برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید

09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Advances in evolutionary algorithms

دانلود کتاب پیشرفت در الگوریتم های تکاملی

مشخصات کتاب

Advances in evolutionary algorithms

دسته بندی: الگوریتم ها و ساختارهای داده
ویرایش: In-Tech 
نویسندگان: Kosinski W.  
سری:  
ISBN (شابک) : 9537619117 
ناشر:  
سال نشر: 2008 
تعداد صفحات: 476 
زبان: English 
فرمت فایل : DJVU (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 7 مگابایت

قیمت کتاب (تومان) : 36,000

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 18

در صورت تبدیل فایل کتاب Advances in evolutionary algorithms به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب پیشرفت در الگوریتم های تکاملی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.

توضیحاتی در مورد کتاب پیشرفت در الگوریتم های تکاملی

در طول 25 سال گذشته بهینه سازی چند هدفه مورد توجه محققان بوده است. به دلیل اهمیت و کاربرد عملی بهینه‌سازی چندهدفه به عنوان طبیعی‌ترین روش تصمیم‌گیری و روش بهینه‌سازی زندگی واقعی، افزایش علایق محققین در این حوزه علمی، پیامد طبیعی و گسترش تحقیقات قبلی در زمینه تک هدفه بود. تکنیک های بهینه سازی متأسفانه، هنگام جست‌وجوی تقریب مرز پارتو، روش‌های محاسباتی کلاسیک اغلب برای بسیاری از مسائل تصمیم‌گیری (واقعی) ناکارآمد هستند. مدل‌های مربوطه خیلی پیچیده هستند یا فرمول‌های اعمال‌شده خیلی پیچیده هستند، یا حتی ممکن است اتفاق بیفتد که برخی از فرمول‌ها باید در مواجهه با ناپایداری عددی حل‌کننده‌های موجود رد شوند. همچنین، به دلیل چنین ویژگی بهینه‌سازی چند هدفه (به ویژه زمانی که - مانند مورد ما - بهینه‌سازی چند هدفه را به معنای پارتو در نظر می‌گیریم) که به دنبال مجموعه‌ای از راه‌حل‌های غیرقابل تسلط هستیم تا یک راه‌حل واحد. راه حل - توجه ویژه ای به تکنیک های بهینه سازی مبتنی بر جمعیت شده است و اگر چنین است، مهم ترین تکنیک ها در اینجا روش های مبتنی بر تکامل هستند. تحقیق در مورد استفاده از روش‌های مبتنی بر تکامل برای حل وظایف بهینه‌سازی چند هدفه منجر به توسعه یک زمینه علمی کاملاً جدید (و اکنون معمولاً و بسیار شناخته شده) شد: بهینه‌سازی چند هدفه تکاملی (EMOO). برای تایید جملات فوق، ذکر آماری در مورد حداقل تعداد مقالات کنفرانس و مجلات، پایان نامه دکتری، کنفرانس ها، کتاب ها و غیره که به EMOO اختصاص یافته و در http://delta.cs.cinvestav.mx/~coello موجود است کافی است. /EMOO. پس از اولین مرحله تحقیق در مورد EMOO که الگوریتم های زیادی پیشنهاد شد1، همزمان با معرفی دو الگوریتم مهم EMOO در اوایل دهه 2000.

توضیحاتی درمورد کتاب به خارجی

During last 25 years multi-objective optimization has been in the limelight of researchers. Because of practical importance and applications of multi-objective optimization as the most natural way of decision making and real-life optimizing method--growing interests of researchers in this very field of science was a natural consequence and extension of previous research on single-objective optimization techniques. Unfortunately, when searching for the approximation of the Pareto frontier, classical computational methods often prove ineffective for many (real) decision problems. The corresponding models are too complex or the formulas applied too complicated, or it can even occur that some formulations must be rejected in the face of numerical instability of available solvers. Also, because of such a specificity of multi-objective optimization (especially when--as in our case--we are considering multi-objective optimization in the Pareto sense) that we are looking for the whole set of nondominated solutions rather than one single solution--the special attention has been paid on population-based optimization techniques and if so, the most important techniques turned out here to be evolutionary-based methods. Research on applying evolutionary-based methods for solving multi-objective optimization tasks resulted in developing a completely new (and now commonly and very well known) science field: evolutionary multi-objective optimization (EMOO). To confirm above sentences, it is enough to mention statistics regarding at least the number of conference and journal articles, PhD thesis, conferences, books etc. devoted to EMOO and available at http://delta.cs.cinvestav.mx/~coello/EMOO. After the first stage of research on EMOO when plenty of algorithms were proposed1, simultaneously with introducing in early 2000s two the most important EMOO algorithms.

فهرست مطالب

Part I......Page 1
1_Kosinski......Page 3
2_Affenzeller......Page 31
3_Caldas......Page 51
Part II......Page 73
4_Tenne......Page 75
5_Hwang......Page 99
6_Yeh......Page 121
7_Geem......Page 131
8_Kim......Page 147
9_Lin......Page 171
Part III......Page 185
10_Fernandes......Page 187
11_Areibi......Page 213
12_Drezewski......Page 237
13_Gaspar-Cunha......Page 267
14_Jimenez......Page 285
15_Nariman-zadeh......Page 303
16_Munetomo......Page 321
Part IV......Page 341
17_Brouard......Page 343
18_Panduro......Page 369
19_Gagne......Page 385
20_Chung......Page 409
21_Medina......Page 429
22_Mola......Page 451