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。

更多科学出版社服务，请扫码获取。

2001-2005 中山大学，信息科学与技术学院 学士 2005-2007 中山大学，信息科学与技术学院 硕士 2009-2012 中山大学，信息科学与技术学院 博士2016.6-至今 华南理工大学 副教授、教授 2013.1 – 2016.6 新加坡南洋理工大学 博士后计算机科学与技术、人工智能主持国家级科研项目、省级科研项目、产业化项目和产教融合协同育人项目多项，近年来在IEEE TEVC, IEEE Tcyb, IEEE CIM 和 ACM TOMACS等国际权威期刊和会议发表学术论文100余篇，授权专利10余项担任国际期刊《Memetic Computing》 编委、《ICT Express》编委、IEEE？高级会员，CCF高级会员，IEEE 计算智能学会广州Chapter副主席，中国计算机学会协同计算专委会委员，中国仿真学会智能仿真优化与调度专委会委员。

第一章：绪论 1.1 遗传编程算法的发展历史 1.2 遗传编程算法的研究现状 1.3 遗传编程算法的发展趋势 1.4 本章小结 第二章:基本的遗传编程算法及其变种 2.1 基本的遗传编程算法 2.2 线性遗传编程算法 2.3 基因表达式编程算法 2.4 笛卡尔遗传编程算法 2.5 语义自动编程算法 2.6 本章小结 第三章:面向符号回归的高精度遗传编程算法 3.1 符号回归经典测试集 3.2 常数产生策略 3.3 基于回归技术策略 3.4 基于语义的策略 3.5 本章小结 第四章：遗传编程算法求解隐式数据回归 4.1 隐函数发现问题定义 4.2 基于导数的求解策略 4.3 免求导的求解策略 4.4 本章小结 第五章:遗传编程算法的可解释性 5.1 可解释性的度量机制 5.2基于多目标优化的可解释性优化机制 5.3 应用实例 5.4 本章小结 第六章：遗传编程算法求解组合优化问题 6.1 组合优化 6.4 本章小结 第七章：遗传编程算法求解分类问题 7.1 分类问题定义及常用测试集 7.2 遗传编程算法求解分类问题的基本原理 7.3 遗传编程算法求解分类问题的改进策略 7.4 小结 第八章:机器学习辅助的遗传编程算法 8.1 基于迁移学习的多任务遗传编程算法 8.2 基于深度学习的遗传编程算法 8.3 基于特征分析的遗传编程算法 8.4 小结 第九章：并行遗传编程算法 9.1基于MPI的并行遗传编程算法 9.2基于GPU的并行遗传编程算法 9.3基于Spark的并行遗传编程算法 9.4 小结