模因計(jì)算

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(kù)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