基於Python實現的遺傳算法：應用遺傳算法解決現實世界的深度學習和人工智能問題

第1部分 遺傳算法基礎
第1章 遺傳算法簡介
1．1遺傳算法的概念
1．1．1達爾文進化論
1．1．2遺傳算法分析
1．2遺傳算法背後的理論
1．3與傳統算法的區別
1．3．1種群基礎
1．3．2基因編碼
1．3．3適應度函數
1．3．4概率行為
1．4遺傳算法的優點
1．4．1全域優化
1．4．2處理複雜問題
1．4．3處理缺少數學模型的問題
1．4．4抗雜訊能力
1．4．5並行處理
1．4．6持續學習
1．5遺傳算法的局限性
1．5．1特殊定義
1．5．2超參數優化
1．5．3計算密集型操作
1．5．4過早收斂
1．5．5無絕對最優解
1．6遺傳算法的適用情形
小結
拓展閱讀
第2章 理解遺傳算法的關鍵要素
2．1遺傳算法的基本流程
2．1．1創建初始種群
2．1．2計算適應度值
2．1．3應用選擇、交叉和變異運算元
2．1．4反覆運算停止的條件
2．2選擇運算元
2．2．1輪盤賭選擇
2．2．2隨機通用抽樣
2．2．3基於排序的選擇
2．2．4適應度縮放
2．2．5錦標賽選擇
2．3交叉運算元
2．3．1單點交叉
2．3．2兩點交叉和k點交叉
2．3．3均勻交叉法
2．3．4有序列表的交叉
2．3．5順序交叉
2．4變異運算元
2．4．1反轉變異
2．4．2交換變異
2．4．3逆序變異
2．4．4重組變異
2．5實數編碼的遺傳算法
2．5．1混合交叉
2．5．2類比二進位交叉
2．5．3實數變異
2．6理解精英保留策略
2．7小生境和共用
2．8遺傳算法解決問題的應用方法
小結
拓展閱讀

第2部分 使用遺傳算法解決問題
第3章 DEAP框架的使用
3．1技術要求
3．2DEAP簡介
3．3使用creator模組
3．3．1創建Fitness類
3．3．2創建Individual類
3．4使用Toolbox類
3．4．1創建遺傳運算元
3．4．2創建種群
3．4．3計算適應度
3．5OneMax問題
3．6使用DEAP解決OneMax問題
3．6．1選擇染色體
3．6．2計算適應度值
3．6．3選擇遺傳運算元
3．6．4設置停止條件
3．7使用DEAP實現算法
3．7．1準備工作
3．7．2演化求解
3．7．3運行程式
3．8使用內置算法
3．8．1Statistics對象
3．8．2算法
3．8．3logbook對象
3．8．4運行程式
3．8．5添加名人堂
3．9算法參數設置實驗
3．9．1種群規模與代數
3．9．2交叉運算元
3．9．3變異運算元
3．9．4選擇運算元
小結
拓展閱讀
第4章 組合優化
4．1技術要求
4．2搜索問題和組合優化
4．3求解背包問題
4．3．1Rosetta Code 01背包問題
4．3．2解的表示
4．3．3Python問題表示
4．3．4遺傳算法的解
4．4求解TSP問題
4．4．1TSPLIB基準文件
4．4．2解的表示
4．4．3Python問題表示
4．4．4遺傳算法的解
4．4．5使用強化探索和精英保留來改進結果
4．5求解VRP問題
4．5．1解的表示
4．5．2Python問題表示
4．5．3遺傳算法的解
小結
拓展閱讀
第5章 約束滿足
5．1技術要求
5．2搜索問題中的約束滿足
5．3求解N皇后問題
5．3．1解的表示方式
5．3．2Python對問題的表示方式
5．3．3遺傳算法求解N皇后問題
5．4求解護士排班問題
5．4．1解的表示方式
5．4．2硬約束與軟約束
5．4．3基於Python的問題表示
5．4．4遺傳算法求解護士排班問題
5．5求解圖著色問題
5．5．1解的表示方式
5．5．2使用硬約束和軟約束解決圖著色問題
5．5．3基於Python的問題表示
5．5．4遺傳算法求解
小結
拓展閱讀
第6章 連續函數優化
6．1技術要求
6．2實數染色體與實數遺傳運算元
6．3連續函數下的DEAP應用
6．4優化Eggholder函數
6．4．1利用遺傳算法優化Eggholder函數
6．4．2增加變異率來提高速度
6．5優化Himmelblau函數
6．5．1用遺傳算法優化Himmelblau函數
6．5．2利用小生境和共用來尋找多個解
6．6Simionescu函數與約束優化
6．6．1基於遺傳算法的約束優化
6．6．2用遺傳算法優化Simionescu函數
6．6．3使用約束尋找多個解
小結
拓展閱讀

