ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Evolutionary Intelligence - An Introduction to Theory and Applications with Matlab

دانلود کتاب هوش تکاملی - مقدمه ای بر نظریه و کاربردها با Matlab

Evolutionary Intelligence - An Introduction to Theory and Applications with Matlab

مشخصات کتاب

Evolutionary Intelligence - An Introduction to Theory and Applications with Matlab

دسته بندی: زیست شناسی
ویرایش: 1 
نویسندگان: , ,   
سری:  
ISBN (شابک) : 3540751580, 9783540751588 
ناشر: Springer 
سال نشر: 2008 
تعداد صفحات: 599 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 11 مگابایت 

قیمت کتاب (تومان) : 36,000



کلمات کلیدی مربوط به کتاب هوش تکاملی - مقدمه ای بر نظریه و کاربردها با Matlab: رشته های زیست شناسی، نظریه تکامل



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 9


در صورت تبدیل فایل کتاب Evolutionary Intelligence - An Introduction to Theory and Applications with Matlab 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 هوش تکاملی - مقدمه ای بر نظریه و کاربردها با Matlab 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 هوش تکاملی - مقدمه ای بر نظریه و کاربردها با Matlab

این کتاب مقدمه خوبی برای محاسبات تکاملی برای کسانی است که برای اولین بار وارد این حوزه می شوند و به دنبال بینشی در مورد مکانیسم های زیربنایی پشت سر خود هستند. این کتاب با تأکید بر کاربردهای علمی و یادگیری ماشینی الگوریتم‌های ژنتیک به جای کاربردهای بهینه‌سازی و مهندسی، می‌تواند به خوبی در یک دوره آموزشی واقعی در مورد الگوریتم‌های تطبیقی ​​مفید باشد. نویسندگان مجموعه‌های مسئله‌ای عالی را شامل می‌شوند که در الگوریتم ژنتیک به «تمرین‌های فکری» و «تمرین‌های رایانه‌ای» تقسیم می‌شوند. استفاده عملی از الگوریتم های ژنتیک مستلزم درک نحوه پیاده سازی آنها است و نویسندگان این کار را در دو فصل آخر کتاب با ارائه برنامه های کاربردی در زمینه های مختلف انجام می دهند. این کتاب همچنین ایده هایی را در مورد اینکه چه زمانی باید از الگوریتم های ژنتیک و برنامه نویسی ژنتیک استفاده شود، بیان می کند، و این مفید است زیرا یک تازه وارد در این زمینه ممکن است وسوسه شود که یک الگوریتم ژنتیک را صرفاً شبیه سازی مونت کارلوی فانتزی ببیند. دشوارترین بخش استفاده از الگوریتم ژنتیک نحوه رمزگذاری جمعیت است و نویسندگان روش های مختلفی را برای انجام این کار مورد بحث قرار می دهند. روش‌های مختلف «غریب» برای بهبود عملکرد الگوریتم‌های ژنتیک نیز مورد بحث قرار می‌گیرند، مانند الگوریتم‌های ژنتیک «بهم ریخته»، الگوریتم ژنتیک تطبیقی ​​و الگوریتم ژنتیک ترکیبی.


توضیحاتی درمورد کتاب به خارجی

This book gives a good introduction to evolutionary computation for those who are first entering the field and are looking for insight into the underlying mechanisms behind them. Emphasizing the scientific and machine learning applications of genetic algorithms instead of applications to optimization and engineering, the book could serve well in an actual course on adaptive algorithms. The authors include excellent problem sets, these being divided up into "thought exercises" and "computer exercises" in genetic algorithm. Practical use of genetic algorithms demands an understanding of how to implement them, and the authors do so in the last two chapters of the book by giving the applications in various fields. This book also outlines some ideas on when genetic algorithms and genetic programming should be used, and this is useful since a newcomer to the field may be tempted to view a genetic algorithm as merely a fancy Monte Carlo simulation. The most difficult part of using a genetic algorithm is how to encode the population, and the authors discuss various ways to do this. Various "exotic" approaches to improve the performance of genetic algorithms are also discussed such as the "messy" genetic algorithms, adaptive genetic algorithm and hybrid genetic algorithm.





نظرات کاربران