近年来，演化计算作为计算智能中传统的优化技术，已经广泛应用于求解各种数据挖掘问题，形成了一种基于遗传的机器学习新范式学习分类器。一方面，在真实场景中采集的原始数据不可避免地包含着冗余乃至噪声属性的信息，这些不相关的特征将对学习分类器算法的学习性能与计算效率造成负面影响。另一方面，学习分类器以显式规则表示目标概念，在监督学习或强化学习机制的基础上，利用演化算法对规则空间进行搜索，从而完成学习任务。规则空间的有效搜索是影响学习分类器性能的关键。针对上述问题，本书的主要探讨内容：一是学习分类器与特征选择方法，重点是做两者的整合研究，将学习分类器的分类模型构建过程与特征选择的特征子集搜索过程统一集成在基于遗传的机器学习框架下，同时改善分类算法的预测性能与运行效率；二是从提高规则空间的搜索质量出发，着眼于分类问题，介绍了基于分布估计算法的学习分类器。
本书可作为大数据及人工智能等相关专业的教材与参考用书。

上篇 演化机器学习——内嵌特征选择的学习分类器
第1章 上篇引言
1.1 研究背景
1.2 上篇主要内容
1.3 上篇的结构安排
第2章 相关工作综述
2.1 概述
2.2 学习分类器研究
2.2.1 进化计算
2.2.2 基于遗传的机器学习思想
2.2.3 Michigan式学习分类器研究进展
2.2.4 Pittsburgh式学习分类器研究进展
2.3 特征选择方法综述
2.3.1 机器学习中的特征选择问题描述
2.3.2 特征选择的搜索模型
2.3.3 Filter方法
2.3.4 Wrapper方法
2.3.5 Embedded方法
2.4 本章小结
第3章 基于Memetic算法的Wrapper-Filter特征选择方法
3.1 概述
3.2 Memetic算法
3.2.1 Memetic算法思想起源
3.2.2 Memetic算法框架
3.3 基于MA的混合式Wrapper-Filter特征选择方法
3.3.1 算法设计思想
3.3.2 算法整体框架
3.3.3 全局搜索的GA-Wrapper
3.3.4 局部搜索的Relief-Filter
3.3.5 计算复杂度分析
3.4 本章小结
第4章 基于合作式协同进化内嵌特征选择的学习分类器
4.1 概述
4.2 协同进化算法
4.2.1 协同进化思想起源
4.2.2 竞争式协同进化算法模型
4.2.3 合作式协同进化算法模型
4.3 基于合作式协同进化的学习分类器
4.3.1 算法设计思想
4.3.2 算法框架
4.3.3 分类器演化的Pittsburgh式学习分类器算法
4.3.4 计算复杂度分析
4.4 本章小结
第5章 算法评估结果与分析
5.1 概述
5.2 算法比较实验框架
5.2.1 Benchmark数据集
5.2.2 性能评估指标
……
下篇 演化机器学习——分布估计的学习分类器
参考文献