小数据驱动的智能优化方法入机器学习模型作为候选解的快速近似评估方法，利用历史数据训练模型来辅助智能优化算法在计算资源有限的情况下获得较好解。随着工业设计体系复杂化趋势，其中的小数据驱动优化问题呈现优化目标多、决策变量多、约束条件多的难点。因此，面向上述大规模难题，本书提出相应的快速高效求解方法，共分为10个章节。第1章简要介绍了优化问题和代理模型辅助的智能优化算法基础知识。第2～3章介绍了小数据驱动的多目标优化问题的求解难点和相关解决方案。第4～6章介绍了小数据驱动的组合优化问题的求解难点和相关解决方案。第7～8章介绍了小数据驱动的大规模连续优化问题的求解难点和相关解决方案。第9～10章介绍了小数据驱动的约束优化问题的求解难点和相关解决方案。

更多科学出版社服务，请扫码获取。

2006年-2010年 西安电子科技大学 学士 2010年-2015年 西安电子科技大学 博士2015年-2018年 英国萨里大学 博士后 2018年-今 西安电子科技大学 教授智能科学与技术 计算智能作为通讯作者、第一作者发表论文79篇，其中SCI检索57篇、EI检索22篇。兼职计算智能国际期刊《IEEE Transactions on Evolutionary Computation》、《Evolutionary Computation》、《Swarm and Evolutionary Computation》、《Complex & Intelligent Systems》和《Memetic Computing》编委（Associate Editor）。担任演化计算领域顶级国际会议《Genetic and Evolutionary Computation Conference》、《IEEE Congress of Evolutionary Computation》及多个其他国际会议的程序委员会成员。

第一章 小数据驱动的进化优化 1.1 小数据驱动的优化问题 1.1.1 优化问题定义与分类 1.1.2 小数据驱动优化问题定义与挑战 1.2 小数据驱动的智能优化算法 基本架构 1.3 智能优化算法 1.3.1 启发式算法 1.3.2 进化优化算法 1.4 代理模型 1.4.1 通用代理模型 1.4.2 专用代理模型 1.5 模型管理策略 1.5.1 基于世代的模型管理策略 1.5.2 基于个体的模型管理策略 1.6 小数据驱动的大规模智能优化面临的挑战 第二章 自适应模型更新的双档超多目标进化优化算法 2.1小数据驱动超多目标优化问题 2.2 自适应模型更新的双档超多目标进化优化算法 2.2.1 算法框架 2.2.2 强影响点不敏感模型 2.2.3 自适应填充采样策略 2.3 算法有效性分析与验证 2.3.1 实验设置 2.3.2 消融实验 2.3.3 对比实验 2.3.4 讨论 2.4 本章小结 第三章 基于多精度降噪的代理辅助多目标进化优化算法 3.1 带有噪音的小数据驱动优化问题及降噪技术 3.1.1 问题定义 - 加性噪音/乘性噪音 3.1.2 降噪技术 - 平均/模型/排序 + 挑战 3.2 基于多精度降噪的代理辅助多目标优化算法 3.2.1 基本框架 3.2.2 多精度代理模型构建 3.2.3 超体积指标触发的精度调整策略 3.3 算法有效性验证与分析 3.3.1 实验设置 3.3.2 算法分析 3.3.3 对比实验 3.3.4 讨论 3.4 本章小结 第四章 内外层解耦的代理辅助双层组合优化算法 3.1 软体机器人设计 3.1.1 问题定义 - 基于体素的软体机器人设计 3.1.2 基于进化算法和强化学习的双层设计方法 3.2 内外层解耦的代理辅助双层组合优化算法 3.2.1 算法框架 3.2.2 形态搜索策略 3.2.3 基于指令继承的解耦模型构建 3.2.4 代理模型误差评估方法 3.4 算法有效性验证与分析 3.4.1 实验设置 3.4.2 算法分析 3.4.2 对比实验 3.4.3 讨论 3.5 本章小结 第五章 随机子空间构建的代理辅助大规模单目标组合优化算法 5.1 特征选择问题 5.1.1 问题定义 5.1.2 基于进化计算的特征选择方法 5.2 随机子空间构建的代理辅助大规模单目标组合优化算法 5.2.1 算法框架 5.2.2 考虑约束的采样方法 5.2.3 随机子空间构建及并行优化 5.2.4 最优解选择策略 5.3 算法有效性验证与分析 5.3.1 实验设置 5.3.2 算法分析 5.3.4 对比实验 5.3.5 讨论 5.4 本章小结 第六章 少量权重向量聚合的代理辅助大规模多目标组合优化算法 6.1 引言 6.2 相关技术 6.2.1 径向基函数网络 6.2.2 变邻域搜索 6.2.3 Q-learning 6.3 少量权重向量聚合的代理辅助多目标进化算法 6.3.1 基于Q-learning的搜索资源分配 6.3.2 基于全局模型和局部模型的解质量预测 6.3.3 基于代理模型辅助的变邻域搜索 6.4 实验结果 6.5 本章小节 第七章 自适应异构子空间搜索的代理辅助大规模单目标优化算法 7.1 引言 7.2 相关技术 7.2.1 主成分分析 7.2.2 基于随机特征选择的代理辅助进化算法 7.3 自适应异构子空间搜索的代理辅助单目标进化算法 7.3.1 基于PCA和随机决策变量选择的异构子空间构建 7.3.2 基于收敛状态的异构子空间搜索切换策略 7.4 实验结果 7.5 本章小节 第八章 基于低维聚合函数近似的代理辅助大规模多目标优化算法 8.1 引言 8.2 基于分解的多目标差分进化算法 8.3 基于低维聚合函数近似的代理辅助多目标进化算法 8.3.1 基于聚合函数的低维代理模型 8.3.2 基于收敛性和多样性的两阶段建模策略 8.3.3 基于限制父代更新的收敛控制策略 8.4 实验结果 第九章 基于数据选择的代理辅助约束单目标优化算法 9.1 小数据驱动的约束单目标优化问题及约束处理技术 9.1.1 问题定义--小数据驱动的单目标约束优化问题 9.1.2 单目标约束处理技术 9.2 基于数据选择的代理辅助约束单目标优化算法 9.2.1 算法框架 9.2.2 自适应填充采样策略 9.2.3 自适应搜索强度调整策略 9.2.4 自适应数据选择策略 9.3 算法有效性分析与验证 9.3.1 实验设置 9.3.2 消融实验 9.3.3 对比实验 9.3.4 讨论 9.4 本章小结 第十章 基于自适应搜索偏好的代理辅助约束多目标优化算法 10.1 小数据驱动的约束多目标优化问题及约束处理技术 10.1.1 问题定义--小数据驱动的多目标约束优化问题 10.1.2 多目标约束处理技术 10.2 基于自适应搜索偏好的代理辅助约束多目标优化算法 10.2.1 算法框架 10.2.2 基于目标和约束相关系分析的切换策略 10.2.3 约束代理辅助多目标进化算法 10.3 算法有效性分析与验证 10.3.1 实验设置 10.3.2 消融实验 10.3.3 对比实验 10.3.4 讨论 10.4 本章小结