出版社： 人民邮电出版社
ISBN：9787115448545
版次：1
商品编码：12315687
包装：平装
丛书名： 信息与通信创新学术专著
开本：小16开
出版时间：2018-02-01
用纸：胶版纸
页数：185
正文语种：中文
具体描述
编辑推荐
本书的主要特点主要包括3个方面。1. 对高维多目标优化问题进行了详细介绍，综述了现阶段国内外研究现状，对该类问题进行了深入的技术分析，有利于研究人员全面、准确掌握该类问题的核心技术难点，给出了具体算法分析设计原理、步骤及实验数据。
2. 设计并提出了基于DE算法的多目标优化算法，实现了针对高维多目标优化问题的高效求解，相关性能指标达到国内外先进水平。
3. 给出了DE算法求解实际工程领域中高维多目标优化问题的应用案例，具有较强的可操作性、可重复性和可执行性。
内容简介
本书从群智能优化算法和高维多目标优化两方面入手，一方面系统地介绍了差分进化算法的基本原理及国内外研究现状，通过分析算法的模型、关键步骤及参数设置，设计和构建了高性能的改进算法，并将其应用于医学图像处理、电子商务等实际工程领域；另一方面，深入分析了高维多目标优化算法的基本原理、国内外研究现状及关键技术难点，详细描述了基于差分进化算法的高维多目标优化算法设计、构建与实验分析，以及其在智能交通系统中的实际应用。本书取材新颖、内容翔实、覆盖面广，案例分析具有较强的可重复性和可执行性，不仅适合于初学者，也适合自动化、计算机、信息科学等相关专业的高年级本科生和研究生、进化计算及高维多目标优化研究爱好者以及工程优化人员等。
作者简介
肖婧 研究方向：智能信息处理、复杂网络 讲授课程：网络科学理论与应用、算法分析与设计 图书出版：《信息智能处理技术》电子工业出版社，***热销商品排名: 图书商品里排第976,385名。中国石油大学、深圳大学等高校硕士研究生教材目录
第 1章 绪论 11．1 引言 1
1．2 差分进化算法研究现状 3
1．2．1 差分进化算法研究数据统计 3
1．2．2 差分进化算法理论及应用研究概况 5
参考文献 7
第 2章 差分进化算法概述 12
2．1 引言 12
2．2 差分进化算法基本原理 12
2．2．1 算法原理及关键步骤 12
2．2．2 算法框架及流程 16
2．3 差分进化算法优化策略及其对算法的影响 17
2．3．1 变异策略及其对算法的影响 18
2．3．2 交叉策略及其对算法的影响 19
2．4 差分进化算法的参数分析及设置 20
2．5 差分进化算法的收敛性分析 22
2．5．1 差分进化算法的随机过程描述 22
2．5．2 差分进化算法的收敛性定义 23
2．6 本章小结 23
参考文献 24
第3章 基于分类变异策略的自适应差分进化算法 26
3．1 引言 26
3．2 基于分类策略的新变异方法 27
3．2．1 新DE变异策略DE/rand-to-best/pbest 27
3．2．2 分类策略 28
3．3 新参数自适应调整策略 29
3．4 实验测试及结果分析 31
3．4．1 测试函数选择 31
3．4．2 比较算法选择 32
3．4．3 算法比较策略及准则 33
3．4．4 算法比较结果及分析 33
3．5 本章小结 48
参考文献 49
第4章 基于DE算法的人脑PET图像目标边缘检测 51
4．1 引言 51
4．2 传统Snake模型及GVF Snake模型 52
4．3 结合p-ADE算法的GVF Snake模型实现PET图像目标边缘检测 54
4．4 实验测试及结果分析 58
4．5 本章小结 61
参考文献 62
第5章 基于DE算法的电子商务多边多议题协商 63
5．1 引言 63
5．2 基于多Agent的多边多议题协商 64
5．3 p-ADE算法在合-作环境下多边多议题协商中的应用 66
5．3．1 基于p-ADE算法的多Agent协商协议 66
5．3．2 基于p-ADE算法的多Agent协商策略 67
