基于Python实现的遗传算法(应用遗传算法解决现实世界的深度学习和人工智能问题)/中外

遗传算法是受自然进化 启发的搜索、优化和学习算 法家族中的一员。通过模拟 进化过程，遗传算法较传统 搜索算法具有更多优势，可 为各种问题提供高质量的解 决方案。通过本书，读者可 以基于Python掌握行之有效 的将遗传算法应用于各项任 务的方法。同时，本书也涵 盖了人工智能领域的最新进 展。 本书旨在帮助软件开发 人员、数据科学家和人工智 能爱好者利用遗传算法解决 工程应用中的搜索、优化和 学习等问题，提升现有智能 应用程序的性能和准确性。

第1部分 遗传算法基础 第1章 遗传算法简介 1.1 遗传算法的概念 1.1.1 达尔文进化论 1.1.2 遗传算法分析 1.2 遗传算法背后的理论 1.3 与传统算法的区别 1.3.1 种群基础 1.3.2 基因编码 1.3.3 适应度函数 1.3.4 概率行为 1.4 遗传算法的优点 1.4.1 全局优化 1.4.2 处理复杂问题 1.4.3 处理缺少数学模型的问题 1.4.4 抗噪声能力 1.4.5 并行处理 1.4.6 持续学习 1.5.1 特殊定义 1.5 遗传算法的局限性 1.5.2 超参数优化 1.5.3 计算密集型操作 1.5.4 过早收敛 1.5.5 无绝对最优解 1.6 遗传算法的适用情形 小结 拓展阅读 第2章 理解遗传算法的关键要素 2.1 遗传算法的基本流程 2.1.1 创建初始种群 2.1.2 计算适应度值 2.1.3 应用选择、交叉和变异算子 2.1.4 迭代停止的条件 2.2 选择算子 2.2.1 轮盘赌选择 2.2.2 随机通用抽样 2.2.3 基于排序的选择 2.2.4 适应度缩放 2.2.5 锦标赛选择 2.3 交叉算子 2.3.1 单点交叉 2.3.2 两点交叉和k点交叉 2.3.3 均匀交叉法 2.3.4 有序列表的交叉 2.3.5 顺序交叉 2.4 变异算子 2.4.1 反转变异 2.4.2 交换变异 2.4.3 逆序变异 2.4.4 重组变异