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 نویسندگان: Angel E. Muñoz Zavala (auth.), Efrén Mezura-Montes (eds.) سری: Studies in Computational Intelligence 198 ISBN (شابک) : 9783642006180, 9783642006197 ناشر: Springer-Verlag Berlin Heidelberg سال نشر: 2009 تعداد صفحات: 272 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 5 مگابایت
کلمات کلیدی مربوط به کتاب مدیریت محدودیت ها در بهینه سازی تکاملی: کاربردی ریاضیات/روش های محاسباتی مهندسی، هوش مصنوعی (شامل رباتیک)
در صورت تبدیل فایل کتاب Constraint-Handling in Evolutionary Optimization 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 مدیریت محدودیت ها در بهینه سازی تکاملی 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.
یک تکنیک مدیریت محدودیت کارآمد و کافی یک عنصر کلیدی در طراحی الگوریتمهای تکاملی رقابتی برای حل مسائل پیچیده بهینهسازی است. این کتاب ویرایش شده مجموعه ای از پیشرفت های اخیر در تکنیک های الهام گرفته از طبیعت برای بهینه سازی عددی محدود را ارائه می دهد. این کتاب شش موضوع اصلی را پوشش میدهد: رویکردهای مبتنی بر هوش ازدحام، مطالعات در مورد تکامل تفاضلی، بهینهسازی محدود چندهدفه تکاملی، رویکردهای ترکیبی، کاربردهای دنیای واقعی و استفاده اخیر از سیستم ایمنی مصنوعی در بهینهسازی محدود. در این فصول، خواننده مطالعات مختلفی در مورد موضوعات تخصصی پیدا خواهد کرد، مانند: مکانیسم های ویژه برای تمرکز جستجو بر روی مرزهای منطقه امکان پذیر، ارتباط راه حل های غیرقابل اجرا در فرآیند جستجو، کنترل پارامترها در بهینه سازی محدود، ترکیبی از تکنیکهای برنامهریزی ریاضی و الگوریتمهای تکاملی در فضاهای جستجوی محدود و انطباق الگوریتمهای جدید الهامگرفته از طبیعت برای بهینهسازی عددی با محدودیتها.
\"Constraint-Handling in Evolutionary Optimization\" مرجع
مهمی برای محققان، پزشکان و دانشجویان در رشته هایی مانند بهینه
سازی، محاسبات طبیعی، تحقیق در عملیات، مهندسی و علوم کامپیوتر
است.
An efficient and adequate constraint-handling technique is a key element in the design of competitive evolutionary algorithms to solve complex optimization problems. This edited book presents a collection of recent advances in nature-inspired techniques for constrained numerical optimization. The book covers six main topics: swarm-intelligence-based approaches, studies in differential evolution, evolutionary multiobjective constrained optimization, hybrid approaches, real-world applications and the recent use of the artificial immune system in constrained optimization. Within the chapters, the reader will find different studies about specialized subjects, such as: special mechanisms to focus the search on the boundaries of the feasible region, the relevance of infeasible solutions in the search process, parameter control in constrained optimization, the combination of mathematical programming techniques and evolutionary algorithms in constrained search spaces and the adaptation of novel nature-inspired algorithms for numerical optimization with constraints.
"Constraint-Handling in Evolutionary Optimization" is an
important reference for researchers, practitioners and
students in disciplines such as optimization, natural
computing, operations research, engineering and computer
science.
Front Matter....Pages i-xvi
A Critical Review of Adaptive Penalty Techniques in Evolutionary Computation....Pages 1-27
Ruggedness Quantifying for Constrained Continuous Fitness Landscapes....Pages 29-50
Trust Regions in Surrogate-Assisted Evolutionary Programming for Constrained Expensive Black-Box Optimization....Pages 51-94
Ephemeral Resource Constraints in Optimization....Pages 95-134
Incremental Approximation Models for Constrained Evolutionary Optimization....Pages 135-156
Efficient Constrained Optimization by the $$\\varepsilon $$ ε Constrained Differential Evolution with Rough Approximation....Pages 157-180
Analyzing the Behaviour of Multi-recombinative Evolution Strategies Applied to a Conically Constrained Problem....Pages 181-204
Locating Potentially Disjoint Feasible Regions of a Search Space with a Particle Swarm Optimizer....Pages 205-230
Ensemble of Constraint Handling Techniques for Single Objective Constrained Optimization....Pages 231-248
Evolutionary Constrained Optimization: A Hybrid Approach....Pages 249-313
Back Matter....Pages 315-319