5．4 实验测试及结果分析 69
5．5 本章小结 72
参考文献 72
第6章 基于精英策略的改进多目标自适应DE算法 74
6．1 引言 74
6．2 多目标优化问题的数学描述 76
6．3 多目标进化算法的研究现状 78
6．4 精英SDEMO算法 80
6．4．1 精英多目标进化算法模型 81
6．4．2 SDEMO算法精英选择策略改进 84
6．4．3 SDEMO算法密度估计方法改进 84
6．4．4 SDEMO算法中DE算法变异策略改进 85
6．4．5 SDEMO算法中DE算法参数自适应方法改进 86
6．4．6 SDEMO算法流程 87
6．5 实验测试及结果分析 87
6．5．1 测试函数及性能评价标准 88
6．5．2 测试结果及分析 90
6．6 本章小结 95
参考文献 96
第7章 高维多目标进化算法概述 100
7．1 引言 100
7．2 高维多目标进化算法研究进展 101
7．2．1 算法模型框架的国内外研究现状及分析 102
7．2．2 精英选择策略的国内外研究现状及分析 103
7．2．3 多目标分解的国内外研究现状及分析 104
7．3 高维多目标进化算法的标准测试函数 105
7．4 高维多目标进化算法的性能指标 109
7．4．1 收敛性评价指标 109
7．4．2 分布性评价指标 110
7．4．3 综合性评价指标 112
7．5 高维多目标进化算法关键技术 112
7．6 本章小结 114
参考文献 115
第8章 基于改进K支配的高维多目标差分进化算法 118
8．1 引言 118
8．2 K支配关系及排序方法改进 119
8．2．1 K支配关系改进及参数确定 120
8．2．2 K支配等级排序方法改进 121
8．3 基于参考点的拥挤密度估计方法改进 122
8．4 个体适应度值评价方法改进 123
8．5 CAO局部搜索 124
8．6 实验测试及结果分析 125
8．7 本章小结 129
参考文献 129
第9章 基于全局排序的高维多目标差分进化算法 131
9．1 引言 131
9．2 高维多目标优化支配排序方法 132
9．3 全局排序高维多目标差分进化算法概述 133
9．3．1 高维多目标优化全局排序策略 134
9．3．2 高维多目标优化全局密度估计 139
9．3．3 高维多目标优化个体适应度值评价 140
9．3．4 GR-MODE算法流程 140
9．4 实验测试及结果分析 141
9．5 本章小结 143
参考文献 143
第 10章 基于高维多目标优化的城市智能化动态停车诱导 146
10．1 引言 146
10．2 城市PGS 147
10．2．1 城市PGS及核心关键技术 147
10．2．2 城市PGS研究现状 147
10．3 高维多目标智能停车场及路径诱导模型 150
10．3．1 出行前静态的高维多目标停车场及路径诱导模型 151
10．3．2 出行中动态的高维多目标停车场及路径诱导模型 152
10．4 高维多目标智能停车场及路径诱导算法 154
10．4．1 基于KS-MODE算法的高维多目标智能停车场诱导算法 154
10．4．2 基于DE算法的单目标*优路径诱导算法 156
10．5 实验测试及结果分析 157
10．5．1 出行前静态停车场选择及路径诱导结果 162
10．5．2 出行中动态停车场选择及路径诱导结果 164
10．6 本章小结 167
参考文献 167
第 11章 基于高维多目标优化的道路交叉口信号控制 169
11．1 引言 169
11．2 交叉口混合交通流信号控制指标 170
11．3 交叉口信号高维多目标优化智能控制模型 174
11．3．1 高维多目标优化信号控制模型建立 174
11．3．2 高维多目标优化信号控制模型求解 175
11．4 实验测试及结果分析 176
11．5 本章小结 178
参考文献 179
