Artificial Neural Nets and Genetic Algorithms: Proceedings of the International Conference in Innsbruck, Austria, 1993

شبکه‌های عصبی مصنوعی و الگوریتم‌های ژنتیک هر دو حوزه‌های تحقیقاتی هستند که منشأ آن‌ها در مدل‌های ریاضی ساخته شده به منظور دستیابی به درک فرآیندهای طبیعی مهم است. با تمرکز بر مدل‌های فرآیند به جای خود فرآیندها، تکنیک‌های محاسباتی مهم جدیدی تکامل یافته‌اند که در تعداد زیادی از زمینه‌های متنوع کاربرد پیدا کرده‌اند. این تنوع در موضوعاتی که موضوع مشارکت در این جلد است، منعکس شده است. مشارکت‌هایی وجود دارد که تحولات نظری را در طراحی شبکه‌های عصبی و مدیریت یادگیری آنها گزارش می‌کنند. در تعدادی از مشارکت ها، برنامه های کاربردی برای وظایف تشخیص گفتار، کنترل فرآیندهای صنعتی و همچنین امتیازدهی اعتبار و غیره منعکس شده است. با توجه به الگوریتم‌های ژنتیک، چندین مقاله روش‌شناختی در نظر می‌گیرند که چگونه الگوریتم‌های ژنتیک را می‌توان با استفاده از یک رویکرد تجربی، و همچنین با ترکیب کردن با تکنیک‌های مفید دیگر مانند جستجوی تابو، بهبود بخشید. حوزه مرتبط نزدیک سیستم های طبقه بندی کننده نیز مقدار قابل توجهی از پوشش را دریافت می کند و هدف آن یافتن راه های بهتر برای پیاده سازی آنها است. علاوه بر این، در حالی که مشارکت‌های زیادی وجود دارد که راه‌هایی را بررسی می‌کند که در آن الگوریتم‌های ژنتیک می‌توانند برای مسائل واقعی اعمال شوند، تقریباً همه شامل درک زمینه‌ای هستند تا الگوریتم ژنتیک را با موفقیت‌تر به کار ببرند. این که واقعاً می‌توان این کار را انجام داد، با طیف وسیعی از برنامه‌های تحت پوشش در این جلد گواه است.

Artificial neural networks and genetic algorithms both are areas of research which have their origins in mathematical models constructed in order to gain understanding of important natural processes. By focussing on the process models rather than the processes themselves, significant new computational techniques have evolved which have found application in a large number of diverse fields. This diversity is reflected in the topics which are the subjects of contributions to this volume. There are contributions reporting theoretical developments in the design of neural networks, and in the management of their learning. In a number of contributions, applications to speech recognition tasks, control of industrial processes as well as to credit scoring, and so on, are reflected. Regarding genetic algorithms, several methodological papers consider how genetic algorithms can be improved using an experimental approach, as well as by hybridizing with other useful techniques such as tabu search. The closely related area of classifier systems also receives a significant amount of coverage, aiming at better ways for their implementation. Further, while there are many contributions which explore ways in which genetic algorithms can be applied to real problems, nearly all involve some understanding of the context in order to apply the genetic algorithm paradigm more successfully. That this can indeed be done is evidenced by the range of applications covered in this volume.