PART 1 最佳化演算法的全貌

Chapter 01 最佳化技術導論與相關背景

1.1 最佳化究竟是什麼？

1.2 最佳化演算法的 5W1H

1.3 最佳化的核心理念與方法類型



Chapter 02 啟發式演算法介紹與應用

2.1 啟發式演算法種類介紹

2.2 基於粒子（生物行為）的演算法原理介紹

2.3 基於粒子（生物學）的演算法原理介紹

2.4 基於進化的演算法原理介紹

2.5 基於人類行為的演算法原理介紹

2.6 基於機率模型的最佳化演算法介紹

2.7 小結

2.8 附錄：與 ChatGPT 協作

2.9 參考資料



PART 2 最佳化演算法評估與測試函數

Chapter 03 如何判斷演算法優劣？測試函數介紹

3.1 測試函數介紹

3.2 Sphere Function 介紹

3.3 Ackley Function 介紹

3.4 Levy Function 介紹

3.5 Cross-in-tray Function 介紹

3.6 Bukin Function 介紹

3.7 Rastrigin Function 介紹

3.8 Bohachevsky Function 介紹

3.9 Griewank Function 介紹

3.10 Schaffer Function N.2 介紹

3.11 小結

3.12 附錄：使用 ChatGPT 協助完成任務



PART 3 Python Optuna 模組介紹

Chapter 04 Optuna 模組基礎介紹

4.1 Optuna 介紹

4.2 第一個 Optuna 程式

4.3 Optuna 開發範例

4.4 Optuna 進階 API 功能介紹



Chapter 05 Auto ML Optuna 實作

5.1 最佳化機器學習模型

5.2 最佳化 MLP

5.3 最佳化 CNN

5.4 最佳化 GAN

5.5 與 ChatGPT 協作

5.6 小結



PART 4 Python MealPy 模組介紹

Chapter 06 MealPy 模組基礎介紹

6.1 MealPy 介紹

6.2 第一個 MealPy 程式

6.3 MealPy 開發範例

6.4 MealPy 進階 API 功能介紹



Chapter 07 MealPy 基礎實作

7.1 最佳化機器學習模型

7.2 最佳化 MLP 與 CNN

7.3 最佳化 GAN

7.4 與 ChatGPT 協作



PART 5 最佳化技術進階延伸

Chapter 08 最佳化在其他領域的實作

8.1 工業製程參數最佳化

8.2 車輛路線規劃最佳化

8.3 Diffusion 模型生成最佳化



Chapter 09 最佳化在其他領域的案例

9.1 強化學習中的策略最佳化

9.2 Diffusion 模型的最佳化應用

9.3 Prompt Optimization：讓 LLM 更懂你想要的

9.4 RAG 設計與資訊檢索策略優化



Chapter 10 其他可應用最佳化的工具模組

10.1 scikit-learn

10.2 Keras Tuner

10.3 MealPy Tuner

10.4 NiaPy

10.5 Nevergrad

10.6 BayesianOptimization

10.7 DEAP（Distributed Evolutionary Algorithms in Python）



?