目录
序
前言
第1章 绪论 1
1.1 概述 1
1.2 演化算法概述 1
1.3 典型演化算法 4
1.3.1 遗传算法 4
1.3.2 蚁群优化算法 5
1.3.3 粒子群优化算法 7
1.3.4 蚁狮优化算法 8
1.3.5 乌鸦搜索算法 9
1.4 常见的优化问题 11
1.4.1 特征选择问题 12
1.4.2 数据填补问题 18
1.4.3 算法选择问题 23
1.4.4 任务分配问题 29
1.5 本书内容安排 34
参考文献 36
第2章 高维不平衡数据分类方法 46
2.1 概述 46
2.2 基于蚁狮优化的高维不平衡二分类方法 46
2.2.1 个体解编码方式 46
2.2.2 特征选择过程 47
2.2.3 数据子集生成 50
2.2.4 分类器集成 51
2.2.5 方法描述 51
2.3 实验与分析 53
2.3.1 实验设置与对比算法 53
2.3.2 实验结果分析 56
2.4 本章小结 62
参考文献 62
第3章 高维不平衡多类别数据分类方法 64
3.1 概述 64
3.2 基于蚁狮优化的高维不平衡多分类方法 65
3.2.1 个体解编码方式 65
3.2.2 个体解初始化策略 65
3.2.3 特征选择过程 66
3.2.4 “串联一对多”分解策略 66
3.2.5 分类器集成 68
3.2.6 方法描述 69
3.3 实验与分析 70
3.3.1 实验设置与对比算法 70
3.3.2 实验结果分析 71
3.4 本章小结 77
参考文献 77
第4章 面向混合缺失数据的填补方法 79
4.1 概述 79
4.2 基于粒子群优化算法的混合数据填补分类方法 79
4.2.1 个体编码方式 79
4.2.2 历史学习机制 82
4.2.3 方法描述 82
4.3 实验与分析 84
4.3.1 混合特征填补实验 84
4.3.2 实验设置与结果分析 88
4.4 本章小结 96
参考文献 97
第5章 面向高维不平衡缺失数据的填补方法 99
5.1 概述 99
5.2 基于粒子群优化算法的高维不平衡数据填补方法 99
5.2.1 个体编码方式 99
5.2.2 多重特征选择 99
5.2.3 混合数据填补 101
5.2.4 量子过采样 102
5.2.5 方法描述 102
5.3 实验与分析 103
5.3.1 实验设置 103
5.3.2 实验结果分析 104
5.4 本章小结 109
参考文献 110
第6章 基于蚁狮优化的元特征选择方法 111
6.1 概述 111
6.2 基于蚁狮优化的鲁棒元特征选择方法 111
6.2.1 鲁棒初始化机制 111
6.2.2 动态边界策略 113
6.2.3 混沌映射变异策略 113
6.2.4 方法描述 115
6.3 实验与分析 116
6.3.1 实验设置 116
6.3.2 元数据集分析 121
6.3.3 参数敏感性分析 122
6.3.4 机制和策略效果验证 123
6.3.5 实验结果分析 125
6.4 本章小结 127
参考文献 127
第7章 基于蚁狮优化的选择性集成元算法 129
7.1 概述 129
7.2 基于多目标混合蚁狮优化的选择性集成算法选择方法 129
7.2.1 算法选择优化模型 129
7.2.2 多目标混合蚁狮优化算法 132
7.2.3 方法描述 136
7.3 实验与分析 138
7.3.1 实验设置 138
7.3.2 元数据集分析 143
7.3.3 参数敏感性分析 144
7.3.4 优化算法效果验证 145
7.3.5 实验结果分析 148
7.4 本章小结 151
参考文献 151
第8章 遗传蚁群任务分配方法 154
8.1 概述 154
8.2 任务分配模型 154
8.3 遗传蚁群算法 155
8.3.1 混沌随机初始化 155
8.3.2 多样性交换策略 156
8.3.3 蚁群重组准则 156
8.3.4 方法描述 157
8.4 实验与分析 158
8.4.1 消融实验 158
8.4.2 对比实验 160
8.5 本章小结 165
参考文献 165
第9章 面向任务分配的多目标乌鸦搜索算法 167
9.1 概述 167
9.2 多目标任务分配模型 167
9.3 增强策略多目标乌鸦搜索算法 168
9.3.1 个体编码方法 168
9.3.2 基于档案的搜索方法 169
9.3.3 增强生成策略 169
9.3.4 小数权重修复策略 170
9.3.5 方法描述 172
9.4 实验与分析 173
9.4.1 实验设置 173
9.4.2 实验结果分析 175
9.5 本章小结 180
参考文献 180
第10章 结束语 182
10.1 本书创新点 182
10.2 需要进一步研究的问题 183
10.3 思考和感悟 184
参考文献 185
彩图