集成学习作为一类泛化性能强大,稳定性好的机器学习方法已经被应用在很多现实场景中。然而,在构建集成模型的过程中,有以下两方面的任务需要处理:一是如何生成多样化且预测性能强的个体学习器;二是怎样将训练出的个体模型结合成最终的集成模型。生成的个体模型需要满足“好而不同”这两个相互制约与冲突的目标要求,提升其中一个目标的性能往往会牺牲另一个目标的性能。目前,有很多研究采用多目标进化算法来优化这两个冲突目标,但是多目标优化算法难以找到全部的最优解来训练出更多的最优个体模型,所以降低了集成的性能。因此,本文以多模态多目标优化算法为基础、极限学习机为个体学习器,研究了集成学习在构造个体模型与组合个体模型预测方面的问题。研究的具体内容如下:(1)针对多目标进化算法优化个体模型池生成时会出现丢失最优个体模型的问题,以及多模态多目标优化算法能够找到优化问题全部的最优解这一特点,本文提出了一种基于多模态多目标差分进化的个体模型池构建算法。首先,初始化种群,将特征与极限学习机的超参数组合编码为优化算法的个体决策变量;其次,训练一组极限学习机并计算适应度,以个体模型的预测误差和训练数据特征规模的大小作为评价指标;然后,使用进化算子更新种群;最后,迭代直到满足终止条件,得到此时种群训练的最优个体模型池。从UCI数据库中选取10个数据集对算法做测试实验,与传统多目标优化集成个体生成的方法对比,结果证明所提算法能寻找到更多更好的Pareto解,从而训练出更多的最优个体模型。(2)对于集成学习中的个体模型组合问题,本文提出了基于Pareto解的集成学习方法。首先,分析了合适的集成选择有利于降低集成模型的复杂度且不会降低集成的泛化性能。然后,基于多模态多目标差分进化算法优化生成的个体模型池,设计了3种集成选择方案:1)全Pareto集成;2)误差最小集成;3)互补增量集成。接下来,将选择出来的模型预测以多数投票的方式组合成最终的模型输出。最后,实验结果表明与现有的集成学习算法和特征选择算法相比,本文算法具有更好的泛化性能。(3)考虑到现实场景中,获取到的数据通常会出现类不平衡情况,本文对所提基于多模态多目标差分进化的集成学习方法进行了调整与改进,以个体模型的G-means和训练数据特征规模的大小为优化目标,加权极限学习机代替极限学习机作为个体学习器,设计了一种基于多模态多目标差分进化的集成加权极限学习机算法,并用于不平衡数据集的分类问题。从KEEL数据库中选择10个数据集对算法做实验,对比现有的不平衡数据分类算法,结果证明所提算法能获得更好的预测结果。