多目標學習算法及其應用（簡體書）

很多機器學習任務中具有多個衝突的目標需要同時被優化。基於群搜索策略的進化算法在求解多目標優化問題領域得到了廣泛的應用。多目標機器學習在近幾年引起了廣泛的關注，並且得到快速的發展。但是多目標機器學習在模型建立和優化學習方面仍然存在很多瓶頸問題。本書工作圍繞多目標機器學習新模型探索和多目標學習算法設計展開。主要包括如下幾個方面：進化算法概述；機器學習中的多目標優化問題；基於凸包的多目標進化優化算法；多目標學習算法在神經網絡結構和參數優化方面的應用；多目標學習算法在郵件檢測問題中的應用；多目標學習算法遙感圖像變化檢測中的應用。

目錄
《智能科學技術著作叢書》序
前言
第1章多目標學習基礎 1
1.1 進化計算 1
1.1.1 遺傳算法 2
1.1.2 進化規劃 5
1.1.3 進化策略 7
1.2 最優化方法 8
1.2.1 單目標優化問題 8
1.2.2 多目標優化問題 9
1.2.3 高維多目標優化問題 10
1.3 機器學習 11
1.4 多目標學習 12
1.5 本章小結 15
參考文獻 15
第2章基於三維凸包的進化多目標優化算法 18
2.1 引言 18
2.2 相關工作 20
2.3 增廣DET圖和多目標優化問題 21
2.3.1 增廣DET圖和多目標分類器 22
2.3.2 ADCH最大化和多目標優化 24
2.4 基於三維凸包的進化多目標優化算法描述 26
2.4.1 基於非冗余三維凸包的排序算法 27
2.4.2 基於VAS貢獻度的選擇策略 28
2.4.3 算法框架 29
2.4.4 算法計算複雜度分析 31
2.5 人工設計測試問題實驗 31
2.5.1 ZEJD問題設計 32
2.5.2 評價準則 34
2.5.3 參數設置 35
2.5.4 結果和分析 35
2.6 本章小結 46
參考文獻 46
第3章基於三維凸包的進化多目標優化快速算法 50
3.1 引言 50
3.2 相關工作 51
3.3 基於三維凸包的進化多目標優化快速算法描述 53
3.3.1 基於三維增量凸包的排序算法 53
3.3.2 基於年齡的選擇策略 55
3.3.3ΔVAS快速計算方法 56
3.3.4 增量凸包構造算法 60
3.3.5 算法計算複雜度分析 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 基於年齡的選擇策略和隨機選擇策略對比 89
3.5 本章小結 89
參考文獻 90
第4章進化多目標稀疏集成學習 93
4.1 引言 93
4.2 相關工作 95
4.3 多目標稀疏集成學習過程 96
4.3.1 稀疏集成學習 96
4.3.2 多目標集成學習 98
4.3.3 增廣DET凸包最大化 98
4.3.4 稀疏實數編碼 101
4.4 實驗研究 102
4.4.1 基於C4.5 和裝袋策略的實驗結果 103
4.4.2 基於CART和隨機子空間的實驗結果 115
4.4.3 多目標稀疏集成算法與五種修剪算法對比 124
4.5 本章小結 127
參考文獻 127
第5章多目標稀疏神經網絡學習 131
5.1 引言 131
5.2 神經網絡 132
5.3 多目標稀疏神經網絡參數學習 136
5.3.1 UCI數據集 137
5.3.2 對比算法 137
5.3.3 參數設置 137
5.3.4 結果和分析 138
5.4 多目標稀疏神經網絡結構修剪 142
5.4.1 UCI數據集 143
5.4.2 對比算法 144
5.4.3 參數設置 144
5.4.4 結果和分析 144
5.5 本章小結 146
參考文獻 146
第6章多目標卷積神經網絡及其學習算法 147
6.1 引言 147
6.2 相關工作 149
6.2.1 卷積神經網絡 149
6.2.2 雙檔案高維多目標進化算法 152
6.3 高維多目標卷積神經網絡模型 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模型學習算法 156
6.4 實驗研究 159
6.4.1 數據集描述 159
6.4.2 實驗對比算法 161
6.4.3 評價準則 161
6.4.4 參數設置 161
6.4.5 結果和分析 162
6.5 本章小結 166
參考文獻 167
第7章基於多目標學習的垃圾郵件檢測 169
7.1 引言 169
7.2 多目標垃圾郵件檢測模型 171
7.2.1 問題定義 171
7.2.2 進化算法在郵件檢測問題中的應用 172
7.2.3 多目標優化算法進展 173
7.2.4 垃圾郵件檢測數據集 175
7.3 實驗研究 176
7.3.1 多目標郵件檢測模型 176
7.3.2 實驗參數設置 177
7.4 實驗研究 178
7.4.1 結果和分析 179
7.4.2 多目標垃圾郵件檢測系統部署 184
7.5 本章小結 185
參考文獻 185
第8章多目標深度卷積生成式對抗網絡 187
8.1 引言 187
8.2 相關工作 188
8.2.1 生成式對抗網絡 188
8.2.2 深度卷積生成式對抗網絡 189
8.3 多目標深度卷積生成式對抗網絡模型 190
8.3.1 模型設計 190
8.3.2 群搜索策略 191
8.3.3 基於Pareto占優的選擇策略 192
8.3.4 交叉算子設計 193
8.3.5 MO-DCGAN學習框架 194
8.4 實驗研究 195
8.4.1 參數設置 195
8.4.2 結果和分析 196
8.5 本章小結 205
參考文獻 206
第9章總結和展望 208
9.1 本書主要工作總結 208
9.2 工作展望 210