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近期新方法的全面描述。本书共分12章。为了本书的自足性，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6～8章介绍使用多个代理模型进行单目标优化的方法，其中第7章和第8章描述用于求解多目标和高维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高维多目标优化。第9章详细阐述了高维数据驱动优化的方法，介绍了在半监督学习的帮助下，将知识从未标记数据转移到标记数据，从廉价目标迁移到昂贵目标、从廉价问题迁移到昂贵问题的大量技术，迁移学习和迁移优化在第10章中进行了描述。由于数据驱动优化是一个强应用驱动的研究领域，因此第11章讨论了离线数据驱动的进化优化，并给出了实际优化问题，如原油蒸馏优化和急救系统优化的例子。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。

第1章 很优化导论
1.1 优化的定义
1.1.1 数学模型
1.1.2 凸优化
1.1.3 拟凸函数
1.1.4 全局和局部很优
1.2 优化问题的类型
1.2.1 连续与离散优化
1.2.2 无约束优化与约束优化
1.2.3 单目标优化与多目标优化
1.2.4 确定性优化与随机性优化
1.2.5 黑盒优化和数据驱动的优化
1.3 多目标优化
1.3.1 数学模型
1.3.2 Pareto很优性
1.3.3 偏好建模
1.3.4 偏好表示
1.4 优化中不确定性的处理
1.4.1 评价中的噪声
……