本书旨在为包括研究生和工业从业者在内的研究人员提供有关为数据驱动的进化优化而开发的**方法的全面描述。本书共分12章，第1~4章简要介绍了优化、进化计算和机器学习中精心挑选的重要主题和方法。第5章提供了数据驱动优化的基础知识，包括启发式算法和基于获取函数的代理模型管理。第6章介绍使用多个代理模型进行单目标优化的方法。第7~8章中描述用于求解多目标和多目标优化算法的代表性进化算法以及代理模型辅助数据驱动的进化多目标和多目标优化。第9章详细阐述了高维数据驱动优化的方法。第10章描述迁移学习和迁移优化。第11章讨论离线数据驱动的进化优化，以翼型设计优化等实际优化问题为例、原油蒸馏优化和急救系统优化。最后，第12章强调了深度神经架构搜索作为数据驱动的昂贵优化问题。

金耀初，欧洲科学院院士，IEEE Fellow，IEEE计算智能学会主席，西湖大学工学院人工智能讲席教授、可信及通用人工智能实验室负责人。曾任德国比勒菲尔德大学洪堡人工智能教席教授，英国萨里大学计算科学系计算智能杰出讲席教授，自然计算与应用研究组主任。金耀初曾是芬兰国家技术创新局“芬兰杰出教授”。已出版专著5本，发表学术论文500余篇。论文被引用总次数超过4.6万，其中SCI引用超过2.5万，H-index为104，自2019年来连续5年入选科睿唯安“全球高被引科学家”。长期从事计算智能、人工智能、计算神经科学、计算生物学及形态发育自组织机器人等交叉学科的理论研究和工程应用。

前言 1999年，我从美国回到德国，在奥芬巴赫的本田欧洲研究所担任研究科学家职位，完成我的第二个博士学位，同时开始研究进化优化中的适应度近似。当时的动机是使用进化算法，特别是进化策略，通过设计定子或转子叶片的几何形状来优化涡轮发动机的空气动力学性能。为了完成这项任务，必须执行耗时的计算流体动力学模拟，这会让人们不用再进行数以万计的适应度评估，尽管这通常在进化优化中完成。为了减少进化空气动力学优化的时间消耗，机器学习模型(也称为元模型或代理模型)中的适应度近似开始发挥作用。我对这个研究课题非常感兴趣，因为它提供了一个很好的平台，将进化计算与神经网络相结合，这是我感兴趣的两个课题。出于这个原因，我努力在进化计算社区中推广这个新领域，并且在我2010年加入萨里大学后一有机会就继续研究这个主题。 在过去的二十年里，进化优化中的适应度近似（也称为代理模型辅助进化优化）已经发展成为一个非常具有吸引力的研究领域，现在被称为数据驱动的进化优化。数据驱动的进化优化侧重于一类现实世界的优化问题，其中无法为目标或约束建立分析数学函数。一般来说，数据驱动的优化可能包括以下几种情况。首先，基于模拟的优化，其中解的质量通过迭代、计算密集型过程进行评估，适用范围从数值求解大量微分方程到在大量数据集上训练深度神经网络。其次，基于物理实验的优化，其中候选解的目标或约束值只能通过执行物理或模拟人体实验来评估。这通常是因为对整个系统进行高质量的计算机模拟是不可能的，要么是因为计算量太大（例如，对整个飞机的空气动力学进行数值模拟），要么是因为对过程尚未完全理解而难以处理（例如，人类决策过程...