دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: برنامه نويسي ویرایش: نویسندگان: Kinnear K.E.Jr. (ed.) سری: Complex Adaptive Systems ISBN (شابک) : 0262111888, 9780262111881 ناشر: MIT سال نشر: 1994 تعداد صفحات: 0 زبان: English فرمت فایل : CHM (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 3 مگابایت
در صورت تبدیل فایل کتاب Advances in genetic programming. 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 برنامه ریزی ژنتیکی 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.
علاقه فزاینده ای به برنامه نویسی ژنتیکی هم توسط محققان و هم توسعه دهندگان نرم افزار حرفه ای وجود دارد. این بیست و دو مشارکت دعوت شده نشان می دهد که چگونه می توان با استفاده از این پارادایم جدید طیف گسترده ای از مشکلات در رشته ها را حل کرد. پیشرفت در برنامه نویسی ژنتیک نتایج قابل توجهی را در بهبود قدرت برنامه ریزی ژنتیکی گزارش می دهد و تکنیک هایی را ارائه می دهد که می توانند بلافاصله در حل مسائل پیچیده به کار گرفته شوند. مشکلات در بسیاری از زمینه ها، از جمله یادگیری ماشین و شبیه سازی رفتار مستقل. زبانهای محبوبی مانند C و C++ در بسیاری از برنامهها و آزمایشها استفاده میشوند و نشان میدهند که چگونه برنامهنویسی ژنتیکی به زبانهای محاسباتی نمادین مانند LISP محدود نمیشود. محققانی که علاقه مند به شروع برنامه نویسی ژنتیکی هستند، اطلاعاتی در مورد چگونگی شروع، کد دامنه عمومی در دسترس، و نحوه تبدیل شدن به بخشی از جامعه برنامه نویسی ژنتیکی فعال از طریق پست الکترونیکی پیدا خواهند کرد. تمرکز اصلی کتاب بر بهبود قدرت برنامه ریزی ژنتیکی نتایج تجربی در زمینههای مختلفی از جمله افزودن حافظه به برنامهریزی ژنتیکی، استفاده از محلی بودن و \"demes\" برای حفظ تنوع تکاملی، اجتناب از تلههای بهینه محلی با استفاده از تکامل همزمان، استفاده از نویز برای افزایش کلیت، و محدود کردن اندازه ارائه شده است. از راهحلهای تکاملیافته برای بهبود کلیت. نتایج نظری قابلتوجهی در درک فرآیندهای زیربنایی برنامهریزی ژنتیکی، و نتایج متعددی در زمینه تعریف تابع خودکار ارائه شدهاند. افزایش عملکرد با تغییر مستقیم کد ماشین نشان داده می شود و مسائل پیاده سازی و طراحی برای برنامه نویسی ژنتیکی در C++ مورد بحث قرار می گیرد.
There is increasing interest in genetic programming by both researchers and professional software developers. These twenty-two invited contributions show how a wide variety of problems across disciplines can be solved using this new paradigm.Advances in Genetic Programming reports significant results in improving the power of genetic programming, presenting techniques that can be employed immediately in the solution of complex problems in many areas, including machine learning and the simulation of autonomous behavior. Popular languages such as C and C++ are used in many of the applications and experiments, illustrating how genetic programming is not restricted to symbolic computing languages such as LISP. Researchers interested in getting started in genetic programming will find information on how to begin, on what public domain code is available, and on how to become part of the active genetic programming community via electronic mail.A major focus of the book is on improving the power of genetic programming. Experimental results are presented in a variety of areas, including adding memory to genetic programming, using locality and "demes" to maintain evolutionary diversity, avoiding the traps of local optima by using coevolution, using noise to increase generality, and limiting the size of evolved solutions to improve generality.Significant theoretical results in the understanding of the processes underlying genetic programming are presented, as are several results in the area of automatic function definition. Performance increases are demonstrated by directly evolving machine code, and implementation and design issues for genetic programming in C++ are discussed.