附 录 180
名词索引 183
机器学习在数据挖掘中的革新 一、 引言 在信息爆炸的时代，数据已成为驱动社会进步和经济发展的核心要素。如何从海量、异构、高维的数据中挖掘出有价值的知识和规律，已成为当今科学研究和工程实践中的一项重大挑战。数据挖掘，作为一门交叉学科，旨在探索和发现数据中隐藏的模式、关系和趋势，为决策支持、模式识别、预测分析等领域提供科学依据。而机器学习，作为人工智能的核心分支，以其强大的学习能力和泛化能力，正在深刻地革新着数据挖掘的理论与方法，为解决复杂数据问题提供了前所未有的强大工具。 本书将聚焦于机器学习在数据挖掘领域所带来的革命性变革，深入探讨其核心理论、关键算法以及在实际问题中的应用。我们将从机器学习的基本原理出发，逐步深入到各种先进模型的构建与优化，并展示如何利用这些模型来解决现实世界中复杂的数据挖掘任务。 二、 机器学习基础理论与模型 机器学习的核心在于让计算机能够从数据中学习，而无需显式编程。这一过程通常包括以下几个关键环节： 1. 数据预处理与特征工程： 原始数据往往存在噪声、缺失值、格式不统一等问题，直接输入模型可能导致训练效果不佳。数据预处理是机器学习流程中的重要一步，包括数据清洗、缺失值填充、异常值检测、数据归一化与标准化等。特征工程则是通过对原始数据进行变换、组合或提取，生成能够更好地表示问题本质的特征，从而提升模型的性能。例如，在文本挖掘中，可以将原始文本转换为词袋模型、TF-IDF向量，或者利用词嵌入技术生成语义丰富的特征。 2. 模型选择与构建： 机器学习模型种类繁多，根据学习任务的不同，可以大致分为监督学习、无监督学习和强化学习。 监督学习 (Supervised Learning)： 在有标签的数据集上进行训练，学习输入特征与输出标签之间的映射关系。常见的任务包括分类（如垃圾邮件检测、图像识别）和回归（如房价预测、股票价格预测）。 经典算法： 线性模型： 逻辑回归（Logistic Regression）用于分类，线性回归（Linear Regression）用于回归。它们简单高效，是理解更复杂模型的基础。 支持向量机 (Support Vector Machines, SVM)： 利用核技巧在高维空间中找到最优超平面，能够处理线性和非线性可分问题，在文本分类和图像识别等领域表现出色。 决策树 (Decision Trees)： 易于理解和解释，能够处理数值型和类别型特征，通过一系列规则进行预测。 集成学习 (Ensemble Learning)： 通过结合多个弱学习器来构建一个强学习器，以提高模型的鲁棒性和准确性。例如，随机森林（Random Forests）和梯度提升树（Gradient Boosting Machines, GBM），如XGBoost、LightGBM等，在各种数据挖掘竞赛和实际应用中都取得了显著的成功。 深度学习 (Deep Learning)： 作为监督学习中的一个重要分支，深度学习模型，特别是深度神经网络（Deep Neural Networks, DNN），能够自动从原始数据中学习层次化的特征表示，极大地推动了图像、语音、自然语言处理等领域的突破。 卷积神经网络 (Convolutional Neural Networks, CNN)： 在图像识别、目标检测等领域表现突出，通过卷积层、池化层等结构有效提取图像的局部特征。 循环神经网络 (Recurrent Neural Networks, RNN)： 适用于处理序列数据，如文本、时间序列，通过循环连接捕捉序列中的依赖关系。长短期记忆网络（LSTM）和门控循环单元（GRU）是RNN的改进版本，能够缓解梯度消失问题。 Transformer 模型： 近年来在自然语言处理领域引起巨大反响，其核心的自注意力机制（Self-Attention Mechanism）能够并行处理序列数据，并捕捉长距离依赖关系，使得模型在机器翻译、文本生成等任务上取得了前所未有的性能。 