第3部分 遺傳算法的人工智慧應用
第7章 使用特徵選擇改善機器學習模型
7．1技術要求
7．2有監督機器學習
7．2．1分類
7．2．2回歸
7．2．3有監督學習算法
7．3有監督學習中的特徵選擇
7．4Friedman1選擇特徵問題
7．4．1解的表示
7．4．2Python問題表示
7．4．3遺傳算法求解
7．5分類資料集Zoo的特徵選擇
7．5．1Python問題表示
7．5．2遺傳算法求解
小結
拓展閱讀
第8章 機器學習模型的超參數優化
8．1技術要求
8．2機器學習中的超參數
8．2．1超參數優化
8．2．2Wine資料集
8．2．3自我調整增強分類器
8．3基於遺傳算法的網格搜索來優化超參數
8．3．1測試分類器的預設性能
8．3．2運行常規的網格搜索
8．3．3運行基於遺傳算法的網格搜索
8．4直接使用遺傳算法優化超參數
8．4．1超參數表示
8．4．2評估分類器的準確性
8．4．3使用遺傳算法優化超參數
小結
拓展閱讀
第9章 深度學習網路的結構優化
9．1技術要求
9．2人工神經網路與深度學習
9．2．1多層感知器
9．2．2深度學習和卷積神經網路
9．3優化深度學習分類器的架構
9．3．1鳶尾花資料集
9．3．2表示隱藏層的配置
9．3．3評估分類器的準確性
9．3．4使用遺傳算法優化 MLP 架構
9．4將架構優化與超參數優化相結合
9．4．1解的表示
9．4．2評估分類器的準確性
9．4．3使用遺傳算法優化 MLP 的組合配置
小結
拓展閱讀
第10章 基於遺傳算法的強化學習
10．1技術要求
10．2強化學習
10．3OpenAI Gym
10．4處理MountainCar環境問題
10．4．1解的表示
10．4．2解的評估
10．4．3基於Python的問題表示
10．4．4遺傳算法求解
10．5處理CartPole環境問題
10．5．1用神經網路控制CartPole
10．5．2解的表示和評估
10．5．3基於Python的問題表示
10．5．4遺傳算法求解
小結
拓展閱讀

第4部分 相關方法
第11章 遺傳圖像重建
11．1技術要求
11．2用多邊形重建圖像
11．3Python中的影像處理
11．3．1Python影像處理庫
11．3．2用多邊形繪製圖像
11．3．3測量圖像之間的差異
11．4利用遺傳算法重建圖像
11．4．1解的表示與評價
11．4．2基於Python的問題表示
11．4．3遺傳算法的實現
11．4．4圖像重建結果
小結
拓展閱讀
第12章 其他進化和生物啟發計算方法
12．1技術要求
12．2進化計算和生物啟發計算
12．3遺傳程式設計
12．3．1遺傳編碼示例——偶校驗
12．3．2遺傳程式設計實現
12．3．3簡化的解
12．4粒子群優化算法
12．4．1PSO實例——函數優化
12．4．2粒子群優化實現
12．5其他相關方法
12．5．1進化策略
12．5．2差分進化算法
12．5．3蟻群算法
12．5．4人工免疫系統
12．5．5人工生命
小結
拓展閱讀