Foundations of Computational, Intelligence Volume 1: Learning and Approximation

روش‌های یادگیری و الگوریتم‌های تقریب ابزارهای اساسی هستند که با مسائل و مشکلات محاسباتی سختی که در آنها ورودی به تدریج در طول زمان آشکار می‌شود، سروکار دارند. هر دو نوع مسائل دارای تعداد زیادی کاربرد هستند که از زمینه های مختلف ناشی می شوند، مانند نظریه بازی های الگوریتمی، کلاس های تقریب، رنگ آمیزی و تقسیم بندی، تجزیه و تحلیل رقابتی، مالی محاسباتی، برش ها و اتصالات، مشکلات هندسی، نتایج غیرقابل تقریب، طراحی مکانیسم، شبکه. طراحی، بسته بندی و پوشش، پارادایم هایی برای طراحی و تحلیل الگوریتم های تقریبی و آنلاین، تکنیک های تصادفی سازی، برنامه های کاربردی دنیای واقعی، مسائل زمان بندی و غیره. سال‌های گذشته شاهد تعداد زیادی کاربرد جالب با استفاده از تکنیک‌های مختلف هوش محاسباتی مانند مجموعه‌های خشن، یادگیری پیوندگرا بوده‌ایم. منطق فازی؛ محاسبات تکاملی؛ سیستم ایمنی مصنوعی؛ هوش جمعی؛ یادگیری تقویتی، پردازش هوشمند چند رسانه ای و غیره. علیرغم کاربردهای موفق متعدد هوش محاسباتی در تجارت و صنعت، گاهی اوقات توضیح عملکرد این تکنیک ها و الگوریتم ها از منظر نظری دشوار است. بنابراین، ما نویسندگان را تشویق کردیم تا ایده‌های اصلی را ارائه دهند که با ادغام مکانیسم‌های مختلف هوشمند محاسباتی با الگوریتم‌های یادگیری و تقریب و فرآیندهای اساسی سروکار دارد.

این جلد ویرایش شده شامل 15 فصل، شامل یک فصل کلی است که تحقیقاتی به روز و پیشرفته در مورد کاربرد هوش محاسباتی برای یادگیری ارائه می کند. و تقریب

Learning methods and approximation algorithms are fundamental tools that deal with computationally hard problems and problems in which the input is gradually disclosed over time. Both kinds of problems have a large number of applications arising from a variety of fields, such as algorithmic game theory, approximation classes, coloring and partitioning, competitive analysis, computational finance, cuts and connectivity, geometric problems, inapproximability results, mechanism design, network design, packing and covering, paradigms for design and analysis of approximation and online algorithms, randomization techniques, real-world applications, scheduling problems and so on. The past years have witnessed a large number of interesting applications using various techniques of Computational Intelligence such as rough sets, connectionist learning; fuzzy logic; evolutionary computing; artificial immune systems; swarm intelligence; reinforcement learning, intelligent multimedia processing etc.. In spite of numerous successful applications of Computational Intelligence in business and industry, it is sometimes difficult to explain the performance of these techniques and algorithms from a theoretical perspective. Therefore, we encouraged authors to present original ideas dealing with the incorporation of different mechanisms of Computational Intelligent dealing with Learning and Approximation algorithms and underlying processes.

This edited volume comprises 15 chapters, including an overview chapter, which provides an up-to-date and state-of-the art research on the application of Computational Intelligence for learning and approximation.