书籍信息
原书：Data-Driven Evolutionary Optimization-Integrating Evolutionary Computation, Machine Learning and Data Science
作者：金耀初，王晗丁，孙超利
书名：数据驱动的进化优化 : 进化计算、机器学习和数据科学的集成
译者：王晗丁，孙超利，金耀初
页数：296页
出版商：清华大学出版社
出版年：2024
ISBN：978-7-302-66366-9
代码链接：http://www.soft-computing.de/DDEO.html
内容介绍
随着数字化和人工智能时代的到来，进化优化与机器学习和数据科学的结合日益紧密，必将成为推动工业人工智能发展的核心技术。作为人工智能的重要领域之一，进化计算在解决大规模、多目标、动态及不确定复杂优化问题上取得了广泛成功应用。
本书总结了过去二十多年进化算法用于求解数据驱动优化问题方面的探索和代表性的研究成果，旨在为中文读者系统介绍进化算法与进化优化、机器学习及数据科学在复杂优化应用中的相互融合，以及它们在解決实际工程与科学问题中的重要作用。本书首先简要但系统介绍优化问题重要概念、基于梯度法及模型的传统优化算法、以及具有代表性的进化算法与群智能优化算法。在此基础上，引入包括信赖域算法及贝叶斯优化在内的代理模型辅助的进化优化的基本方法和框架，并重点介绍基于多代理模型辅助的单目标优化。此后，本书给出了代理模型辅助的多目标、超多目标及高维问题进化优化算法。为解决小数据问题，本书探讨了多个基于半监督学习、迁移学习及多任务学习等知识迁移的方案，提升稀疏数据情况下数据驱动进化优化的性能。另外，本书介绍了离线数据驱动优化问题，给出了无法在线采集新数据情况下的基于大数据和小数据的数据驱动优化方案。最后，本书介绍了一个离线数据驱动进化优化提升深度神经网络架构搜索的实例。
本书适用于从事优化、机器学习和数据科学研究的学者、工程师及高年级学生，也适用于从事需要解决复杂优化问题，如飞机、车辆空气动力学优化、新药物设计等行业的从业者。我们希望本书能够帮助读者深入理解进化算法、机器学习和数据科学的融合，为解决实际问题提供新的思路和方法。
本书特色
总结过去二十多年结合进化算法和机器学习技术用于求解复杂优化问题的代表性研究成果；
系统介绍进化算法、机器学习及数据科学应用于复杂优化问题中的相互融合，以及它们在解決实际工程与科学问题中的重要作用；
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。
目录
第1章 最优化导论
第2章 经典优化算法
第3章 进化和群智能算法
第4章 机器学习简介
第5章 数据驱动的代理模型辅助的进化优化
第6章 多代理模型辅助的单目标优化
第7章 代理模型辅助的多目标进化优化
第8章 代理模型辅助的高维多目标进化优化
第9章 数据驱动进化优化中的知识迁移
第10章 代理模型辅助的高维进化优化
第11章 离线大或小数据驱动的优化及应用
第12章 代理模型辅助进化神经架构搜索
译者简介
王晗丁，西安电子科技大学人工智能学院教授， 2020年入选国家海外高级青年人才项目。研究方向包括计算智能、机器学习、多目标优化及代理模型。近五年发表高水平论文50篇。
孙超利，太原科技大学计算机科学与技术学院教授。长期从事计算智能，数据驱动的进化优化以及机器学习等方向的科学研究。近五年发表期刊论文40余篇，其中高被引论文2篇。到目前为止主持国家自然科学基金、山西省自然科学基金等项目10余项，出版学术专著1部。
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。金耀初曾是教育部“长江学者奖励计划”讲座教授，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50,000余次，其中SCI引用28,000次，H-index为109，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。
抽奖方式
2024年7月18日晚八点前，关注本公众号（Handing_Wang），后台回复“DDEO”获取抽奖链接。
