توضیحاتی در مورد کتاب Evolutionary Algorithms
نام کتاب : Evolutionary Algorithms
عنوان ترجمه شده به فارسی : الگوریتم های تکاملی
سری : Metaheuristics Set vol. 9
نویسندگان : Alain Petrowski, Sana Ben–Hamida
ناشر : ISTE / Wiley
سال نشر : 2017
تعداد صفحات : 241
ISBN (شابک) : 9781848218048
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 3 مگابایت
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
توضیحاتی در مورد کتاب :
الگوریتمهای تکاملی الگوریتمهایی با الهام از زیستشناسی هستند که بر اساس نظریه تکامل داروین هستند. از آنها انتظار می رود که راه حل های غیر بهینه اما با کیفیت خوب برای مشکلاتی که حل آنها با روش های دقیق غیر عملی است ارائه دهند. این کتاب در شش فصل، دانش ضروری مورد نیاز برای پیادهسازی کارآمد الگوریتمهای تکاملی را ارائه میکند. فصل 1 یک الگوریتم تکاملی عمومی و همچنین عملگرهای اساسی که آن را تشکیل میدهند، توضیح میدهد. فصل 2 به حل مسائل بهینه سازی پیوسته، بدون محدودیت اختصاص دارد. سه رویکرد پیشرو بر روی مجموعهای از توابع آزمایشی توصیف و مقایسه میشوند. فصل 3 مسائل بهینه سازی پیوسته را با محدودیت ها در نظر می گیرد. رویکردهای مختلف مناسب برای روش های تکاملی ارائه شده است. فصل 4 مربوط به بهینه سازی ترکیبی است. این یک کاتالوگ از اپراتورهای تنوع برای مقابله با مشکلات مبتنی بر سفارش فراهم می کند. فصل 5 مفاهیم اساسی مورد نیاز برای درک موضوع بهینه سازی چند هدفه و انواع رویکردها برای کاربرد آن را معرفی می کند. در نهایت، فصل 6 رویکردهای مختلف برنامهنویسی ژنتیکی را که قادر به تکامل برنامههای کامپیوتری در زمینه یادگیری ماشین هستند، توضیح میدهد.
توضیحاتی در مورد کتاب به زبان اصلی :
Evolutionary algorithms are bio-inspired algorithms based on Darwin’s theory of evolution. They are expected to provide non-optimal but good quality solutions to problems whose resolution is impracticable by exact methods. In six chapters, this book presents the essential knowledge required to efficiently implement evolutionary algorithms. Chapter 1 describes a generic evolutionary algorithm as well as the basic operators that compose it. Chapter 2 is devoted to the solving of continuous optimization problems, without constraint. Three leading approaches are described and compared on a set of test functions. Chapter 3 considers continuous optimization problems with constraints. Various approaches suitable for evolutionary methods are presented. Chapter 4 is related to combinatorial optimization. It provides a catalog of variation operators to deal with order-based problems. Chapter 5 introduces the basic notions required to understand the issue of multi-objective optimization and a variety of approaches for its application. Finally, Chapter 6 describes different approaches of genetic programming able to evolve computer programs in the context of machine learning.