機器學習知名學者周志華教授新作；中國高校知名人工智能研究團隊20年攻關的新理論成果；給強大的演化算法找到“所以然”的理論支撐，指導機器學習優化問題的進一步發展；關鍵定理詳細證明過程以附錄形式給出，以供有餘力的讀者深挖。

●序
主要符號表
第一部分 緒論與預備知識
第1章 緒論
1.1 機器學習
1.2 演化學習
1.3 多目標優化
1.4 本書組織
第2章 預備知識
2.1 演化算法
2.2 偽布爾函數
2.3 運行時間復雜度
2.4 馬爾可夫鏈建模
2.5 分析工具
第二部分 分析方法
第3章 運行時間分析：收斂分析法
3.1 收斂分析框架
3.2 收斂分析應用例釋
3.3 小結
第4章 運行時間分析：調換分析法
4.1 調換分析框架
4.2 調換分析應用例釋
4.3 小結
第5章 運行時間分析方法的比較
5.1 分析方法的形式化
5.2 調換分析與適應層分析
5.3 調換分析與漂移分析
5.4 調換分析與收斂分析
5.5 分析方法綜論
5.6 小結
第6章 近似分析
6.1 SEIP框架
6.2 SEIP應用例釋
6.3 小結
第三部分 理論透視
第7章 邊界問題
7.1 邊界問題辨識
7.2 案例分析
7.3 小結
第8章 交叉算子
8.1 交叉與變異
8.2 采用交叉算子的多目標演化算法
8.3 案例分析
8.4 實驗驗證
8.5 小結
第9章 解的表示
9.1 遺傳編程之解表示
9.2 案例分析：優選匹配
9.3 案例分析：最小生成樹
9.4 實驗驗證
9.5 小結
第10章 非準確適應度評估
10.1 帶噪優化
10.2 帶噪適應度的影響
10.3 抗噪：閾值選擇
10.4 抗噪：抽樣
10.5 實驗驗證
10.6 小結
第11章 種群
11.1 種群的影響
11.2 種群對噪聲的魯棒性
11.3 小結
第12章 約束優化
12.1 不可行解的影響
12.2 帕累托優化的效用
12.3 小結
第四部分 學習算法
第13章 選擇性集成
13.1 選擇性集成
13.2 E算法
13.3 理論分析
13.4 實驗測試
13.5 小結
第14章 子集選擇
14.1 子集選擇
14.2 S算法
14.3 理論分析
14.4 實驗測試
14.5 小結
第15章 子集選擇：次模優選化
15.1 單調k次模函數優選化
15.2 POkSM算法
15.3 理論分析
15.4 實驗測試
15.5 小結
第16章 子集選擇：比率最小化
16.1 單調次模函數的比率最小化
16.2 PORM算法
16.3 理論分析
16.4 實驗測試
16.5 小結
第17章 子集選擇：噪聲
17.1 帶噪子集選擇
17.2 PONSS算法
17.3 理論分析
17.4 實驗測試
17.5 小結
第18章 子集選擇：加速
18.1 P S算法
18.2 理論分析
18.3 實驗測試
18.4 小結
附錄A：證明
參考文獻

演化學習利用演化算法求解機器學習中的復雜優化問題，在實踐中取得了許多成功，但因其缺少堅實的理論基礎，在很長時期內未獲得機器學習社區的廣泛接受。本書主要內容為三位作者在這個方向上過去二十年中主要工作的總結。 全書共18章，分為四個部分：第一部分（第1～2章）簡要介紹演化學習和一些關於理論研究的預備知識；第二部分（第3～6章）介紹用於分析運行時間復雜度和逼近能力這兩個演化學習的基本理論性質的通用工具；第三部分（第7～12章）介紹演化學習關鍵因素對算法性能影響的一繫列理論結果，包括交叉算子、解的表示、非準確適應度評估、種群的影響等；第四部分（第13～18章）介紹一繫列基於理論結果啟發的具有一定理論保障的演化學習算法。本書適合對演化學習感興趣的研究人員、學生和實踐者閱讀。書中第二部分內容或可為有興趣進一步探索演化學習理論基礎的讀者提供分析工具，第三部分內容或有助於讀者進一步理解演化學習過程等