自然计算，通常是一类具有自适应、自组织、自学习能力的模型与算法，能够解决传统计算方法难以解决的各种复杂问题，是计算机科学与人工智能领域中重要的研究内容之一。遗传算法等经典自然计算方法从诞生至今已经各自演变成相对独立的人工智能研究领域，半个多世纪以来不断得到改进，衍生出众多新方法，并且在不同的科学和工程领域得到了成功的应用。
杂种优势是遗传基础不同的两个亲本杂交产生的杂种在某些性状上优于其亲本的生物学现象。根据杂种优势的原理，通过育种手段的改进和创新，可以使产品获得显著增长。受杂交优势理论和著名三系法杂交水稻育种技术的启发，著者团队提出了一种新型的自然计算方法——杂交水稻优化算法，并将其用于部分经典机器学习算法优化问题求解，以获得性能更为优良的算法。
本书可作为计算机科学与技术相关专业研究生及高年级本科生的教材，也可作为相关科研人员的参考书。

第1章 智能优化算法与机器学习
1.1 研究背景
1.2 国内外研究现状
1.2.1 智能优化算法在聚类分析中的应用
1.2.2 智能优化算法在常用分类器参数优化中的应用
1.2.3 智能优化算法在特征权重优化中的应用
1.2.4 智能优化算法在特征选择中的应用
1.2.5 智能优化算法在机器学习超参数优化中的应用
参考文献
第2章 杂交水稻优化算法概述
2.1 研究动机
2.2 杂种优势与杂交水稻优化算法
2.3 杂交水稻优化算法基本原理
2.3.1 三系法杂交水稻简介
2.3.2 杂交水稻优化算法设计基本思路
2.3.3 三系法杂交水稻优化算法的实现步骤
2.4 实验仿真与分析
2.5 本章小结
参考文献
第3章 基于种群划分改进的杂交水稻优化算法
3.1 改进杂交水稻优化算法的基本思路
3.2 改进杂交水稻优化算法的基准测试及分析
3.2.1 测试函数及其说明
3.2.2 实验仿真与分析
3.3 本章小结
参考文献
第4章 基于非支配排序的多目标杂交水稻优化算法
4.1 多目标优化概述
4.1.1 多目标优化问题的数学描述
4.1.2 多目标优化问题中的非支配解
4.2 多目标杂交水稻优化算法运行流程
4.3 多目标杂交水稻优化算法的编码与实现
4.4 多目标杂交水稻优化算法的寻优性能测试及分析
4.4.1 测试函数及其说明
4.4.2 实验仿真与分析
4.5 本章小结
参考文献
第5章 基于改进杂交水稻优化算法的聚类方法
5.1 聚类算法概述
5.1.1 聚类问题描述
5.1.2 聚类算法的有效性指标
5.2 基于改进杂交水稻优化算法的模糊C-means聚类方法
5.3 基于改进杂交水稻优化算法的聚类算法性能测试及分析
5.3.1 实验说明
5.3.2 公共数据集实验结果及其分析
5.3.3 遥感图像数据集聚类实验及分析
5.4 本章小结
参考文献
第6章 基于多目标杂交水稻优化算法的聚类方法
6.1 基于多目标杂交水稻优化的聚类方法
6.1.1 多目标杂交水稻优化算法聚类的基本思想
6.1.2 寻优结果的最终解选取策略
6.2 多目标杂交水稻优化聚类方法的实验及性能分析
6.2.1 实验说明
6.2.2 公共数据集实验结果及其分析
6.2.3 遥感图像数据集聚类实验及分析
6.3 本章小结
参考文献
第7章 基于杂交水稻优化算法的特征权重优化
7.1 分类器权重优化方法概述
7.2 基于杂交水稻优化算法加权的KNN分类器
7.2.1 KNN分类器的特征权重优化原理
7.2.2 基于杂交水稻优化算法WKNN分类算法
7.2.3 实验仿真与分析
7.3 基于杂交水稻优化算法加权的朴素贝叶斯分类器
7.3.1 基于朴素贝叶斯分类器的特征权重优化原理
7.3.2 基于杂交水稻优化算法加权的朴素贝叶斯分类器
7.3.3 实验仿真与分析
7.4 本章小结
参考文献
第8章 杂交水稻优化算法混合蚁群优化的特征选择
8.1 特征选择概述
8.1.1 特征选择框架
8.1.2 特征选择分类
8.1.3 特征相关性度量及分析
8.1.4 特征相关性计算
8.2 改进蚁群优化算法
8.2.1 并行模型
8.2.2 串行模型
8.3 基于特征相关性和改进蚁群优化算法的特征选择
8.3.1 启发因子设置
