书中演化学习分析方法、选择性继承算法、子集选择等内容非常精彩，

    来不及一一跟大家分享。把本书的序分享给大家：

二十年前,本书第一作者与合作者提出了一种“选择性集成”学习方法,对于一组学习器,该方法能产生出仅包含少量个体、泛化性能却超越全体学习器集成的模型.该工作使用了一种常见演化算法——遗传算法.本书一作以为,演化算法这种强大的优化工具应能在许多机器学习任务中发挥作用.但机器学习领域有强烈的理论偏好,而当时演化算法几乎纯粹是“启发式”的:在不少情况下有效,但为何奏效、在何种条件下奏效却并不清楚,因此演化算法难以被主流机器学习界认可,相关论文甚至难以在机器学习主流渠道发表.本书一作被演化算法的应用成效鼓舞,相信其并非“魔法” ,必能建立起相应理论基础,于是决心开展这个方向的研究. 2004年,本书二作在一作指导下完成了关于选择性集成学习算法的本科毕业论文,到宁夏贫困地区支教一年后,成为一作的研究生加入该方向研究.他于2011年获博士学位,毕业论文有幸入选了全国百篇优秀博士学位论文和江苏省优秀博士学位论文.本书三作在2009年成为一作的研究生加入该方向研究,并于2015年获博士学位,毕业论文入选了中国人工智能学会优秀博士学位论文和江苏省优秀博士学位论文.本书主要内容就是三位作者在这个方向上过去二十年中主要工作的总结.全书由四部分组成.第一部分简要介绍演化学习,为分析“运行时间复杂度”和“逼近能力”这两个核心理论问题作准备.第二部分给出用于推导运行时间界的两种通用方法,以及用于刻画逼近性能的一个通用框架,它们是获得后续章节中许多理论结果的工具.第三部分是关于演化过程关键因素对算法性能影响的一系列理论结果,包括交叉算子、解的表示、非精确适应度评估、种群的影响等.第四部分回到选择性集成这个促使作者关心演化算法的起点,给出了性能优越且有理论支撑的算法,并对机器学习中广泛存在的“子集选择”问题给出了一系列有逼近性能保障的演化学习算法.书中第二部分内容或可为有兴趣进一步探索演化学习理论基础的读者提供分析工具,第三部分内容或有助于读者进一步理解演化学习过程并为新算法设计提供启发,第四部分内容或可为一些现实机器学习任务提供新的算法方案.本书英文版在斯普林格出版社问世后,国内许多同行兴趣甚浓,强烈建议出中文版,人民邮电出版社贺瑞君编辑亦盛情邀请,于是作者在年初抗疫“禁足”期间勉力转著以飨读者.本书的出版要感谢作者的家人、朋友、合作者,以及斯普林格出版社常兰兰女士和阿尔弗雷德·霍夫曼先生的支持.因作者学识浅陋、时间仓促,本书内容错谬之处在所难免,且先著英文后转中文,难免因“先入为主”而致表达僵滞,敬请读者诸君见谅、赐正.