本书聚焦于模因计算，将其视为下一代搜索和优化设备的黄金标准，为读者提供过去四十年间模因计算不同发展阶段的客观评价。本书分为两部分。第一部分包括第二、三章，给出模因算法的整体概况，以人们最认可的形式，也就是将进化算法与一种或多种搜索机制相结构，形成的混合优化算法。第二部分包括第四至六章，着重关注新视角和理论进展，其目标是在互联网时代模因计算范式的综合实现。最后，第七章总结全书，并指出模因计算将来的研究方向。

目录

第 1 章 引言：模因论在计算领域的兴起

1.1 搜索和优化的模拟进化

1.1.1 进化计算的致命弱点

1.2 专家知识、学习和优化

1.2.1 综合模因计算的进阶之路

1.3 各章内容概述

参考文献

第一部分 手动设计的模因

第 2 章 经典模因算法

2.1 局部搜索和全局搜索

2.2 经典模因算法的伪代码

2.2.1 拉马克进化

2.2.2 鲍德温效应

2.3 数值实验的启示

2.3.1 实验建立

2.3.2 结果和讨论

参考文献

第 3 章 模因算法中数据驱动的自适应

3.1 自适应的元拉马克学习

3.1.1 子问题分解

3.1.2 与奖励成比例的轮盘赌选择

3.2 可进化性度量

3.2.1 可进化性的随机学习

3.3 模因复合体

3.3.1 模因复合体的表达

3.3.2 模因复合体网络权重的学习

3.4 高代价全局优化中的多代理

3.4.1 专家复合体

3.5 结论

参考文献

第二部分 机器设计的模因

第 4 章 模因自动机

4.1 多问题环境：一种新的优化场景

4.1.1 模因迁移的定性的可行性评估

4.1.2 搜索空间统一的重要性

4.2 模因的概率形式化

4.2.1 大规模、多样化的知识库的作用

4.3 多问题环境的分类

参考文献

第 5 章 问题间的时序知识迁移

5.1 概述

5.2 相关工作的回顾

5.3 通过混合建模实现模因集成

5.3.1 学习最优模型回归

5.3.2 理论分析

5.4 一种自适应模因迁移优化算法

5.5 数值实验

5.5.1 实例

5.5.2 实际案例研究

5.6 高代价函数优化中的知识迁移

5.6.1 针对回归迁移的混合建模

5.6.2 工程设计中的一项研究

参考文献

第 6 章 问题间的多任务知识迁移

6.1 概述

6.2 相关工作综述

6.3 自适应模因多任务优化算法

6.4 数值实验

6.4.1 实例

6.4.2 实际案例研究

参考文献

第 7 章 将来研究方向：压缩模因空间进化

7.1 基于分类的离散优化

7.2 基于神经网络的压缩表征

7.2.1 应用于背包问题

7.3 数值研究

7.4 小结

参考文献

附录

A.1 基于概率模型的优化算法