无监督学习 (Unsupervised Learning)： 在无标签的数据集上进行训练，探索数据本身的结构和模式，无需预先知道期望的输出。 聚类 (Clustering)： 将数据分成若干个组（簇），使得同一簇内的数据点相似度高，不同簇之间的数据点相似度低。常见的算法包括K-Means、DBSCAN、层次聚类等。在客户细分、异常检测、图像分割等领域有广泛应用。 降维 (Dimensionality Reduction)： 降低数据集的特征维度，同时尽可能保留原始数据的有用信息。这有助于可视化、减少计算复杂度、去除冗余特征。经典算法包括主成分分析（Principal Component Analysis, PCA）、t-分布邻域嵌入（t-SNE）、均匀流形逼近和投影（UMAP）等。 关联规则挖掘 (Association Rule Mining)： 发现数据项之间的有趣关系，如“购买商品A的顾客也倾向于购买商品B”。Apriori算法是经典的关联规则挖掘算法，常用于超市购物篮分析。 强化学习 (Reinforcement Learning)： 通过智能体（Agent）与环境（Environment）的交互，学习最优策略以最大化累积奖励。智能体通过试错来学习，适用于需要序贯决策的场景，如机器人控制、游戏AI、自动驾驶等。 3. 模型训练与优化： 机器学习模型的训练过程通常涉及参数的学习，目标是最小化损失函数（Loss Function）。 损失函数： 衡量模型预测值与真实值之间的差距，如均方误差（Mean Squared Error, MSE）用于回归，交叉熵（Cross-Entropy）用于分类。 优化算法： 用于更新模型参数以减小损失函数。最常用的算法是梯度下降（Gradient Descent）及其变种，如随机梯度下降（Stochastic Gradient Descent, SGD）、Adam、RMSprop等。 正则化 (Regularization)： 用于防止模型过拟合（Overfitting），即模型在训练集上表现很好，但在新数据上表现不佳。常见的正则化技术包括L1正则化、L2正则化、Dropout等。 超参数调优 (Hyperparameter Tuning)： 模型在训练前需要设置一些超参数（如学习率、正则化强度、神经网络层数等），这些超参数会影响模型的性能。常用的超参数调优方法包括网格搜索（Grid Search）、随机搜索（Random Search）和贝叶斯优化（Bayesian Optimization）。 4. 模型评估与选择： 训练好的模型需要通过评估指标来衡量其性能，并选择最优模型。 评估指标： 分类： 准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1-Score、ROC曲线（Receiver Operating Characteristic Curve）、AUC（Area Under the Curve）。 回归： 均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）、决定系数（R-squared）。 交叉验证 (Cross-Validation)： 将数据集分成若干个子集，轮流将其中一个子集作为测试集，其余作为训练集，以获得更可靠的模型性能估计，减少模型对特定训练集划分的依赖。 三、 机器学习在数据挖掘中的应用 机器学习的强大能力使其在各个数据挖掘领域都展现出巨大的价值： 1. 文本挖掘与自然语言处理 (NLP)： 情感分析： 通过分析文本中的词语和句子结构，判断文本表达的情感倾向（正面、负面、中性）。广泛应用于社交媒体分析、产品评论分析、舆情监控。 主题模型： 发现文档集合中潜在的主题，如LDA（Latent Dirichlet Allocation）。有助于理解大规模文本数据的核心内容。 