基於 Python 實現的遺傳算法 Hands-On Genetic Algorithms with Python
[美]伊亞爾·沃桑斯基(Eyal Wirsansky) 著 譯 吳虎勝 朱利 江川 呂龍
- 出版商: 清華大學
- 出版日期: 2023-02-01
- 定價: $474
- 售價: 8.5 折 $403
- 語言: 簡體中文
- ISBN: 7302611602
- ISBN-13: 9787302611608
-
相關分類:
Machine Learning、Python
- 此書翻譯自: Hands-On Genetic Algorithms with Python (Paperback)
立即出貨 (庫存 < 4)
買這商品的人也買了...
-
動手做深度強化學習 (Deep Reinforcement Learning Hands-On)$690$538 -
NumPy 高速運算徹底解說 - 六行寫一隻程式？你真懂深度學習？手工算給你看！$750$638 -
超圖解 Arduino 互動設計入門, 4/e$680$578 -
$305軟件需求分析實戰 -
$359臨床大數據分析與挖掘——基於Python和機器學習的臨床決策 -
核心開發者親授！PyTorch 深度學習攻略 (Deep Learning with Pytorch)$1,000$790 -
輕課程 輕鬆開發手機 App 點餐系統 - 使用 App Inventor 2 結合 Google 表單 - 最新版(第三版) - 附 MOSME 行動學習一點通：診斷 ‧ 加值$350$315 -
PyTorch 深度學習入門與應用：必備實作知識與工具一本就學會$600$468 -
$305AI 可解釋性 (Python語言版) -
$324Python 自然語言處理 -
Machine Learning in Microservices: Productionizing microservices architecture for machine learning solutions$1,690$1,606 -
$354機器學習入門與實戰 — Python 實踐應用 -
剪映專業版從新手到高手$474$450 -
$374Python 全棧開發 — 數據分析 -
$280自然語言處理 — 原理、方法與應用 -
Nuxt.js Web 開發實戰$954$906 -
Python asyncio 並發編程$768$730 -
$374通用人工智能：初心與未來 -
$305自動化測試應用教程 (Web + App) -
$483自然語言處理應用與實戰 -
$469基於 NLP 的內容理解 -
$314ChatGPT: 讀懂人工智能新紀元 -
控制系統建模與模擬 — 基於 MATLAB / Simulink 的分析與實現, 2/e$474$450 -
$500進化深度學習 -
內行人才知道的機器學習系統設計面試指南 (Machine Learning System Design Interview)$680$537
中文年末書展｜繁簡參展書2書75折 詳見活動內容 »
-
75折
為你寫的 Vue Components：從原子到系統，一步步用設計思維打造面面俱到的元件實戰力 (iThome 鐵人賽系列書)$780$585 -
75折
BDD in Action, 2/e (中文版)$960$720 -
75折
看不見的戰場：社群、AI 與企業資安危機$750$563 -
79折
AI 精準提問 × 高效應用：DeepSeek、ChatGPT、Claude、Gemini、Copilot 一本搞定$390$308 -
7折
超實用！Word．Excel．PowerPoint 辦公室 Office 365 省時高手必備 50招, 4/e (暢銷回饋版)$420$294 -
75折
裂縫碎光：資安數位生存戰$550$412 -
85折
日本當代最強插畫 2025 : 150位當代最強畫師豪華作品集$640$544 -
79折
Google BI 解決方案：Looker Studio × AI 數據驅動行銷實作，完美整合 Google Analytics 4、Google Ads、ChatGPT、Gemini$630$498 -
79折
超有料 Plus！職場第一實用的 AI 工作術 - 用對 AI 工具、自動化 Agent, 讓生產力全面進化！$599$473 -
75折
從零開始學 Visual C# 2022 程式設計, 4/e (暢銷回饋版)$690$518 -
75折
Windows 11 制霸攻略：圖解 AI 與 Copilot 應用，輕鬆搞懂新手必學的 Windows 技巧$640$480 -
75折
精準駕馭 Word！論文寫作絕非難事 (好評回饋版)$480$360 -
Sam Yang 的插畫藝術：用 Procreate / PS 畫出最強男友視角 x 女孩美好日常$699$629 -
79折
AI 加持！Google Sheets 超級工作流$599$473 -
78折
想要 SSR? 快使用 Nuxt 吧!：Nuxt 讓 Vue.js 更好處理 SEO 搜尋引擎最佳化（iThome鐵人賽系列書）$780$608 -
78折
超實用！業務．總管．人資的辦公室 WORD 365 省時高手必備 50招 (第二版)$500$390 -
7折
Node-RED + YOLO + ESP32-CAM：AIoT 智慧物聯網與邊緣 AI 專題實戰$680$476 -
79折
「生成式⇄AI」：52 個零程式互動體驗，打造新世代人工智慧素養$599$473 -
7折
Windows APT Warfare：惡意程式前線戰術指南, 3/e$720$504 -
75折
我輩程式人：回顧從 Ada 到 AI 這條程式路，程式人如何改變世界的歷史與未來展望 (We, Programmers: A Chronicle of Coders from Ada to AI)$850$637 -
75折
不用自己寫！用 GitHub Copilot 搞定 LLM 應用開發$600$450 -
79折
Tensorflow 接班王者：Google JAX 深度學習又快又強大 (好評回饋版)$780$616 -
79折
GPT4 會你也會 - 共融機器人的多模態互動式情感分析 (好評回饋版)$700$553 -
79折
技術士技能檢定 電腦軟體應用丙級術科解題教本｜Office 2021$460$363 -
75折
Notion 與 Notion AI 全能實戰手冊：生活、學習與職場的智慧策略 (暢銷回饋版)$560$420
相關主題
商品描述
遺傳算法是受自然進化啟發的搜索、優化和學習算法家族中的一員。通過模擬進化過程，遺傳算法較傳統搜索算法具有更多優勢，可為各式問題提供高質量的解決方案。本書基於Python語言將遺傳算法應用於各種任務，提供在人工智能和其他很多領域應用遺傳算法的實踐經驗。同時，本書涵蓋了人工智能領域的新進展。
目錄大綱
目錄
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全局優化
1．4．2處理復雜問題
1．4．3處理缺少數學模型的問題
1．4．4抗噪聲能力
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、交叉和變異算子
2．1．4疊代停止的條件
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創建Fitness類
3．3．2創建Individual類
3．4使用Toolbox類
3．4．1創建遺傳算子
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選擇遺傳算子
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算法參數設置實驗
3．9．1種群規模與代數
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 01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皇後問題
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皇後問題
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算子
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利用小生境和共享來尋找多個解
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能應用
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
7．4Friedman1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分類數據集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數據集
8．2．3自適應增強分類器
8．3基於遺傳算法的網格搜索來優化超參數
8．3．1測試分類器的默認性能
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章深度學習網絡的結構優化
9．1技術要求
9．2人工神經網絡與深度學習
9．2．1多層感知器
9．2．2深度學習和捲積神經網絡
9．3優化深度學習分類器的架構
9．3．1鳶尾花數據集
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用神經網絡控制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遺傳編程
12．3．1遺傳編碼示例——偶校驗
12．3．2遺傳編程實現
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
