دانلود کتاب برنامه ریزی ژنتیکی: نهمین کنفرانس اروپایی، EuroGP 2006، بوداپست، مجارستان، 10-12 آوریل، 2006. مجموعه مقالات بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
نام کتاب : Genetic Programming: 9th European Conference, EuroGP 2006, Budapest, Hungary, April 10-12, 2006. Proceedings
ویرایش : 1
عنوان ترجمه شده به فارسی : برنامه ریزی ژنتیکی: نهمین کنفرانس اروپایی، EuroGP 2006، بوداپست، مجارستان، 10-12 آوریل، 2006. مجموعه مقالات
سری : Lecture Notes in Computer Science 3905
نویسندگان : Patrick LaRoche, A. Nur Zincir-Heywood (auth.), Pierre Collet, Marco Tomassini, Marc Ebner, Steven Gustafson, Anikó Ekárt (eds.)
ناشر : Springer-Verlag Berlin Heidelberg
سال نشر : 2006
تعداد صفحات : 371
ISBN (شابک) : 3540331433 , 9783540331438
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 7 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.
این کتاب مجموعه مقالات نهمین کنفرانس اروپایی برنامه ریزی ژنتیکی، EuroGP 2006، برگزار شده در بوداپست، مجارستان، در آوریل 2006، همراه با EvoCOP 2006 است.
21 مقاله عمومی اصلاح شده و 11 مقاله مقالات پوستر اصلاح شده به دقت بررسی و از بین 59 مورد ارسالی انتخاب شدند. این مقالات به مسائل بنیادی و نظری می پردازند، همراه با مقالات متنوعی که با حوزه های کاربردی مختلف، مانند علوم کامپیوتر، مهندسی، یادگیری ماشین، پیچیدگی کلموگروف، زیست شناسی و طراحی محاسباتی سروکار دارند، نشان می دهد که GP یک حل المسائل قدرتمند و کاربردی است. پارادایم.
This book constitutes the refereed proceedings of the 9th European Conference on Genetic Programming, EuroGP 2006, held in Budapest, Hungary, in April 2006, colocated with EvoCOP 2006.
The 21 revised plenary papers and 11 revised poster papers were carefully reviewed and selected from 59 submissions. The papers address fundamental and theoretical issues, along with a wide variety of papers dealing with different application areas, such as computer science, engineering, machine learning, Kolmogorov complexity, biology and computational design, showing that GP is a powerful and practical problem-solving paradigm.