包邮多目标学习算法及其应用

目录
《智能科学技术著作丛书》序
前言
第1章多目标学习基础 1
1.1 进化计算 1
1.1.1 遗传算法 2
1.1.2 进化规划 5
1.1.3 进化策略 7
1.2 *优化方法 8
1.2.1 单目标优化问题 8
1.2.2 多目标优化问题 9
1.2.3 高维多目标优化问题 10
1.3 机器学习 11
1.4 多目标学习 12
1.5 本章小结 15
参考文献 15
第2章基于三维凸包的进化多目标优化算法 18
2.1 引言 18
2.2 相关工作 20
2.3 增广DET图和多目标优化问题 21
2.3.1 增广DET图和多目标分类器 22
2.3.2 ADCH*大化和多目标优化 24
2.4 基于三维凸包的进化多目标优化算法描述 26
2.4.1 基于非冗余三维凸包的排序算法 27
2.4.2 基于VAS贡献度的选择策略 28
2.4.3 算法框架 29
2.4.4 算法计算复杂度分析 31
2.5 人工设计测试问题实验 31
2.5.1 ZEJD问题设计 32
2.5.2 评价准则 34
2.5.3 参数设置 35
2.5.4 结果和分析 35
2.6 本章小结 46
参考文献 46
第3章基于三维凸包的进化多目标优化快速算法 50
3.1 引言 50
3.2 相关工作 51
3.3 基于三维凸包的进化多目标优化快速算法描述 53
3.3.1 基于三维增量凸包的排序算法 53
3.3.2 基于年龄的选择策略 55
3.3.3ΔVAS快速计算方法 56
3.3.4 增量凸包构造算法 60
3.3.5 算法计算复杂度分析 61
3.4 实验研究 63
3.4.13 DFCH-EMOA和多种EMOA对比 63
3.4.23 DFCH-EMOA和3DCH-EMOA对比 83
3.4.3 基于年龄的选择策略和随机选择策略对比 89
3.5 本章小结 89
参考文献 90
第4章进化多目标稀疏集成学习 93
4.1 引言 93
4.2 相关工作 95
4.3 多目标稀疏集成学习过程 96
4.3.1 稀疏集成学习 96
4.3.2 多目标集成学习 98
4.3.3 增广DET凸包*大化 98
4.3.4 稀疏实数编码 101
4.4 实验研究 102
4.4.1 基于C4.5 和装袋策略的实验结果 103
4.4.2 基于CART和随机子空间的实验结果 115
4.4.3 多目标稀疏集成算法与五种修剪算法对比 124
4.5 本章小结 127
参考文献 127
第5章多目标稀疏神经网络学习 131
5.1 引言 131
5.2 神经网络 132
5.3 多目标稀疏神经网络参数学习 136
5.3.1 UCI数据集 137
5.3.2 对比算法 137
5.3.3 参数设置 137
5.3.4 结果和分析 138
5.4 多目标稀疏神经网络结构修剪 142
5.4.1 UCI数据集 143
5.4.2 对比算法 144
5.4.3 参数设置 144
5.4.4 结果和分析 144
5.5 本章小结 146
参考文献 146
第6章多目标卷积神经网络及其学习算法 147
6.1 引言 147
6.2 相关工作 149
6.2.1 卷积神经网络 149
6.2.2 双档案高维多目标进化算法 152
6.3 高维多目标卷积神经网络模型 153
6.3.1 多类别DET超平面 153
6.3.2 MaO-CNN模型描述 155
6.3.3 MaO-CNN模型学习算法 156
6.4 实验研究 159
6.4.1 数据集描述 159
6.4.2 实验对比算法 161
6.4.3 评价准则 161
6.4.4 参数设置 161
6.4.5 结果和分析 162
6.5 本章小结 166
参考文献 167
第7章基于多目标学习的垃圾邮件检测 169
7.1 引言 169
7.2 多目标垃圾邮件检测模型 171
7.2.1 问题定义 171
7.2.2 进化算法在邮件检测问题中的应用 172
7.2.3 多目标优化算法进展 173
7.2.4 垃圾邮件检测数据集 175
7.3 实验研究 176
7.3.1 多目标邮件检测模型 176
7.3.2 实验参数设置 177
7.4 实验研究 178
7.4.1 结果和分析 179
7.4.2 多目标垃圾邮件检测系统部署 184
7.5 本章小结 185
参考文献 185
第8章多目标深度卷积生成式对抗网络 187
8.1 引言 187
8.2 相关工作 188
8.2.1 生成式对抗网络 188
8.2.2 深度卷积生成式对抗网络 189
8.3 多目标深度卷积生成式对抗网络模型 190
8.3.1 模型设计 190
8.3.2 群搜索策略 191
8.3.3 基于Pareto占优的选择策略 192
8.3.4 交叉算子设计 193
8.3.5 MO-DCGAN学习框架 194
8.4 实验研究 195
8.4.1 参数设置 195
8.4.2 结果和分析 196
8.5 本章小结 205
参考文献 206
第9章总结和展望 208
9.1 本书主要工作总结 208
9.2 工作展望 210