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

通过本书，读者可以： ·了解如何使用Python工具创建基于遗传算法的应用程序。 ·利用遗传算法优化函数，并解决规划和调度问题。 ·提升机器学习模型的性能，优化深度学习网络结构。 ·基于工具包Open AI Gym将遗传算法应用于强化学习。 ·探索其他生物启发方法，包括遗传规划和粒子群优化等。

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遗传算法的局限性
1.5.1特殊定义
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
2.5实数编码的遗传算法
2.5.1混合交叉
2.5.2模拟二进制交叉
2.5.3实数变异
2.6理解精英保留策略
2.7小生境和共享
2.8遗传算法解决问题的应用方法
小结
拓展阅读
第2部分使用遗传算法解决问题
第3章DEAP框架的使用
3.1技术要求
3.2DEAP简介
3.3使用creator模块
3.3.1创建Fitness类
3.3.2创建Individual类
3.4使用Toolbox类
3.4.1创建遗传算子
3.4.2创建种群
3.4.3计算适应度
3.5OneMax问题
3.6使用DEAP解决OneMax问题
3.6.1选择染色体
3.6.2计算适应度值
3.6.3选择遗传算子
3.6.4设置停止条件
3.7使用DEAP实现算法
3.7.1准备工作
3.7.2演化求解
3.7.3运行程序
3.8使用内置算法
3.8.1Statistics对象
3.8.2算法
3.8.3logbook对象
3.8.4运行程序
3.8.5添加名人堂
3.9算法参数设置实验
3.9.1种群规模与代数
3.9.2交叉算子
3.9.3变异算子
3.9.4选择算子
小结
拓展阅读
第4章组合优化
4.1技术要求
4.2搜索问题和组合优化
4.3求解背包问题
4.3.1Rosetta Code 0-1背包问题
4.3.2解的表示
4.3.3Python问题表示
4.3.4遗传算法的解
4.4求解TSP问题
4.4.1TSPLIB基准文件
4.4.2解的表示
4.4.3Python问题表示
4.4.4遗传算法的解
4.4.5使用强化探索和精英保留来改进结果
4.5求解VRP问题
4.5.1解的表示
4.5.2Python问题表示
4.5.3遗传算法的解
小结
拓展阅读
第5章约束满足
5.1技术要求
5.2搜索问题中的约束满足
5.3求解N-皇后问题
5.3.1解的表示方式
5.3.2Python对问题的表示方式
5.3.3遗传算法求解N-皇后问题
5.4求解护士排班问题
5.4.1解的表示方式
5.4.2硬约束与软约束
5.4.3基于Python的问题表示
5.4.4遗传算法求解护士排班问题
5.5求解图着色问题
5.5.1解的表示方式
5.5.2使用硬约束和软约束解决图着色问题
5.5.3基于Python的问题表示
5.5.4遗传算法求解
小结
拓展阅读
第6章连续函数优化
6.1技术要求
6.2实数染色体与实数遗传算子
6.3连续函数下的DEAP应用
6.4优化Eggholder函数
6.4.1利用遗传算法优化Eggholder函数
6.4.2增加变异率来提高速度
6.5优化Himmelblau函数
6.5.1用遗传算法优化Himmelblau函数
6.5.2利用小生境和共享来寻找多个解
6.6Simionescu函数与约束优化
6.6.1基于遗传算法的约束优化
6.6.2用遗传算法优化Simionescu函数
6.6.3使用约束寻找多个解
小结
拓展阅读
第3部分遗传算法的人工智能应用
第7章使用特征选择改善机器学习模型
7.1技术要求
7.2有监督机器学习
7.2.1分类
7.2.2回归
7.2.3有监督学习算法
7.3有监督学习中的特征选择
7.4Friedman-1选择特征问题
7.4.1解的表示
7.4.2Python问题表示
7.4.3遗传算法求解
7.5分类数据集Zoo的特征选择
7.5.1Python问题表示
7.5.2遗传算法求解
小结
拓展阅读
第8章机器学习模型的超参数优化
8.1技术要求
8.2机器学习中的超参数
8.2.1超参数优化
8.2.2Wine数据集
8.2.3自适应增强分类器
8.3基于遗传算法的网格搜索来优化超参数
8.3.1测试分类器的默认性能
8.3.2运行常规的网格搜索
8.3.3运行基于遗传算法的网格搜索
8.4直接使用遗传算法优化超参数
8.4.1超参数表示
8.4.2评估分类器的准确性
8.4.3使用遗传算法优化超参数
小结
拓展阅读
第9章深度学习网络的结构优化
9.1技术要求
9.2人工神经网络与深度学习
9.2.1多层感知器
9.2.2深度学习和卷积神经网络
9.3优化深度学习分类器的架构
9.3.1鸢尾花数据集
9.3.2表示隐藏层的配置
9.3.3评估分类器的准确性
9.3.4使用遗传算法优化 MLP 架构
9.4将架构优化与超参数优化相结合
9.4.1解的表示
9.4.2评估分类器的准确性
9.4.3使用遗传算法优化 MLP 的组合配置
小结
拓展阅读
第10章基于遗传算法的强化学习
10.1技术要求
10.2强化学习
10.3OpenAI Gym
10.4处理MountainCar环境问题
10.4.1解的表示
10.4.2解的评估
10.4.3基于Python的问题表示
10.4.4遗传算法求解
10.5处理CartPole环境问题
10.5.1用神经网络控制CartPole
10.5.2解的表示和评估
10.5.3基于Python的问题表示
10.5.4遗传算法求解
小结
拓展阅读
第4部分相关方法
第11章遗传图像重建
11.1技术要求
11.2用多边形重建图像
11.3Python中的图像处理
11.3.1Python图像处理库
11.3.2用多边形绘制图像
11.3.3测量图像之间的差异
11.4利用遗传算法重建图像
11.4.1解的表示与评价
11.4.2基于Python的问题表示
11.4.3遗传算法的实现
11.4.4图像重建结果
小结
拓展阅读
第12章其他进化和生物启发计算方法
12.1技术要求
12.2进化计算和生物启发计算
12.3遗传编程
12.3.1遗传编码示例——偶校验
12.3.2遗传编程实现
12.3.3简化的解
12.4粒子群优化算法
12.4.1PSO实例——函数优化
12.4.2粒子群优化实现
12.5其他相关方法
12.5.1进化策略
12.5.2差分进化算法
12.5.3蚁群算法
12.5.4人工免疫系统
12.5.5人工生命
小结
拓展阅读