多目標(biāo)學(xué)習(xí)算法及其應(yīng)用

目錄
《智能科學(xué)技術(shù)著作叢書》序
前言
第1章多目標(biāo)學(xué)習(xí)基礎(chǔ) 1
1.1 進(jìn)化計算 1
1.1.1 遺傳算法 2
1.1.2 進(jìn)化規(guī)劃 5
1.1.3 進(jìn)化策略 7
1.2 最優(yōu)化方法 8
1.2.1 單目標(biāo)優(yōu)化問題 8
1.2.2 多目標(biāo)優(yōu)化問題 9
1.2.3 高維多目標(biāo)優(yōu)化問題 10
1.3 機器學(xué)習(xí) 11
1.4 多目標(biāo)學(xué)習(xí) 12
1.5 本章小結(jié) 15
參考文獻(xiàn) 15
第2章基于三維凸包的進(jìn)化多目標(biāo)優(yōu)化算法 18
2.1 引言 18
2.2 相關(guān)工作 20
2.3 增廣DET圖和多目標(biāo)優(yōu)化問題 21
2.3.1 增廣DET圖和多目標(biāo)分類器 22
2.3.2 ADCH最大化和多目標(biāo)優(yōu)化 24
2.4 基于三維凸包的進(jìn)化多目標(biāo)優(yōu)化算法描述 26
2.4.1 基于非冗余三維凸包的排序算法 27
2.4.2 基于VAS貢獻(xiàn)度的選擇策略 28
2.4.3 算法框架 29
2.4.4 算法計算復(fù)雜度分析 31
2.5 人工設(shè)計測試問題實驗 31
2.5.1 ZEJD問題設(shè)計 32
2.5.2 評價準(zhǔn)則 34
2.5.3 參數(shù)設(shè)置 35
2.5.4 結(jié)果和分析 35
2.6 本章小結(jié) 46
參考文獻(xiàn) 46
第3章基于三維凸包的進(jìn)化多目標(biāo)優(yōu)化快速算法 50
3.1 引言 50
3.2 相關(guān)工作 51
3.3 基于三維凸包的進(jìn)化多目標(biāo)優(yōu)化快速算法描述 53
3.3.1 基于三維增量凸包的排序算法 53
3.3.2 基于年齡的選擇策略 55
3.3.3ΔVAS快速計算方法 56
3.3.4 增量凸包構(gòu)造算法 60
3.3.5 算法計算復(fù)雜度分析 61
3.4 實驗研究 63
3.4.13 DFCH-EMOA和多種EMOA對比 63
3.4.23 DFCH-EMOA和3DCH-EMOA對比 83
3.4.3 基于年齡的選擇策略和隨機選擇策略對比 89
3.5 本章小結(jié) 89
參考文獻(xiàn) 90
第4章進(jìn)化多目標(biāo)稀疏集成學(xué)習(xí) 93
4.1 引言 93
4.2 相關(guān)工作 95
4.3 多目標(biāo)稀疏集成學(xué)習(xí)過程 96
4.3.1 稀疏集成學(xué)習(xí) 96
4.3.2 多目標(biāo)集成學(xué)習(xí) 98
4.3.3 增廣DET凸包最大化 98
4.3.4 稀疏實數(shù)編碼 101
4.4 實驗研究 102
4.4.1 基于C4.5 和裝袋策略的實驗結(jié)果 103
4.4.2 基于CART和隨機子空間的實驗結(jié)果 115
4.4.3 多目標(biāo)稀疏集成算法與五種修剪算法對比 124
4.5 本章小結(jié) 127
參考文獻(xiàn) 127
第5章多目標(biāo)稀疏神經(jīng)網(wǎng)絡(luò)學(xué)習(xí) 131
5.1 引言 131
5.2 神經(jīng)網(wǎng)絡(luò) 132
5.3 多目標(biāo)稀疏神經(jīng)網(wǎng)絡(luò)參數(shù)學(xué)習(xí) 136
5.3.1 UCI數(shù)據(jù)集 137
5.3.2 對比算法 137
5.3.3 參數(shù)設(shè)置 137
5.3.4 結(jié)果和分析 138
5.4 多目標(biāo)稀疏神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)修剪 142
5.4.1 UCI數(shù)據(jù)集 143
5.4.2 對比算法 144
5.4.3 參數(shù)設(shè)置 144
5.4.4 結(jié)果和分析 144
5.5 本章小結(jié) 146
參考文獻(xiàn) 146
第6章多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)及其學(xué)習(xí)算法 147
6.1 引言 147
6.2 相關(guān)工作 149
6.2.1 卷積神經(jīng)網(wǎng)絡(luò) 149
6.2.2 雙檔案高維多目標(biāo)進(jìn)化算法 152
6.3 高維多目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)模型 153
6.3.1 多類別DET超平面 153
6.3.2 MaO-CNN模型描述 155
6.3.3 MaO-CNN模型學(xué)習(xí)算法 156
6.4 實驗研究 159
6.4.1 數(shù)據(jù)集描述 159
6.4.2 實驗對比算法 161
6.4.3 評價準(zhǔn)則 161
6.4.4 參數(shù)設(shè)置 161
6.4.5 結(jié)果和分析 162
6.5 本章小結(jié) 166
參考文獻(xiàn) 167
第7章基于多目標(biāo)學(xué)習(xí)的垃圾郵件檢測 169
7.1 引言 169
7.2 多目標(biāo)垃圾郵件檢測模型 171
7.2.1 問題定義 171
7.2.2 進(jìn)化算法在郵件檢測問題中的應(yīng)用 172
7.2.3 多目標(biāo)優(yōu)化算法進(jìn)展 173
7.2.4 垃圾郵件檢測數(shù)據(jù)集 175
7.3 實驗研究 176
7.3.1 多目標(biāo)郵件檢測模型 176
7.3.2 實驗參數(shù)設(shè)置 177
7.4 實驗研究 178
7.4.1 結(jié)果和分析 179
7.4.2 多目標(biāo)垃圾郵件檢測系統(tǒng)部署 184
7.5 本章小結(jié) 185
參考文獻(xiàn) 185
第8章多目標(biāo)深度卷積生成式對抗網(wǎng)絡(luò) 187
8.1 引言 187
8.2 相關(guān)工作 188
8.2.1 生成式對抗網(wǎng)絡(luò) 188
8.2.2 深度卷積生成式對抗網(wǎng)絡(luò) 189
8.3 多目標(biāo)深度卷積生成式對抗網(wǎng)絡(luò)模型 190
8.3.1 模型設(shè)計 190
8.3.2 群搜索策略 191
8.3.3 基于Pareto占優(yōu)的選擇策略 192
8.3.4 交叉算子設(shè)計 193
8.3.5 MO-DCGAN學(xué)習(xí)框架 194
8.4 實驗研究 195
8.4.1 參數(shù)設(shè)置 195
8.4.2 結(jié)果和分析 196
8.5 本章小結(jié) 205
參考文獻(xiàn) 206
第9章總結(jié)和展望 208
9.1 本書主要工作總結(jié) 208
9.2 工作展望 210