《Evolutionary Learning: Advances in Theories and Algorithms》为该书英文名，译为中文即：《演化学习：理论和算法的进展》。该书由由周志华教授、俞扬教授和钱超研究员三位共同完成，这里简单介绍一下三位：
周志华，现任南京大学计算机科学与技术系主任、南京大学计算机软件新技术国家重点实验室 常务副主任、机器学习与数据挖掘研究所 (LAMDA) 所长，校学术委员会委员。美国计算机学会(ACM)、美国科学促进会(AAAS)、国际人工智能学会 (AAAI) 、国际电气电子工程师学会 (IEEE) 、国际模式识别学会 (IAPR)、国际工程技术学会 (IET/IEE) 、中国计算机学会(CCF)、中国人工智能学会(CAAI) 等学会的会士 (Fellow)，欧洲科学院 外籍院士。南京市政府人工智能产业顾问、证监会科技监管专家咨询委员会委员、江苏省政协委员、江苏省青联副主席等。
主要从事人工智能、机器学习、数据挖掘 等领域的研究工作。主持多项科研课题，出版《机器学习》(2016)与《Ensemble Methods: Foundations and Algorithms》(2012)，在一流国际期刊和顶级国际会议发表论文百余篇，被引用三万余次。经常担任NIPS、ICML、AAAI、IJCAI、KDD等重要国际学术会议的领域主席。担任 中国计算机学会 常务理事、人工智能专业委员会主任，中国人工智能学会 常务理事，江苏省计算机学会副理事长，江苏省人工智能学会理事长，IEEE南京分部副主席。
周志华教授个人信息节选自：
http://cs.nju.edu.cn/zhouzh/zhouzh.files/resume_cn.htm
俞扬，博士，南京大学副教授，博士生导师。主要研究领域为人工智能、机器学习、强化学习。2011年8月加入南京大学计算机科学与技术系、机器学习与数据挖掘研究所（LAMDA）从事教学与科研工作。
曾获2013年全国优秀博士学位论文奖、2011年中国计算机学会优秀博士学位论文奖。发表论文40余篇，包括多篇Artificial Intelligence、IJCAI、AAAI、NIPS、KDD等人工智能、机器学习和数据挖掘国际顶级期刊和顶级会议论文。入选2018年IEEE Intelligent Systems杂志评选的AI’s 10 to Watch，获2018 PAKDD Early Career Award、2017年江苏省计算机学会青年科技奖。共同发起并主办了亚洲强化学习系列研讨会(AWRL)、中国演化计算与学习系列研讨会(ECOLE)，任人工智能领域国际顶级会议IJCAI’18领域主席、ICPR’18领域主席、ACML’17领域主席，任IEEE计算智能协会数据挖掘与大数据分析技术委员会委员、中国人工智能学会机器学习专委会委员、中国计算机学会人工智能与模式识别专委会委员，Artificial Intelligence、IJCAI、AAAI、KDD、ICML、NIPS、CVPR、ICCV等多个一流期刊的评审人和会议的程序委员。
俞扬教授个人信息节选自：
http://lamda.nju.edu.cn/yuy/cv_ch.ashx
钱超是中国科学技术大学副研究员。他的研究兴趣是人工智能，演化计算和机器学习。他在领先的国际期刊和会议论文集上发表了20多篇论文，包括人工智能，演化计算，IEEE 演化计算交易，Algorithmica，NIPS，IJCAI，AAAI等。他赢得了ACM GECCO 2011年度最佳论文奖（Theory Track）和IDEAL 2016年度最佳论文奖。他还曾担任IEEE计算智能学会（CIS）工作组“Theoretical Foundations of Bio-inspired Computation”的主席。
钱超研究员个人信息节选自：
http://staff.ustc.edu.cn/~chaoqian/
https://www.springer.com/cn/book/9789811359552#aboutAuthors
《Evolutionary Learning: Advances in Theories and Algorithms》简介
许多机器学习任务涉及解决复杂的优化问题，例如处理不可微分，非连续和非唯一的目标函数;在某些情况下，甚至难以定义明确的目标函数。演化学习（ Evolutionary learning ）应用演化算法来解决机器学习中的优化问题，并在许多应用中产生了令人满意的结果。然而，由于演化优化的启发性特征，迄今为止的大多数结果都是经验性的，缺乏理论支持。这个缺点使得进化学习不再受到机器学习社区的欢迎。
最近，为解决这个问题付出了相当大的努力。本书将分成系列来介绍这些努力，共分为四个部分：
第一部分：简要向读者介绍演化学习并提供了一些预备知识，
第二部分：介绍演化算法中运行时间和近似性能分析的一般理论工具。
第三部分：提出许多关于演化优化中主要因素的理论发现，例如recombination, representation, inaccurate fitness evaluation, and population。
第四部分讨论了演化学习算法的发展，为几个代表性任务提供了可证明的理论保证。
致谢
在此感谢周志华教授、俞扬教授和钱超研究员 整理这么棒的书籍！
书籍链接：点击查看