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: الگوریتم ها و ساختارهای داده ویرایش: First Printing نویسندگان: Thomas Bäck سری: ISBN (شابک) : 9780195099713, 0195099710 ناشر: Oxford University Press, USA سال نشر: 1996 تعداد صفحات: 160 زبان: English فرمت فایل : DJVU (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 4 مگابایت
در صورت تبدیل فایل کتاب Evolutionary Algorithms in Theory and Practice: Evolution Strategies, Evolutionary Programming, Genetic 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 الگوریتم های تکاملی در تئوری و عمل: استراتژی های تکامل ، برنامه نویسی تکاملی ، الگوریتم های ژنتیکی 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.
در مقایسه این کتاب با، مثلاً «الگوریتمهای ژنتیک...» گلدبرگ (ممکن است محبوبترین متن الگوریتم ژنتیک باشد)، این کتاب بیشتر شبیه یک پایاننامه توانبخشی آلمانی است (که من تصور میکنم ممکن است چنین بوده باشد). به نظر می رسد کتاب گلدبرگ بیشتر مقدمه ای ساده برای افراد ناآشنا از نظر ریاضی باشد. در واقع، کتاب بک با منابع مفید فراوان، کاملاً علمی به نظر میرسد، و مقدمه خوبی برای نه تنها الگوریتمهای ژنتیک، بلکه برای استراتژیهای تکاملی (پاردایمی که بیشترین کاربرد را در فضاهای جستجوی نوع اقلیدسی دارد) و برنامهنویسی تکاملی ارائه میکند. (شبیه به ES و نباید با برنامه ریزی ژنتیکی اشتباه گرفته شود). من فصل های 1 و 2 را کاملاً خوب یافتم، در آن فصل 1 انگیزه های بیولوژیکی برای محاسبات تکاملی را همراه با مقدمه ای کوتاه بر نظریه محاسبات و پیچیدگی محاسباتی ارائه کرد، در حالی که فصل 2 مقدمه بسیار خوبی برای پارادایم های محاسبات تکاملی ذکر شده در بالا ارائه کرد. . بقیه کتاب بیشتر شبیه گزارشی از آزمایشات نویسنده در محاسبات تکاملی است. توجه به این نکته مهم است که کتاب گلدبرگ استراتژیهای تکاملی را پوشش نمیدهد، که به نظر من رویکردی پربارتر است، زیرا به طور خاص برای فضای اقلیدسی طراحی شده است، جایی که بسیاری از مسائل بهینهسازی، اگر نه جالبترین، در آن فرمولبندی شدهاند. در پایان، توصیهای برای کسانی که قصد خواندن این کتاب را دارند، میکنم. برخی از تعاریف با چنان کلیتی بیان شده اند که در اولین مطالعه بسیار مبهم به نظر می رسند. درک آنها بسیار مهم است، پس تسلیم نشوید! هنگامی که تعاریف درک شوند، درک الگوریتم ها بسیار ساده تر به نظر می رسد. در واقع، الگوریتم ها طرح کلی بسیار ساده ای دارند: الف) جمعیت را مقداردهی کنید ii) در حالی که شرط پایان هنوز برآورده نشده است: برای تشکیل اعضای جدید جمعیت، ترکیب مجدد برای تشکیل اعضای جمعیت، جهش اعضای جمعیت، انتخاب مناسب ترین اعضای جمعیت برای تشکیل نسل بعدی. تجزیه و تحلیل جزئی ارائه شده برای الگوریتم ها را می توان در اولین خواندن نادیده گرفت.
In comparing this book with, say Goldberg's "Genetic Algorithms..." (may be the most popular genetic algorithms text), this book reads more like a German habilitation thesis (which I imagine it may have served as such), where as Goldberg's book seems more of a light introduction for the mathematically uninitiated. Indeed, Back's book seems quite scholarly with lots of useful references, and gives a good introduction to not only genetic algorithms, but also to evolutionary strategies (a paradigm that is most applicable to Euclidean-type search spaces) and evolutionary programming (simular to ES and not to be confused with genetic programming). I found Chapters 1 and 2 quite good, in that Chapter 1 presented the biological motivations for evolutionary computing along with a brief introduction to the theory of computation and computational complexity, while Chapter 2 gave a very good introduction to the above-mentioned evolutionary computing paradigms. The remainder of the book reads more like a report on the author's experiments in evolutionary computing. It is important to note that Goldberg's book does not cover Evolutionary Strategies, which I have found to be a more fruitful approach since it is specifically designed for Euclidean space where many if not most interesting optimization problems are formulated in. Finally, I offer bit of advice for those who plan to read through this book. Some of the definitions are stated with such generality that they seem very opaque upon first reading. It is very important to understand them, so do not give up! Once the defintions are understood, the algorithms will seem much easier to comprehend. In fact, the algorithms have a very simple outline: i) initialize population ii) while the terminating condition is not yet met: recombine to form new population members, mutate the population members, select the most fit population members to form the next generation. The partial analyses provided for the algorithms can be skipped on first reading.