机器翻译： 将一种语言的文本自动翻译成另一种语言，基于统计模型和深度学习模型（如Transformer）的进步，机器翻译的准确率大幅提升。 文本生成： 自动生成具有连贯性和创造性的文本，如新闻报道、故事、诗歌等。 信息抽取： 从非结构化文本中提取结构化信息，如命名实体识别（NER）、关系抽取。 2. 图像与视频分析： 图像识别与分类： 识别图像中的物体、场景或人物，如人脸识别、医学影像诊断。CNN的出现极大地推动了这一领域的发展。 目标检测： 在图像中定位并识别出多个目标物体，如自动驾驶中的行人、车辆检测。 图像分割： 将图像划分为多个有意义的区域，如医学图像中的器官分割。 视频内容分析： 运动检测、行为识别、视频摘要等。 3. 推荐系统： 协同过滤 (Collaborative Filtering)： 基于用户的历史行为（如购买、评分）来预测其偏好，为用户推荐可能感兴趣的物品。 基于内容的推荐： 分析物品的属性和用户的画像，推荐与用户偏好相似的物品。 混合推荐系统： 结合多种推荐策略，以提高推荐的准确性和多样性。 4. 异常检测： 金融欺诈检测： 识别交易数据中可能存在的欺诈行为。 网络安全： 检测网络流量中的恶意活动和入侵行为。 工业故障诊断： 监测设备运行数据，预测潜在的故障。 5. 时间序列分析： 股票价格预测： 利用历史股票数据预测未来的价格走势。 交通流量预测： 预测特定路段的交通流量，优化交通信号灯。 传感器数据分析： 监测和预测传感器采集的各类数据（如气温、湿度）的变化趋势。 6. 生物信息学： 基因序列分析： 预测基因功能、识别基因突变。 蛋白质结构预测： 预测蛋白质的三维结构，对药物研发至关重要。 四、 机器学习的未来趋势与挑战 尽管机器学习在数据挖掘领域取得了辉煌成就，但其发展仍面临着诸多挑战和机遇： 1. 可解释性AI (Explainable AI, XAI)： 许多深度学习模型被视为“黑箱”，其决策过程难以理解。提高模型的可解释性对于建立信任、满足监管要求以及发现新的科学洞见至关重要。 2. 小样本学习 (Few-Shot Learning) 与零样本学习 (Zero-Shot Learning)： 在数据量稀缺的情况下，如何训练出高性能的模型是一个重要的研究方向，特别是在一些专业领域。 3. 迁移学习 (Transfer Learning) 与元学习 (Meta-Learning)： 如何将在一个任务上学习到的知识迁移到另一个相关任务上，以及如何让模型“学会学习”，是提升模型效率和泛化能力的关键。 4. 对抗性攻击与鲁棒性： 机器学习模型容易受到对抗性样本的攻击，导致错误的预测。研究模型的鲁棒性并提出防御策略是保证模型安全可靠运行的必要条件。 5. 联邦学习 (Federated Learning)： 在保护用户隐私的前提下，利用分布式设备上的数据进行模型训练，适用于医疗、金融等对隐私要求极高的领域。 6. AI伦理与社会影响： 随着AI应用的普及，如何避免算法偏见、确保公平性、保护个人隐私以及应对AI对就业等社会结构的影响，已成为亟待解决的重大问题。 五、 结论 机器学习正以前所未有的力量重塑着数据挖掘的格局。本书旨在为读者提供一个全面而深入的机器学习知识体系，从基础理论到前沿应用，帮助读者掌握利用机器学习解决复杂数据问题的能力。通过对经典算法的剖析、对深度学习模型的探索以及对实际案例的分析，读者将能够理解机器学习的强大之处，并将其有效地应用于各自的研究和工程实践中，从而在数据驱动的时代抓住机遇，应对挑战。
用户评价
评分
当我看到这本书的标题时，我立刻想到了我之前在研究中遇到的一些瓶颈。我一直对“差分进化算法”这个名字有印象，知道它是一种比较高效的优化算法，但对于它在“高维多目标优化”这样复杂场景下的具体应用，我感到非常好奇。我猜想这本书会深入探讨DE算法如何在高维空间中有效地搜索，避免陷入局部最优，以及如何在存在多个相互冲突的目标函数时，找到一组满足“最优”定义的解集。我特别想了解书中是否会介绍一些DE的改进版本，或者提出新的策略来增强其在高维多目标优化中的性能，比如如何处理搜索空间的稀疏性，如何有效地估计和逼近Pareto前沿。如果书中能提供一些清晰的算法流程图，以及一些实际应用场景的分析，那将极大地帮助我理解和掌握这些技术。
