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 Flowhop Scheduling mit parallelen Genetischen Algorithmen: Eine problemorientierte Analyse genetischer Suchstrategien

دانلود کتاب زمان‌بندی فلوهاپ با الگوریتم‌های ژنتیک موازی: تحلیل مسئله‌محور استراتژی‌های جستجوی ژنتیک

Flowhop Scheduling mit parallelen Genetischen Algorithmen: Eine problemorientierte Analyse genetischer Suchstrategien

مشخصات کتاب

Flowhop Scheduling mit parallelen Genetischen Algorithmen: Eine problemorientierte Analyse genetischer Suchstrategien

ویرایش: 1 
نویسندگان:   
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 

قیمت کتاب (تومان) : 39,000



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



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 10


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.


توضیحاتی در مورد کتاب زمان‌بندی فلوهاپ با الگوریتم‌های ژنتیک موازی: تحلیل مسئله‌محور استراتژی‌های جستجوی ژنتیک

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.


توضیحاتی درمورد کتاب به خارجی

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.



فهرست مطالب

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




نظرات کاربران