توضیحاتی در مورد کتاب Iterative optimizers : difficulty measures and benchmarks
نام کتاب : Iterative optimizers : difficulty measures and benchmarks
عنوان ترجمه شده به فارسی : بهینه سازهای تکراری: معیارهای دشواری و معیارها
سری : Computer engineering series (London England)
نویسندگان : Clerc, Maurice
ناشر : ISTE Ltd. ; Hoboken : John Wiley & Sons
سال نشر : 2019
تعداد صفحات : 215
ISBN (شابک) : 9781119612360 , 1119612470
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 10 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 :
تقریباً هر ماه، یک الگوریتم بهینهسازی جدید پیشنهاد میشود که اغلب با این ادعا همراه است که از همه الگوریتمهایی که پیش از آن آمده بودند برتر است. با این حال، این ادعا عموماً مبتنی بر عملکرد الگوریتم در مجموعه خاصی از موارد آزمایشی است که لزوماً معرف انواع مشکلاتی نیست که الگوریتم در زندگی واقعی با آن مواجه خواهد شد. این کتاب تجزیه و تحلیل نظری و روشهای عملی را ارائه میکند (همراه با کدهای منبع) لازم برای تخمین دشواری مسائل در یک مجموعه آزمایشی، و همچنین برای ساخت آزمون سفارشی مجموعه های متشکل از مشکلات با دشواری های مختلف. این کتاب به طور رسمی یک نوع شناسی از مسائل بهینه سازی را ایجاد می کند، که از آن می توان یک مجموعه تست قابل اعتماد استنباط کرد. در عین حال، نشان میدهد که چگونه مجموعههای آزمایشی کلاسیک به نفع کلاسهای مختلف مسائل منحرف میشوند، و در نتیجه چگونه بهینهسازهایی که در مسائل تست عملکرد خوبی داشتهاند ممکن است در سناریوهای زندگی واقعی ضعیف عمل کنند. ادامه مطلب... چکیده: تقریباً هر ماه، یک الگوریتم بهینهسازی جدید پیشنهاد میشود که اغلب با این ادعا همراه است. برتر از همه کسانی است که قبل از آن آمده اند. با این حال، این ادعا عموماً مبتنی بر عملکرد الگوریتم در مجموعه خاصی از موارد آزمایشی است که لزوماً معرف انواع مشکلاتی نیست که الگوریتم در زندگی واقعی با آن مواجه خواهد شد. این کتاب تجزیه و تحلیل نظری و روشهای عملی (همراه با کدهای منبع) لازم برای تخمین دشواری مسائل در یک مجموعه آزمایشی و همچنین برای ساخت مجموعههای تست سفارشی متشکل از مسائل با دشواریهای مختلف را ارائه میکند. این کتاب به طور رسمی یک نوع شناسی از مسائل بهینه سازی را ایجاد می کند، که از آن می توان یک مجموعه تست قابل اعتماد استنباط کرد. در عین حال، نشان میدهد که چگونه مجموعههای آزمون کلاسیک به نفع کلاسهای مختلف مسائل منحرف میشوند، و در نتیجه چگونه بهینهسازهایی که در مسائل تست عملکرد خوبی داشتهاند ممکن است در سناریوهای زندگی واقعی ضعیف عمل کنند.
توضیحاتی در مورد کتاب به زبان اصلی :
Almost every month, a new optimization algorithm is proposed, often accompanied by the claim that it is superior to all those that came before it. However, this claim is generally based on the algorithm's performance on a specific set of test cases, which are not necessarily representative of the types of problems the algorithm will face in real life. This book presents the theoretical analysis and practical methods (along with source codes) necessary to estimate the difficulty of problems in a test set, as well as to build bespoke test sets consisting of problems with varied difficulties. The book formally establishes a typology of optimization problems, from which a reliable test set can be deduced. At the same time, it highlights how classic test sets are skewed in favor of different classes of problems, and how, as a result, optimizers that have performed well on test problems may perform poorly in real life scenarios. Read more... Abstract: Almost every month, a new optimization algorithm is proposed, often accompanied by the claim that it is superior to all those that came before it. However, this claim is generally based on the algorithm's performance on a specific set of test cases, which are not necessarily representative of the types of problems the algorithm will face in real life. This book presents the theoretical analysis and practical methods (along with source codes) necessary to estimate the difficulty of problems in a test set, as well as to build bespoke test sets consisting of problems with varied difficulties. The book formally establishes a typology of optimization problems, from which a reliable test set can be deduced. At the same time, it highlights how classic test sets are skewed in favor of different classes of problems, and how, as a result, optimizers that have performed well on test problems may perform poorly in real life scenarios