Evolutionary Statistical Procedures: An Evolutionary Computation Approach to Statistical Procedures Designs and Applications

به نظر می رسد این متن پیشنهادی مقدمه خوبی برای محاسبات تکاملی برای استفاده در تحقیقات آمار کاربردی باشد. نویسندگان از پایگاه وسیعی از دانش در مورد ادبیات فعلی در طراحی الگوریتم‌های تکاملی و تکنیک‌های آماری استفاده می‌کنند. تحقیقات آماری مدرن در آستانه حل مسائل پیچیده فزاینده در ابعاد بالا است و تعمیم روش شناسی آن به پارامترهایی که برآوردگرها از توزیع های ریاضی ساده پیروی نمی کنند در حال انجام است. بسیاری از این چالش ها شامل بهینه سازی توابعی است که راه حل های تحلیلی برای آنها غیرممکن است. الگوریتم‌های تکاملی ابزاری قدرتمند و قابل درک برای تقریب مقدار بهینه در تنظیمات مختلف را نشان می‌دهند. متن پیشنهادی به دنبال راهنمایی خوانندگان از طریق مسائل مهم مسائل بهینه‌سازی در تنظیمات آماری و اجرای روش‌های مناسب (شامل الگوریتم‌های تکاملی مستقل و تلاقی ترکیبی از این رویه‌ها با الگوریتم‌های آماری استاندارد مانند متروپلیس-هیستینگز) در انواع مختلف است. برنامه های کاربردی. این کتاب به عنوان یک کار مرجع عالی برای محققان آماری در سطح پیشرفته فارغ التحصیل یا فراتر از آن، به ویژه کسانی که پیشینه قوی در علوم کامپیوتر دارند، عمل می کند.

This proposed text appears to be a good introduction to evolutionary computation for use in applied statistics research. The authors draw from a vast base of knowledge about the current literature in both the design of evolutionary algorithms and statistical techniques. Modern statistical research is on the threshold of solving increasingly complex problems in high dimensions, and the generalization of its methodology to parameters whose estimators do not follow mathematically simple distributions is underway. Many of these challenges involve optimizing functions for which analytic solutions are infeasible. Evolutionary algorithms represent a powerful and easily understood means of approximating the optimum value in a variety of settings. The proposed text seeks to guide readers through the crucial issues of optimization problems in statistical settings and the implementation of tailored methods (including both stand-alone evolutionary algorithms and hybrid crosses of these procedures with standard statistical algorithms like Metropolis-Hastings) in a variety of applications. This book would serve as an excellent reference work for statistical researchers at an advanced graduate level or beyond, particularly those with a strong background in computer science.