评分坦白说，我拿到这本书的时候，主要被“高维多目标优化”这个概念所吸引。我之前接触过一些多目标优化算法，但普遍存在处理高维问题时效率低下、收敛困难的问题。DE算法本身在单目标优化领域表现不错，所以我对它在高维多目标优化中的潜力非常期待。我猜想这本书会深入探讨DE算法在应对高维多目标问题时遇到的挑战，例如搜索空间的稀疏性、多目标之间的相互制约如何影响DE的寻优过程，以及如何设计更精巧的策略来维持种群的多样性，避免过早收敛到局部最优。我尤其希望看到作者能够分享一些针对DE进行改进的思路，比如如何引入自适应机制来动态调整DE的参数，或者如何结合其他技术，如降维方法、粒子群优化、遗传算法的某些思想，来增强DE在高维多目标空间的探索能力。如果书中能够提供清晰的算法框架和详细的实现细节，甚至是一些理论上的分析，那就更棒了。
评分当我翻开这本书的目录时，我就知道我找到了我一直在寻找的东西。我对“差分进化算法”这个名字并不陌生，它一直是我在处理各种优化问题时的一个常用工具，以其直观和有效而著称。然而，“高维多目标优化”这个概念将它提升到了一个新的高度。我非常好奇作者是如何将DE算法扩展到如此复杂的场景的。我期待书中会详细阐述DE在高维多目标优化中的基本原理，比如如何设计有效的差分算子来处理多个维度，以及如何构建和维护Pareto最优解集。我希望看到书中能够探讨一些先进的DE变体，比如那些专门为高维或多目标问题设计的算法，以及作者提出的新的改进策略。如果书中能提供一些实际的基准测试结果，对比DE与其他先进算法在高维多目标优化问题上的性能，那就更能说明问题了。
评分这本书的标题《差分进化算法及其高维多目标优化应用》一下子就吸引了我，我一直对优化算法，尤其是能够处理复杂问题的算法很感兴趣。差分进化算法（DE）本身就以其简洁高效而闻名，但书中将其延展到“高维多目标优化”这个更具挑战性的领域，这让我非常好奇。我设想这本书会详细介绍DE的基本原理，比如它的核心操作——差分变异、交叉和选择，并且会深入剖析在面对高维度搜索空间和多个相互冲突的目标函数时，DE是如何被改进和扩展的。比如，作者是否会探讨如何设计更有效的变异策略来应对高维性带来的“维度诅咒”，以及如何处理多个目标之间的Pareto前沿的搜索和收敛性问题？我期待书中能提供一些实际的案例分析，展示DE如何成功地应用于诸如工程设计、机器学习参数调优、资源分配等复杂现实问题，并详细阐述在这些应用场景下，DE相比于其他算法的优势和局限性。这本书的深度和广度，如果能做到的话，应该会是一份宝贵的参考资料。
评分这本书的出现，就像是给我一直以来在优化领域探索的旅途上，点亮了一盏指路明灯。我一直对“差分进化算法”这个名字有所耳闻，但对其在“高维多目标优化”这一极具挑战性领域的应用，却知之甚少。我猜测这本书会从最基础的DE算法讲起，然后逐步深入到如何应对高维性带来的搜索空间膨胀和多目标函数之间的复杂关系。我非常想知道，DE在处理高维问题时，是如何克服“维度诅咒”的，又如何平衡多个目标函数的优化需求，找到真正的Pareto最优解集。我期望书中能提供一些算法设计的思想，比如如何改进DE的变异算子，如何设计更有效的交叉和选择机制，以适应高维多目标环境。如果书中还能包含一些作者在实际研究中遇到的挑战和解决方案，或者一些成功应用的案例，那将是极大的收获。
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 book.teaonline.club All Rights Reserved. 图书大百科 版权所有