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: Christian Bierwirth (auth.)
سری:
ISBN (شابک) : 9783824420513, 9783322856173
ناشر: Deutscher Universitätsverlag
سال نشر: 1993
تعداد صفحات: 246
زبان: German
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 6 مگابایت
کلمات کلیدی مربوط به کتاب زمانبندی فلوهاپ با الگوریتمهای ژنتیک موازی: تحلیل مسئلهمحور استراتژیهای جستجوی ژنتیک: بهینه سازی، مدل سازی ریاضی و ریاضیات صنعتی، اقتصاد/علوم مدیریت، عمومی
در صورت تبدیل فایل کتاب Flowhop Scheduling mit parallelen Genetischen Algorithmen: Eine problemorientierte Analyse genetischer Suchstrategien 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 زمانبندی فلوهاپ با الگوریتمهای ژنتیک موازی: تحلیل مسئلهمحور استراتژیهای جستجوی ژنتیک 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.
مشکلات موجود در رشته های مختلف علمی [Gold89. 1، صص 126-130]. مسئله بهینهسازی در کلیترین شکل آن، کار Optimize -+ f (x) , XEM, (10) n n با f بهعنوان تابع با ارزش واقعی lR و M C lR به عنوان فضای همه راهحلهای امکانپذیر است. بهینه سازی توابع واقعی دلخواه با استفاده از الگوریتم های ژنتیک برای اولین بار در پایان نامه دی جونگ [Jong75] مورد بحث قرار گرفت. توابع ناپیوسته، غیر محدب، چندوجهی و تصادفی که او به طور تجربی مورد بررسی قرار داد، از آن زمان در ادبیات به عنوان مسائل استاندارد برای اعتبارسنجی استراتژیهای بهینهسازی ژنتیکی استفاده شده است، برای مثال [MSB91]. اگر در فرمول مسئله (10) شرط صحیح علاوه بر این به اجزای بردارهای حل x مرتبط باشد، همانطور که شناخته شده است، مسئله در ناحیه بهینه سازی ترکیبی قرار می گیرد. پارادایم سازنده بهینه سازی ژنتیکی با استفاده از یک مثال ساده معرفی خواهد شد. برای انجام این کار، از یک قیاس مفهومی وام گرفته شده از زیست شناسی استفاده خواهیم کرد که در بخش 3.2 ارائه خواهد شد. فرض کنید مشکل 2 Max -+ f(x,y)=x -2xy+y2 باشد، O:::;x,y:::;k-lmitx,yElN (11) 2 با k به عنوان توان دو، یعنی z. B. k = 32، داده شده است. هر یک از 32 دو تایی مختلف که به عنوان راه حل های بهینه بالقوه مسئله مورد بحث قرار می گیرند، نشان دهنده فنوتیپ یک راه حل امکان پذیر است. این را می توان با استفاده از تبدیل باینری در دو رشته به طول log2 k نشان داد. x) = ( 25 ) 11 1 0 0 1 I (12) ( y 14 -+ 0 1 1 1 0 مجموعه مرتب رشته های دوتایی ژنوتیپ یک محلول را مشخص می کند.
rungs problem en in unterschiedlichen wissenschaftlichen Disziplinen anwen deten [Gold89. 1, S. 126-130]. Das Optimierungsproblem in seiner allgemeinsten Form ist die Aufgabe Optimiere -+ f (x) , XEM, (10) n n mit f als reellwertiger Funktion des lR und M C lR als Raum aller zulassigen Lasungen. Die Optimierung beliebiger reeller Funktionen unter Verwendung Genetischer Algorithmen wurde zuerst in der Dissertation von de Jong [Jong75] behandelt. Die von ihm experimentell untersuchten unste tigen, nichtkonvexen, multimodalen und stochastischen Funktionen dienen in der Literatur seither als Standardprobleme zur Validierung genetischer Optimierungsstrategien, siehe etwa [MSB91]. Wird in der Formulierung der Aufgabe (10) zusatzlich die Ganzzahligkeitsbedingung an die Kompo nenten der Lasungsvektoren x gekntipft, so fallt das Problem bekanntlich in den Bereich der kombinatorischen Optimierung. An einem einfachen Beispiel soll das konstruktive Paradigma der genetischen Optimierung ein gefiihrt werden. Hierzu werden wir eine der Biologie entlehnte begrifHiche Analogie verwenden, die in Abschnitt 3. 2 zusammenhangend dargestellt wird. Es sei die Aufgabe 2 Max -+ f(x,y)=x -2xy+y2, O:::;x,y:::;k-lmitx,yElN (11) 2 mit k als Zweierpotenz, also z. B. k = 32, gegeben. Jedes der 32 unter schiedlichen 2-Tupel, welche als potentielle Optimallasungen der Aufgabe zur Diskussion stehen, bezeichnet den Phanotyp einer zulassigen Lasung. Dieser laBt sich tiber eine Binartransformation in zwei Strings der Lange log2 k darstellen. x) = ( 25 ) 11 1 0 0 1 I (12) ( y 14 -+ 0 1 1 1 0 Die geordnete Menge binarer Strings definiert den Genotypus einer Lasung.
Front Matter....Pages i-xvii
Motivation....Pages 1-5
Flowshop Scheduling....Pages 6-31
Genetische Algorithmen....Pages 32-75
PGA — ein verteilt-asynchrones Optimierungsverfahren....Pages 76-87
Genetische Problemrepräsentation....Pages 88-103
Problemabhängige PGA Komponenten....Pages 104-140
Problemunspezifische PGA Komponenten....Pages 141-163
Konfigurationsraum-Analysen....Pages 164-184
Ergebnisse....Pages 185-196
Zusammenfassung und Ausblick....Pages 197-200
Back Matter....Pages 202-233