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 نویسی: زبان های برنامه نویسی ویرایش: 1ST نویسندگان: Jason Brownlee سری: ISBN (شابک) : 1446785068, 9781446785065 ناشر: LuLu سال نشر: 2011 تعداد صفحات: 436 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 3 مگابایت
کلمات کلیدی مربوط به کتاب الگوریتم های هوشمند دستور العمل های برنامه نویسی الهام گرفته از طبیعت: کتابخانه، ادبیات کامپیوتر، روبی / RoR
در صورت تبدیل فایل کتاب Clever Algorithms. Nature-Inspired Programming Recipes 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 هوشمند دستور العمل های برنامه نویسی الهام گرفته از طبیعت 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.
این کتاب راهنمای دستور العمل های الگوریتمی از زمینه های فراابتکاری، محاسبات الهام گرفته از بیولوژیکی و هوش محاسباتی را ارائه می دهد که به صورت کامل، منسجم و متمرکز شرح داده شده است. این توصیفات استاندارد شده با دقت طراحی شده اند تا در دسترس، قابل استفاده و قابل فهم باشند. بیشتر الگوریتمهای توصیف شده در این کتاب در اصل از سیستمهای بیولوژیکی و طبیعی الهام گرفته شدهاند، مانند قابلیتهای تطبیقی تکامل ژنتیکی و سیستم ایمنی اکتسابی، و رفتارهای جستجوی غذای پرندگان، زنبورها، مورچهها و باکتریها. این کتاب مرجع الگوریتم دایرهالمعارفی، برای دانشمندان، مهندسان، دانشجویان و علاقمندان آماتور در نظر گرفته شده است. هر توضیح الگوریتم یک مثال کد کاری در زبان برنامه نویسی Ruby ارائه می دهد.
This book provides a handbook of algorithmic recipes from the fields of Metaheuristics, Biologically Inspired Computation and Computational Intelligence that have been described in a complete, consistent, and centralized manner. These standardized descriptions were carefully designed to be accessible, usable, and understandable. Most of the algorithms described in this book were originally inspired by biological and natural systems, such as the adaptive capabilities of genetic evolution and the acquired immune system, and the foraging behaviors of birds, bees, ants and bacteria. An encyclopedic algorithm reference, this book is intended for research scientists, engineers, students, and interested amateurs. Each algorithm description provides a working code example in the Ruby Programming Language.
Foreword......Page 7
Preface......Page 9
I Background......Page 13
What is AI......Page 15
Problem Domains......Page 21
Unconventional Optimization......Page 25
Book Organization......Page 28
How to Read this Book......Page 31
Further Reading......Page 32
Bibliography......Page 33
II Algorithms......Page 39
Overview......Page 41
Random Search......Page 42
Adaptive Random Search......Page 46
Stochastic Hill Climbing......Page 51
Iterated Local Search......Page 55
Guided Local Search......Page 61
Variable Neighborhood Search......Page 67
Greedy Randomized Adaptive Search......Page 72
Scatter Search......Page 78
Tabu Search......Page 85
Reactive Tabu Search......Page 91
Overview......Page 99
Genetic Algorithm......Page 104
Genetic Programming......Page 111
Evolution Strategies......Page 120
Differential Evolution......Page 126
Evolutionary Programming......Page 132
Grammatical Evolution......Page 138
Gene Expression Programming......Page 146
Learning Classifier System......Page 153
Non-dominated Sorting Genetic Algorithm......Page 164
Strength Pareto Evolutionary Algorithm......Page 172
Overview......Page 179
Simulated Annealing......Page 181
Extremal Optimization......Page 187
Harmony Search......Page 194
Cultural Algorithm......Page 199
Memetic Algorithm......Page 205
Overview......Page 211
Population-Based Incremental Learning......Page 215
Univariate Marginal Distribution Algorithm......Page 220
Compact Genetic Algorithm......Page 224
Bayesian Optimization Algorithm......Page 228
Cross-Entropy Method......Page 236
Overview......Page 241
Particle Swarm Optimization......Page 244
Ant System......Page 250
Ant Colony System......Page 257
Bees Algorithm......Page 264
Bacterial Foraging Optimization Algorithm......Page 269
Overview......Page 277
Clonal Selection Algorithm......Page 282
Negative Selection Algorithm......Page 289
Artificial Immune Recognition System......Page 296
Immune Network Algorithm......Page 304
Dendritic Cell Algorithm......Page 311
Overview......Page 319
Perceptron......Page 323
Back-propagation......Page 328
Hopfield Network......Page 336
Learning Vector Quantization......Page 342
Self-Organizing Map......Page 348
III Extensions......Page 355
Advanced Topics......Page 357
Programming Paradigms......Page 358
Devising New Algorithms......Page 368
Testing Algorithms......Page 379
Visualizing Algorithms......Page 386
Problem Solving Strategies......Page 398
Benchmarking Algorithms......Page 412
IV Appendix......Page 423
Language Basics......Page 425
Ruby Idioms......Page 429
Bibliography......Page 431
Index......Page 433