Artificial Neural Nets and Genetic Algorithms: Proceedings of the International Conference in Alès, France, 1995

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 هستند منعکس شده است. مشارکت هایی وجود دارد که کاربردهای موفق فناوری را برای حل مشکلات صنعتی/تجاری گزارش می کند. این ممکن است به خوبی نشان‌دهنده بلوغ فناوری باشد، به ویژه به این معنا که کاربران واقعی تکنیک‌های مدل‌سازی/پیش‌بینی آماده هستند تا شبکه‌های عصبی را به عنوان یک پارادایم معتبر بپذیرند. مسائل نظری نیز مورد توجه قرار می گیرند، به ویژه در ارتباط با شبکه عصبی تابع پایه شعاعی. مشارکت‌ها در زمینه الگوریتم‌های ژنتیک، طیف گسترده‌ای از کاربردهای فعلی را منعکس می‌کند، به‌عنوان مثال، انتخاب نمونه کارها، طراحی فیلتر، تخصیص فرکانس، تنظیم کنترل‌کننده‌های غیرخطی PID. این تکنیک ها همچنین به طور گسترده برای مسائل بهینه سازی ترکیبی استفاده می شوند.

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 subjects of the contributions to this volume. There are contributions reporting successful applications of the technology to the solution of industrial/commercial problems. This may well reflect the maturity of the technology, notably in the sense that 'real' users of modelling/prediction techniques are prepared to accept neural networks as a valid paradigm. Theoretical issues also receive attention, notably in connection with the radial basis function neural network. Contributions in the field of genetic algorithms reflect the wide range of current applications, including, for example, portfolio selection, filter design, frequency assignment, tuning of nonlinear PID controllers. These techniques are also used extensively for combinatorial optimisation problems.