基于Python實現(xiàn)的遺傳算法

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遺傳算法背后的理論
1．3與傳統(tǒng)算法的區(qū)別
1．3．1種群基礎
1．3．2基因編碼
1．3．3適應度函數(shù)
1．3．4概率行為
1．4遺傳算法的優(yōu)點
1．4．1全局優(yōu)化
1．4．2處理復雜問題
1．4．3處理缺少數(shù)學模型的問題
1．4．4抗噪聲能力
1．4．5并行處理
1．4．6持續(xù)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(shù)優(yōu)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(yōu)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(chuàng)建初始種群
2．1．2計算適應度值
2．1．3應用選擇、交叉和變異算子
2．1．4迭代停止的條件
 
 
2．2選擇算子
2．2．1輪盤賭選擇
2．2．2隨機通用抽樣
2．2．3基于排序的選擇
2．2．4適應度縮放
2．2．5錦標賽選擇
2．3交叉算子
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變異算子
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(shù)編碼的遺傳算法
2．5．1混合交叉
2．5．2模擬二進制交叉
2．5．3實數(shù)變異
2．6理解精英保留策略
2．7小生境和共享
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模塊
3．3．1創(chuàng)建Fitness類
3．3．2創(chuàng)建Individual類
3．4使用Toolbox類
3．4．1創(chuàng)建遺傳算子
3．4．2創(chuàng)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選擇遺傳算子
3．6．4設置停止條件
3．7使用DEAP實現(xiàn)算法
3．7．1準備工作
3．7．2演化求解
3．7．3運行程序
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運行程序
3．8．5添加名人堂 
3．9算法參數(shù)設置實驗
3．9．1種群規(guī)模與代數(shù)
3．9．2交叉算子
3．9．3變異算子
3．9．4選擇算子
小結
拓展閱讀
第4章組合優(yōu)化
4．1技術要求
4．2搜索問題和組合優(yōu)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基于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基于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(xù)函數(shù)優(yōu)化
6．1技術要求
6．2實數(shù)染色體與實數(shù)遺傳算子
6．3連續(xù)函數(shù)下的DEAP應用
6．4優(yōu)化Eggholder函數(shù)
6．4．1利用遺傳算法優(yōu)化Eggholder函數(shù)
6．4．2增加變異率來提高速度
6．5優(yōu)化Himmelblau函數(shù)
6．5．1用遺傳算法優(yōu)化Himmelblau函數(shù)
6．5．2利用小生境和共享來尋找多個解
6．6Simionescu函數(shù)與約束優(yōu)化
6．6．1基于遺傳算法的約束優(yōu)化
6．6．2用遺傳算法優(yōu)化Simionescu函數(shù)
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能應用
第7章使用特征選擇改善機器學習模型
7．1技術要求 
7．2有監(jiān)督機器學習
7．2．1分類
7．2．2回歸 
7．2．3有監(jiān)督學習算法 
7．3有監(jiān)督學習中的特征選擇 
7．4Friedman1選擇特征問題 
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分類數(shù)據(jù)集Zoo的特征選擇
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(shù)優(yōu)化
8．1技術要求
8．2機器學習中的超參數(shù)
8．2．1超參數(shù)優(yōu)化
8．2．2Wine數(shù)據(jù)集
8．2．3自適應增強分類器
8．3基于遺傳算法的網(wǎng)格搜索來優(yōu)化超參數(shù)
8．3．1測試分類器的默認性能
8．3．2運行常規(guī)的網(wǎng)格搜索
8．3．3運行基于遺傳算法的網(wǎng)格搜索
8．4直接使用遺傳算法優(yōu)化超參數(shù)
8．4．1超參數(shù)表示
8．4．2評估分類器的準確性
8．4．3使用遺傳算法優(yōu)化超參數(shù)
小結
拓展閱讀
第9章深度學習網(wǎng)絡的結構優(yōu)化
9．1技術要求
9．2人工神經網(wǎng)絡與深度學習
9．2．1多層感知器
9．2．2深度學習和卷積神經網(wǎng)絡 
9．3優(yōu)化深度學習分類器的架構
9．3．1鳶尾花數(shù)據(jù)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(yōu)化 MLP 架構
9．4將架構優(yōu)化與超參數(shù)優(yōu)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(yōu)化 MLP 的組合配置
小結
拓展閱讀
第10章基于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(huán)境問題
10．4．1解的表示
10．4．2解的評估
10．4．3基于Python的問題表示
10．4．4遺傳算法求解
10．5處理CartPole環(huán)境問題
10．5．1用神經網(wǎng)絡控制CartPole
10．5．2解的表示和評估
10．5．3基于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中的圖像處理
11．3．1Python圖像處理庫
11．3．2用多邊形繪制圖像
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基于Python的問題表示
11．4．3遺傳算法的實現(xiàn)
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(fā)計算方法
12．1技術要求
12．2進化計算和生物啟發(fā)計算
12．3遺傳編程
12．3．1遺傳編碼示例——偶校驗
12．3．2遺傳編程實現(xiàn)
12．3．3簡化的解
12．4粒子群優(yōu)化算法
12．4．1PSO實例——函數(shù)優(yōu)化
12．4．2粒子群優(yōu)化實現(xiàn)
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(tǒng)
12．5．5人工生命
小結
拓展閱讀