机器学习是伴随着人工智能理论和技术的发展而产生一个重要领域,也是其中发展最热门的领域之一。机器学习的目的不是寻找意识那么复杂和深奥,通俗讲,它是设计一种算法,可以让计算机进行学习。学习当然并不一定是指意识学习,而更像是从数据中寻找统计规律,或者发现一些模式。从这个角度讲,机器学习的问题可以分为两部分,其一是模型设计,其二是搜索算法,但核心问题仍然是搜索问题。基于此,本文主要分两个部分。第一部分着重讨论了搜索算法。重点讨论了进化计算特别是遗传算法,对影响遗传算法性能的诸多因素做了讨论,针对于最能决定算法性能的交叉算子,本文提出了一种改进的内外交叉结合的交叉算子,通过大量的标准函数的测试,实验结果显示该算子确实能提高算法的性能。从提出的交叉算子为出发点,尝试性的提出了一种基于个体组寻优的搜索算法,仿真结果显示该方法至少比SGA要好,但从算法的流程来讲,可以认为这是多种群遗传算法的一种特殊形式。在本部分的最后,又重新对进化计算的核心也是本质的一个问题一适应性的概念,从生态学与进化论的角度,以及对比于算法的特殊化设计,做了深入的讨论,并初步介绍了可能用以衡量这一指标的方法。第二部分讨论了机器学习的另一问题,模型的设计与训练。以分类器为例,从性能和效率的角度分析了为什么采用多学习机集成方法,并介绍了集成和训练的方法,如重采样技术。最后,在模型的训练中如何对庞大的训练数据集更有效更高效的利用,本文提出了一种基于寻找距离空间中边缘样本集的数据预处理方法,同时,也客观的指出了该方法可能存在的不足,并提出了可能的改进方法。