模因計算

目錄
第 1 章 引言：模因論在計算領域的興起
1.1 搜索和優(yōu)化的模擬進化
1.1.1 進化計算的致命弱點
1.2 專家知識、學習和優(yōu)化
1.2.1 綜合模因計算的進階之路
1.3 各章內(nèi)容概述
參考文獻
第一部分 手動設計的模因
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 拉馬克進化
2.2.2 鮑德溫效應
2.3 數(shù)值實驗的啟示
2.3.1 實驗建立
2.3.2 結果和討論
參考文獻
第 3 章 模因算法中數(shù)據(jù)驅動的自適應
3.1 自適應的元拉馬克學習
3.1.1 子問題分解
3.1.2 與獎勵成比例的輪盤賭選擇
3.2 可進化性度量
3.2.1 可進化性的隨機學習
3.3 模因復合體
3.3.1 模因復合體的表達
3.3.2 模因復合體網(wǎng)絡權重的學習
3.4 高代價全局優(yōu)化中的多代理
3.4.1 專家復合體
3.5 結論
參考文獻
第二部分 機器設計的模因
第 4 章 模因自動機
4.1 多問題環(huán)境：一種新的優(yōu)化場景
4.1.1 模因遷移的定性的可行性評估
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、多樣化的知識庫的作用
4.3 多問題環(huán)境的分類
參考文獻
第 5 章 問題間的時序知識遷移
5.1 概述
5.2 相關工作的回顧
5.3 通過混合建模實現(xiàn)模因集成
5.3.1 學習最優(yōu)模型回歸
5.3.2 理論分析
5.4 一種自適應模因遷移優(yōu)化算法
5.5 數(shù)值實驗
5.5.1 實例
5.5.2 實際案例研究
5.6 高代價函數(shù)優(yōu)化中的知識遷移
5.6.1 針對回歸遷移的混合建模
5.6.2 工程設計中的一項研究
參考文獻
第 6 章 問題間的多任務知識遷移
6.1 概述
6.2 相關工作綜述
6.3 自適應模因多任務優(yōu)化算法
6.4 數(shù)值實驗
6.4.1 實例
6.4.2 實際案例研究
參考文獻
第 7 章 將來研究方向：壓縮模因空間進化
7.1 基于分類的離散優(yōu)化
7.2 基于神經(jīng)網(wǎng)絡的壓縮表征
7.2.1 應用于背包問題
7.3 數(shù)值研究
7.4 小結
參考文獻
附錄
A.1 基于概率模型的優(yōu)化算法