●《智能科學技術著作叢書》序
前言
章 多目標學習基礎
1.1 進化計算
1.1.1 遺傳算法
1.1.2 進化規劃
1.1.3 進化策略
1.2 很優化方法
1.2.1 單目標優化問題
1.2.2 多目標優化問題
1.2.3 高維多目標優化問題
1.3 機器學習
1.4 多目標學習
1.5 本章小結
參考文獻
第2章 基於三維凸包的進化多目標優化算法
2.1 引言
2.2 相關工作
2.3 增廣DET圖和多目標優化問題
2.3.1 增廣DET圖和多目標分類器
2.3.2 ADCH優選化和多目標優化
2.4 基於三維凸包的進化多目標優化算法描述
2.4.1 基於非冗餘三維凸包的排序算法
2.4.2 基於VAS貢獻度的選擇策略
2.4.3 算法框架
2.4.4 算法計算復雜度分析
2.5 人工設計測試問題實驗
2.5.1 ZEJD問題設計
2.5.2 評價準則
2.5.3 參數設置
2.5.4 結果和分析
2.6 本章小結
參考文獻
第3章 基於三維凸包的進化多目標優化快速算法
3.1 引言
3.2 相關工作
3.3 基於三維凸包的進化多目標優化快速算法描述
3.3.1 基於三維增量凸包的排序算法
3.3.2 基於年齡的選擇策略
3.3.3 △VAS快速計算方法
3.3.4 增量凸包構造算法
3.3.5 算法計算復雜度分析
3.4 實驗研究
3.4.1 3DFCH-EMOA和多種EMOA對比
3.4.2 3DFCH-EMOA和3DCH-EMOA對比
3.4.3 基於年齡的選擇策略和隨機選擇策略對比
3.5 本章小結
參考文獻
第4章 進化多目標稀疏集成學習
4.1 引言
4.2 相關工作
4.3 多目標稀疏集成學習過程
4.3.1 稀疏集成學習
4.3.2 多目標集成學習
4.3.3 增廣DET凸包優選化
4.3.4 稀疏實數編碼
4.4 實驗研究
4.4.1 基於C4.5和裝袋策略的實驗結果
4.4.2 基於CART和隨機子空間的實驗結果
4.4.3 多目標稀疏集成算法與五種修剪算法對比
4.5 本章小結
參考文獻
第5章 多目標稀疏神經網絡學習
5.1 引言
5.2 神經網絡
5.3 多目標稀疏神經網絡參數學習
5.3.1 UCI數據集
5.3.2 對比算法
5.3.3 參數設置
5.3.4 結果和分析
5.4 多目標稀疏神經網絡結構修剪
5.4.1 UCI數據集
5.4.2 對比算法
5.4.3 參數設置
5.4.4 結果和分析
5.5 本章小結
參考文獻
第6章 多目標卷積神經網絡及其學習算法
6.1 引言
6.2 相關工作
6.2.1 卷積神經網絡
6.2.2 雙檔案高維多目標進化算法
6.3 高維多目標卷積神經網絡模型
6.3.1 多類別DET超平面
6.3.2 MaO-CNN模型描述
6.3.3 MaO-CNN模型學習算法
6.4 實驗研究
6.4.1 數據集描述
6.4.2 實驗對比算法
6.4.3 評價準則
6.4.4 參數設置
6.4.5 結果和分析
6.5 本章小結
參考文獻
第7章 基於多目標學習的垃圾郵件檢測
7.1 引言
7.2 多目標垃圾郵件檢測模型
7.2.1 問題定義
7.2.2 進化算法在郵件檢測問題中的應用
7.2.3 多目標優化算法進展
7.2.4 垃圾郵件檢測數據集
7.3 實驗研究
7.3.1 多目標郵件檢測模型
7.3.2 實驗參數設置
7.4 實驗研究
7.4.1 結果和分析
7.4.2 多目標垃圾郵件檢測繫統部署
7.5 本章小結
參考文獻
第8章 多目標深度卷積生成式對抗網絡
8.1 引言
8.2 相關工作
8.2.1 生成式對抗網絡
8.2.2 深度卷積生成式對抗網絡
8.3 多目標深度卷積生成式對抗網絡模型
8.3.1 模型設計
8.3.2 群搜索策略
8.3.3 基於Pareto占優的選擇策略
8.3.4 交叉算子設計
8.3.5 MO-DCGAN學習框架
8.4 實驗研究
8.4.1 參數設置
8.4.2 結果和分析
8.5 本章小結
參考文獻
第9章 總結和展望
9.1 本書主要工作總結
9.2 工作展望
