مشخصات کتاب

Deep Statistical Comparison for Meta-heuristic Stochastic Optimization Algorithms

ویرایش:  
نویسندگان: Tome Eftimov. Peter Korošec  
سری: Natural Computing Series 
ISBN (شابک) : 3030969169, 9783030969165 
ناشر: Springer 
سال نشر: 2022 
تعداد صفحات: 140
[141] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 Mb 

در صورت تبدیل فایل کتاب Deep Statistical Comparison for Meta-heuristic Stochastic Optimization Algorithms 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 مقایسه عمیق آماری برای الگوریتم‌های بهینه‌سازی تصادفی فراابتکاری 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.

توضیحاتی در مورد کتاب مقایسه عمیق آماری برای الگوریتم‌های بهینه‌سازی تصادفی فراابتکاری

این کتاب با تمرکز بر مقایسه‌های جامع عملکرد الگوریتم‌های بهینه‌سازی تصادفی، مروری بر رویکردهای فعلی مورد استفاده برای تجزیه و تحلیل عملکرد الگوریتم در طیف وسیعی از سناریوهای رایج ارائه می‌کند، در حالی که به مسائلی نیز می‌پردازد که اغلب نادیده گرفته می‌شوند. به نوبه خود، نشان می دهد که چگونه می توان با استفاده از اصولی که مقایسه عمیق آماری و انواع آن را ایجاد کرده است، از این مسائل به راحتی اجتناب کرد. تمرکز بر تجزیه و تحلیل های آماری است که با استفاده از داده های بهینه سازی تک هدفه و چند هدفه انجام می شود. در پایان کتاب، نمونه‌هایی از ابزار آموزش الکترونیکی مبتنی بر وب سرویس (DSCTool) ارائه شده است. این ابزار تمام عملکردهای مورد نیاز برای انجام تحلیل های مقایسه آماری قوی در سناریوهای آماری مختلف را در اختیار کاربران قرار می دهد. این کتاب برای تازه واردان به این رشته و محققان با تجربه در نظر گرفته شده است. برای تازه واردان، اصول بهینه سازی و تجزیه و تحلیل آماری را پوشش می دهد و قبل از معرفی رویکرد مقایسه آماری عمیق، آنها را با موضوع آشنا می کند. محققان باتجربه می توانند به سرعت به سمت محتوا در رویکردهای آماری جدید بروند. این کتاب به سه بخش تقسیم می شود: بخش اول: مقدمه ای بر بهینه سازی، محک زدن، و تجزیه و تحلیل آماری - فصل های 2-4. بخش دوم: مقایسه آماری عمیق الگوریتم‌های بهینه‌سازی تصادفی فراابتکاری - فصل‌های 5-7. بخش سوم: پیاده سازی و به کارگیری مقایسه عمیق آماری – فصل 8.

توضیحاتی درمورد کتاب به خارجی

Focusing on comprehensive comparisons of the performance of stochastic optimization algorithms, this book provides an overview of the current approaches used to analyze algorithm performance in a range of common scenarios, while also addressing issues that are often overlooked. In turn, it shows how these issues can be easily avoided by applying the principles that have produced Deep Statistical Comparison and its variants. The focus is on statistical analyses performed using single-objective and multi-objective optimization data. At the end of the book, examples from a recently developed web-service-based e-learning tool (DSCTool) are presented. The tool provides users with all the functionalities needed to make robust statistical comparison analyses in various statistical scenarios. The book is intended for newcomers to the field and experienced researchers alike. For newcomers, it covers the basics of optimization and statistical analysis, familiarizing them with the subject matter before introducing the Deep Statistical Comparison approach. Experienced researchers can quickly move on to the content on new statistical approaches. The book is divided into three parts: Part I: Introduction to optimization, benchmarking, and statistical analysis – Chapters 2-4. Part II: Deep Statistical Comparison of meta-heuristic stochastic optimization algorithms – Chapters 5-7. Part III: Implementation and application of Deep Statistical Comparison – Chapter 8.