8.3.2 特征选择适应度函数
8.3.3 特征选择流程
8.4 实验仿真与分析
8.4.1 实验环境介绍
8.4.2 特征相关性实验结果分析
8.4.3 对比算法的特征选择实验结果分析
8.5 本章小结
参考文献
第9章 基于杂交水稻优化算法的纹理特征描述
9.1 常用遥感图像纹理特征概述
9.2 基于莱维飞行改进的杂交水稻优化算法
9.2.1 莱维飞行基本原理
9.2.2 基于莱维飞行机制改进杂交水稻优化算法的具体步骤
9.3 基于改进杂交水稻优化算法优化的Tuned模板
9.3.1 Tuned模板纹理特征概述
9.3.2 基于改进杂交水稻优化算法的Tuned模板训练
9.3.3 实验仿真与分析
9.4 本章小结
参考文献
第10章 基于杂交水稻优化算法优化支持向量机的图像分类
10.1 支持向量机概述
10.2 基于改进杂交水稻优化算法的支持向量机
10.2.1 提出的支持向量机参数优化方法
10.2.2 实验仿真与分析
10.3 基于改进杂交水稻算法的支持向量机整体优化
10.3.1 支持向量机整体优化
10.3.2 支持向量机整体优化方法
10.3.3 实验仿真与分析
10.4 本章小结
参考文献
第11章 基于改进杂交水稻优化算法的胶囊网络优化
11.1 胶囊网络概述
11.1.1 胶囊网络基本概念
11.1.2 胶囊网络结构
11.2 基于改进杂交水稻优化算法的胶囊网络优化方法
11.2.1 基于遗传搜索改进的杂交水稻优化算法
11.2.2 基于遗传搜索杂交水稻优化算法的胶囊网络结构编码
11.2.3 基于遗传搜索杂交水稻优化算法的胶囊网络算法步骤
11.3 实验仿

机器学习是人工智能的核心领域之一，当前机器学
习的发展已成为新一轮人工智能热潮的主要推动力，受
到业界的高度关注。机器学习算法受模型和参数的影响
，因此建立理想机器学习模型面临各种问题。机器学习
训练过程中经常涉及的优化问题，往往具有不可导、不
连续、大量局部极值、多目标等性质，对优化方法提出
了挑战。近年来，智能优化算法在工程应用和机器学习
优化训练中越来越受欢迎，因为它们具有依赖相对简单
的概念并且易于实现、不需要梯度信息、可绕过局部最
优、可用于涵盖不同学科的广泛问题等优势。
杂交水稻优化算法是在著名三系法杂交水稻育种机
制和杂种优势的启发下，由著者团队提出的一种新型智
能优化算法，该算法具有优化能力强、收敛速度快等优
点。本书尝试探索杂交水稻优化算法在各种机器学习算
法优化中的应用，为机器学习模型高效优化提供新的思
路。
本书围绕杂交水稻优化算法及其在典型机器学习算
法优化中的应用展开，内容包括杂交水稻优化算法基本
原理、基于种群划分改进的杂交水稻优化算法、基于非
支配排序的多目标杂交水稻优化算法、基于改进杂交水
稻优化算法的聚类方法、基于多目标杂交水稻优化算法
的聚类方法、基于杂交水稻优化算法的特征权重优化、
杂交水稻优化算法混合蚁群优化的特征选择、基于杂交
水稻优化算法的纹理特征描述、基于杂交水稻优化算法
优化支持向量机的图像分类、基于改进杂交水稻优化算
法的胶囊网络优化等。
参加本书相关专题研究工作的有叶志伟、王明威、
周雯，感谢湖北工业大学工业大数据与人工智能一级学
术团队马烈、杨娟、张旭、金灿、舒哲、闫春艳、李瑞
成、刘诗芹、袁建裕、张闻其、夏小鱼、秦泽青、兰武
洋、李睿涵、罗俊、马帆等为本书所做的贡献。刘伟、
宗欣露、严灵毓、苏军、蔡婷、徐川等参加了本书的校
对工作。
本书是国家自然科学基金（项目批准号：62376089
、41901296、61772180）、湖北省重点研发计划（项
目编号：2023BEB024）、西宁市“引才聚才555计划”
（智慧城市大数据分析与决策支持团队）等研究工作的
成果汇编。此外，本书撰写过程中参考了国内外相关研
究成果，在此谨表示诚挚的谢意！最后，衷心感谢湖北
工业大学对著者的帮助和支持！
由于著者水平有限，书中不妥之处在所难免，敬请
读者批评指正。
著 者
2023年12月于武汉
湖北工业大学计算机学院
湖北工业大学大数据与人工智能产业学院
湖北省中小企业工业大数据工程技术研究中心