- 科学出版社
- 9787030854957
- 1版
- B5
- 2026-06
作者简介
内容简介
本书深入探讨了遗传编程（GP）算法的核心概念、研究现状、进化发展以及在不同领域的创新应用。内容涵盖了GP算法的基础知识和多种变体，帮助读者理解从传统GP到线性遗传编程、基因表达式编程、笛卡尔遗传编程及语义自动编程等形式的演进。通过系统分析符号回归问题，书中介绍了提高精度的策略，包括常数生成和基于语义的优化方法。隐式数据回归是GP在复杂数据分析中的一项挑战，本书介绍了基于导数和免求导的创新求解策略，以拓宽其在科学计算和工程中的应用范围。同时，书中详细讨论了GP算法的可解释性问题，通过度量机制和多目标优化方法，展示了如何提高模型的透明度和用户理解。在组合优化和分类问题上，GP算法展现了灵活的求解能力。书中提供了改进策略和实例，展示了其在实际应用中的效果和潜力。此外，结合现代机器学习技术的GP算法，如迁移学习、多任务学习和深度学习辅助策略，为GP算法提供了更广阔的研究与应用前景。最后，本书探讨了并行遗传编程算法，通过MPI、GPU和Spark等技术实现并行化处理，提高了GP算法的计算效率。无论是理论研究还是实际应用，本书都旨在为计算机科学和相关领域的研究者、学生及跨学科从业人员提供详尽的学习与参考资料。