فهرست مطالب

Foreword
Preface
	Book Content
	Intended Audience
	Expected Background Knowledge
	Book Outline
	Acknowledgments
Contents
Acronyms
1 Introduction
	1.1 Motivation
	1.2 Meta-heuristic Stochastic Optimization
	1.3 Benchmarking Theory
	1.4 Introduction to Statistical Analysis
	1.5 Approaches to Statistical Comparisons Used  for Stochastic Optimization Algorithms
	1.6 The Deep Statistical Comparison in Single-Objective Optimization
	1.7 The Deep Statistical Comparison in Multi-objective Optimization
	1.8 DSCTool—A Web-Service-Based e-Learning Tool
2 Meta-heuristic Stochastic Optimization
	2.1 Optimization
		2.1.1 Combinatorial Optimization
		2.1.2 Numerical Optimization
	2.2 Optimization Problem
		2.2.1 Single-Objective Optimization Problem
		2.2.2 Multi-objective Optimization Problem
	2.3 Heuristics
		2.3.1 Exact Heuristics
		2.3.2 Stochastic Heuristics
	2.4 Meta-heuristics
	2.5 Summary
3 Benchmarking Theory
	3.1 Benchmarking
	3.2 Objectives of Benchmarking
	3.3 Problem Selection
		3.3.1 Real-World Problems
		3.3.2 Artificial Problems
	3.4 Algorithm Selection
	3.5 Experimental Design
	3.6 Statistical Analysis
	3.7 Summary
4 Introduction to Statistical Analysis
	4.1 Statistical Analysis
	4.2 Exploratory Data Analysis
	4.3 Hypothesis Testing
		4.3.1 Parametric Versus Non-parametric Statistical Tests
		4.3.2 Statistical Scenarios
	4.4 Benchmarking Scenarios
	4.5 Guidelines to Select a Relevant Omnibus Statistical Test
	4.6 Summary
5 Approaches to Statistical Comparisons Used for Stochastic Optimization Algorithms
	5.1 Most Commonly Used Approach
		5.1.1 Single-Problem Scenario
		5.1.2 Multiple-problem Scenario
	5.2 Deep Statistical Comparison Approach
		5.2.1 Deep Statistical Comparison Ranking Scheme  for One-Dimensional Data
		5.2.2 Single-Problem Analysis
		5.2.3 Multiple-problem Analysis
	5.3 Summary
6 Deep Statistical Comparison in Single-Objective Optimization
	6.1 Statistical Significance
		6.1.1 Deep Statistical Comparison Ranking Scheme
		6.1.2 Examples
	6.2 Practical Significance
		6.2.1 Practical Deep Statistical Comparison Ranking Scheme
		6.2.2 Examples
	6.3 Extended Deep Statistical Comparison
		6.3.1 Extended Deep Statistical Comparison Ranking Scheme
		6.3.2 Examples
	6.4 Summary
7 Deep Statistical Comparison  in Multi-Objective Optimization
	7.1 Single-Quality-Indicator Analysis
		7.1.1 Examples
	7.2 Ensemble of Quality Indicator Analysis
		7.2.1 Average Ensemble
		7.2.2 Hierarchical Majority Vote Ensemble
		7.2.3 Data-Driven Ensemble
		7.2.4 Examples
	7.3 Multi-objective Deep Statistical Comparison
		7.3.1 Multi-Objective Deep Statistical Comparison Ranking Scheme
		7.3.2 Sensitivity Analysis of the Multivariate mathcalE-test
		7.3.3 Examples
	7.4 Summary
8 DSCTool—A Web-Service-Based e-Learning Tool
	8.1 DSCTool
	8.2 REST Web Services
		8.2.1 Registration Service
		8.2.2 Ranking Service
		8.2.3 Multivariate Service
		8.2.4 Ensemble Service
		8.2.5 Multi-objective Service
		8.2.6 Omnibus Service
		8.2.7 Post-Hoc Service
	8.3 Clients
		8.3.1 REST API Clients
		8.3.2 API Implementations in R
	8.4 Examples
	8.5 Summary
Appendix  References
Index

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Justice Transformation in Portugal

دانلود کتاب Philippians: Christ, the source of joy and strength

دانلود کتاب Dragonflies and Damselflies: Model Organisms for Ecological and Evolutionary Research

دانلود کتاب Auf den Schultern von Karl Marx

دانلود کتاب Déontologie, ou Science de la morale Tome I - Théorie