱點(diǎn)

1.2 專家知識(shí)、學(xué)習(xí)和優(yōu)化

1.2.1 綜合模因計(jì)算的進(jìn)階之路

1.3 各章內(nèi)容概述

參考文獻(xiàn)

第一部分 手動(dòng)設(shè)計(jì)的模因

第 2 章 經(jīng)典模因算法

2.1 局部搜索和全局搜索

2.2 經(jīng)典模因算法的偽代碼

2.2.1 拉馬克進(jìn)化

2.2.2 鮑德溫效應(yīng)

2.3 數(shù)值實(shí)驗(yàn)的啟示

2.3.1 實(shí)驗(yàn)建立

2.3.2 結(jié)果和討論

參考文獻(xiàn)

第 3 章 模因算法中數(shù)據(jù)驅(qū)動(dòng)的自適應(yīng)

3.1 自適應(yīng)的元拉馬克學(xué)習(xí)

3.1.1 子問題分解

3.1.2 與獎(jiǎng)勵(lì)成比例的輪盤賭選擇

3.2 可進(jìn)化性度量

3.2.1 可進(jìn)化性的隨機(jī)學(xué)習(xí)

3.3 模因復(fù)合體

3.3.1 模因復(fù)合體的表達(dá)

3.3.2 模因復(fù)合體網(wǎng)絡(luò)權(quán)重的學(xué)習(xí)

3.4 高代價(jià)全局優(yōu)化中的多代理

3.4.1 專家復(fù)合體

3.5 結(jié)論

參考文獻(xiàn)

第二部分 機(jī)器設(shè)計(jì)的模因

第 4 章 模因自動(dòng)機(jī)

4.1 多問題環(huán)境：一種新的優(yōu)化場(chǎng)景

4.1.1 模因遷移的定性的可行性評(píng)估

4.1.2 搜索空間統(tǒng)一的重要性

4.2 模因的概率形式化

4.2.1 大規(guī)模、多樣化的知識(shí)庫的作用

4.3 多問題環(huán)境的分類

參考文獻(xiàn)

第 5 章 問題間的時(shí)序知識(shí)遷移

5.1 概述

5.2 相關(guān)工作的回顧

5.3 通過混合建模實(shí)現(xiàn)模因集成

5.3.1 學(xué)習(xí)最優(yōu)模型回歸

5.3.2 理論分析

5.4 一種自適應(yīng)模因遷移優(yōu)化算法

5.5 數(shù)值實(shí)驗(yàn)

5.5.1 實(shí)例

5.5.2 實(shí)際案例研究

5.6 高代價(jià)函數(shù)優(yōu)化中的知識(shí)遷移

5.6.1 針對(duì)回歸遷移的混合建模

5.6.2 工程設(shè)計(jì)中的一項(xiàng)研究

參考文獻(xiàn)

第 6 章 問題間的多任務(wù)知識(shí)遷移

6.1 概述

6.2 相關(guān)工作綜述

6.3 自適應(yīng)模因多任務(wù)優(yōu)化算法

6.4 數(shù)值實(shí)驗(yàn)

6.4.1 實(shí)例

6.4.2 實(shí)際案例研究

參考文獻(xiàn)

第 7 章 將來研究方向：壓縮模因空間進(jìn)化

7.1 基于分類的離散優(yōu)化

7.2 基于神經(jīng)網(wǎng)絡(luò)的壓縮表征

7.2.1 應(yīng)用于背包問題

7.3 數(shù)值研究

7.4 小結(jié)

參考文獻(xiàn)

附錄

A.1 基于概率模型的優(yōu)化算法