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: J. A. Lozano (auth.), Pedro Larrañaga, Jose A. Lozano (eds.) سری: Genetic Algorithms and Evolutionary Computation 2 ISBN (شابک) : 9781461356042, 9781461515395 ناشر: Springer US سال نشر: 2002 تعداد صفحات: 397 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 12 مگابایت
در صورت تبدیل فایل کتاب Estimation of Distribution Algorithms: A New Tool for Evolutionary Computation 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 تخمین الگوریتم های توزیع: ابزاری جدید برای محاسبات 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.
تخمین الگوریتمهای توزیع: ابزاری جدید برای محاسبات
تکاملیبه پارادایم جدیدی برای محاسبات تکاملی، به نام
تخمین الگوریتمهای توزیع (EDAs) اختصاص داده شده است. این دسته
جدید از الگوریتمها، الگوریتمهای ژنتیک را با جایگزینی
عملگرهای متقاطع و جهش با یادگیری و نمونهبرداری از توزیع
احتمال بهترین افراد جامعه در هر تکرار الگوریتم، تعمیم
میدهند. در چنین روشی، روابط بین متغیرهای درگیر در حوزه مشکل
به طور صریح و مؤثر گرفته شده و مورد بهره برداری قرار می
گیرد.
این متن اولین گردآوری و بررسی تکنیک ها و کاربردهای این ابزار
جدید برای انجام محاسبات تکاملی است. تخمین الگوریتم های
توزیع: ابزاری جدیدبرای محاسبات تکاملی به وضوح
به سه بخش تقسیم می شود. بخش اول به پایه های EDA اختصاص دارد.
در این بخش، پس از معرفی برخی مدلهای گرافیکی احتمالی -
شبکههای بیزی و گاوسی - مروری بر رویکردهای موجود EDA و همچنین
چند روش جدید مبتنی بر مدلهای گرافیکی احتمالی انعطافپذیرتر
ارائه میشود. یک مدلسازی ریاضی از EDAهای گسسته نیز ارائه شده
است. بخش دوم چندین کاربرد EDA ها را در برخی مسائل بهینه سازی
کلاسیک پوشش می دهد: مسئله فروشنده دوره گرد، مسئله زمان بندی
کار، و مسئله کوله پشتی. EDAها همچنین برای بهینه سازی برخی از
توابع ترکیبی و پیوسته شناخته شده استفاده می شوند. بخش سوم
کاربرد EDAها را برای حل برخی از مشکلاتی که در زمینه یادگیری
ماشین بوجود میآیند ارائه میکند: انتخاب زیر مجموعه ویژگی،
وزندهی ویژگی در طبقهبندیکنندههای K-NN، القای قوانین،
استنتاج ابداکتیو جزئی در شبکههای بیزی، خوشهبندی پارتیشن، و
جستجوی وزنهای بهینه. در شبکه های عصبی مصنوعی
تخمین الگوریتم های توزیع: ابزاری جدید برای محاسبات
تکاملییک ابزار مفید و جالب برای محققانی است که در
زمینه محاسبات تکاملی کار می کنند و برای مهندسانی که با واقعیت
روبرو هستند. -مشکلات بهینه سازی جهان این کتاب ممکن است مورد
استفاده دانشجویان تحصیلات تکمیلی و محققین علوم کامپیوتر نیز
قرار گیرد.
«... من از کسانی که به EDA علاقه مند هستند می خواهم که
اینکتاب خوش ساخت را امروز مطالعه کنند.» دیوید
ای. گلدبرگ، دانشگاه ایلینوی Champaign- اوربانا.
Estimation of Distribution Algorithms: A New Tool for
EvolutionaryComputation is devoted to a new
paradigm for evolutionary computation, named estimation of
distribution algorithms (EDAs). This new class of algorithms
generalizes genetic algorithms by replacing the crossover and
mutation operators with learning and sampling from the
probability distribution of the best individuals of the
population at each iteration of the algorithm. Working in
such a way, the relationships between the variables involved
in the problem domain are explicitly and effectively captured
and exploited.
This text constitutes the first compilation and review of the
techniques and applications of this new tool for performing
evolutionary computation. Estimation of Distribution
Algorithms: A NewTool for Evolutionary
Computation is clearly divided into three parts. Part I
is dedicated to the foundations of EDAs. In this part, after
introducing some probabilistic graphical models - Bayesian
and Gaussian networks - a review of existing EDA approaches
is presented, as well as some new methods based on more
flexible probabilistic graphical models. A mathematical
modeling of discrete EDAs is also presented. Part II covers
several applications of EDAs in some classical optimization
problems: the travelling salesman problem, the job scheduling
problem, and the knapsack problem. EDAs are also applied to
the optimization of some well-known combinatorial and
continuous functions. Part III presents the application of
EDAs to solve some problems that arise in the machine
learning field: feature subset selection, feature weighting
in K-NN classifiers, rule induction, partial abductive
inference in Bayesian networks, partitional clustering, and
the search for optimal weights in artificial neural
networks.
Estimation of Distribution Algorithms: A New Tool for
EvolutionaryComputation is a useful and
interesting tool for researchers working in the field of
evolutionary computation and for engineers who face
real-world optimization problems. This book may also be used
by graduate students and researchers in computer
science.
`... I urge those who are interested in EDAs to study
thiswell-crafted book today.' David E.
Goldberg, University of Illinois Champaign-Urbana.
Front Matter....Pages i-xxxiv
Front Matter....Pages 3-3
An Introduction to Evolutionary Algorithms....Pages 3-25
An Introduction to Probabilistic Graphical Models....Pages 27-56
A Review on Estimation of Distribution Algorithms....Pages 57-100
Benefits of Data Clustering in Multimodal Function Optimization via EDAs....Pages 101-127
Parallel Estimation of Distribution Algorithms....Pages 129-145
Mathematical Modeling of Discrete Estimation of Distribution Algorithms....Pages 147-163
Front Matter....Pages 165-165
An Empirical Comparison of Discrete Estimation of Distribution Algorithms....Pages 167-180
Experimental Results in Function Optimization with EDAs in Continuous Domain....Pages 181-194
Solving the 0-1 Knapsack Problem with EDAs....Pages 195-209
Solving the Traveling Salesman Problem with EDAs....Pages 211-229
Estimation of Distribution Algorithms Applied to the Job Shop Scheduling Problem: Some Preliminary Research....Pages 231-242
Solving Graph Matching with EDAs Using a Permutation-Based Representation....Pages 243-265
Front Matter....Pages 267-267
Feature Subset Selection by Estimation of Distribution Algorithms....Pages 269-293
Feature Weighting for Nearest Neighbor by Estimation of Distribution Algorithms....Pages 295-311
Rule Induction by Estimation of Distribution Algorithms....Pages 313-322
Partial Abductive Inference in Bayesian Networks: An Empirical Comparison Between GAs and EDAs....Pages 323-341
An Empirical Comparison Between K-Means, GAs and EDAs in Partitional Clustering....Pages 343-360
Adjusting Weights in Artificial Neural Networks using Evolutionary Algorithms....Pages 361-377
Back Matter....Pages 379-382