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
ویرایش: [1 ed.]
نویسندگان: Leonardo Azevedo Scardua
سری:
ISBN (شابک) : 9780367263133, 9780429298028
ناشر: CRC Press
سال نشر: 2021
تعداد صفحات: [254]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 7 Mb
در صورت تبدیل فایل کتاب Applied Evolutionary Algorithms for Engineers using Python 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 الگوریتم های تکاملی کاربردی برای مهندسان با استفاده از پایتون 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.
Applied Evolutionary Algorithms for Engineers with Python برای دانشجویان، دانشمندان و مهندسانی نوشته شده است که نیاز به استفاده از الگوریتم های تکاملی برای مسائل بهینه سازی عملی دارند. ارائه پسزمینه نظری با پیادهسازی آموزشی Python از الگوریتمهای تکاملی که محققان اخیراً برای مسائل بهینهسازی پیچیده اعمال کردهاند، تکمیل میشود. مواردی از کاربرد موفقیتآمیز الگوریتمهای تکاملی در مسائل بهینهسازی مانند دنیای واقعی، همراه با کد منبع ارائه شدهاند که به خواننده اجازه میدهد تا بینشی در مورد ویژگیهای خاص کاربرد عملی الگوریتمهای تکاملی به دست آورد. ویژگی های کلیدی شامل توضیحات مفصلی از پارادایم های الگوریتم تکاملی است پیاده سازی های آموزشی الگوریتم ها را در پایتون، یک زبان برنامه نویسی که به طور گسترده توسط جامعه هوش مصنوعی پذیرفته شده است، ارائه می دهد. در مورد کاربرد الگوریتم های تکاملی در مسائل بهینه سازی دنیای واقعی بحث می کند موارد موفقی از کاربرد الگوریتم های تکاملی در مسائل پیچیده بهینه سازی را با کد منبع کمکی ارائه می دهد.
Applied Evolutionary Algorithms for Engineers with Python is written for students, scientists and engineers who need to apply evolutionary algorithms to practical optimization problems. The presentation of the theoretical background is complemented with didactical Python implementations of evolutionary algorithms that researchers have recently applied to complex optimization problems. Cases of successful application of evolutionary algorithms to real-world like optimization problems are presented, together with source code that allows the reader to gain insight into the idiosyncrasies of the practical application of evolutionary algorithms. Key Features Includes detailed descriptions of evolutionary algorithm paradigms Provides didactic implementations of the algorithms in Python, a programming language that has been widely adopted by the AI community Discusses the application of evolutionary algorithms to real-world optimization problems Presents successful cases of the application of evolutionary algorithms to complex optimization problems, with auxiliary source code.