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 Genetic Algorithms in Electromagnetics

دانلود کتاب الگوریتم های ژنتیک در الکترومغناطیسی

مشخصات کتاب

Genetic Algorithms in Electromagnetics

دسته بندی: الکترودینامیک
ویرایش: 1 
نویسندگان: Randy L. Haupt,  Douglas H. Werner  
سری:  
ISBN (شابک) : 0471488895, 9780471488897 
ناشر: Wiley-IEEE Press 
سال نشر: 2007 
تعداد صفحات: 311 
زبان: English  
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 26 مگابایت

قیمت کتاب (تومان) : 36,000

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 17

در صورت تبدیل فایل کتاب Genetic Algorithms in Electromagnetics 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 الگوریتم های ژنتیک در الکترومغناطیسی 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 الگوریتم های ژنتیک در الکترومغناطیسی

مقدمه ای کامل و روشنگرانه برای استفاده از الگوریتم های ژنتیک برای بهینه سازی سیستم های الکترومغناطیسی الگوریتم ژنتیک در الکترومغناطیسی بر بهینه سازی تابع هدف زمانی که یک الگوریتم کامپیوتری، مدل تحلیلی یا نتیجه تجربی عملکرد یک سیستم الکترومغناطیسی را توصیف می کند، تمرکز دارد. این راهنمای تخصصی برای بهینه‌سازی سیستم‌های الکترومغناطیسی با استفاده از الگوریتم‌های ژنتیک (GA) ارائه می‌کند، که ثابت کرده‌اند در یافتن نتایج بهینه در جایی که تکنیک‌های سنتی شکست می‌خورند، سرسخت هستند. الگوریتم‌های ژنتیک در الکترومغناطیسی با مقدمه‌ای بر بهینه‌سازی و چندین روال بهینه‌سازی عددی رایج شروع می‌شود و به این ویژگی ادامه می‌دهد: مقدمه‌ای بر GA به دو شکل متغیر باینری و پیوسته، همراه با نمونه‌هایی از دستورات MATLAB(r) دو مرحله‌به‌گام. نمونه هایی از بهینه سازی آرایه های آنتن و همچنین مروری جامع از کاربردهای GA در مسائل طراحی آرایه آنتن پوشش GA به عنوان یک الگوریتم تطبیقی، شامل آرایه های تطبیقی و هوشمند و همچنین بازتابنده های تطبیقی و دوقطبی های متقاطع توضیحات بهینه سازی چندین آنتن سیمی مختلف ، با شروع معروف "تک قطبی کج" نحوه بهینه سازی آنتن های پچ بوق، بازتابنده و میکرواستریپ که به قدرت محاسباتی قابل توجهی بیشتری نسبت به آنتن های سیمی نیاز دارند. اپراتور و انتخاب پارامتر برای یک GA توضیحات مفصل بهینه سازی ازدحام ذرات و بهینه سازی چند هدفه ضمیمه کد MATLAB برای آزمایش

توضیحاتی درمورد کتاب به خارجی

A thorough and insightful introduction to using genetic algorithms to optimize electromagnetic systems Genetic Algorithms in Electromagnetics focuses on optimizing the objective function when a computer algorithm, analytical model, or experimental result describes the performance of an electromagnetic system. It offers expert guidance to optimizing electromagnetic systems using genetic algorithms (GA), which have proven to be tenacious in finding optimal results where traditional techniques fail. Genetic Algorithms in Electromagnetics begins with an introduction to optimization and several commonly used numerical optimization routines, and goes on to feature: Introductions to GA in both binary and continuous variable forms, complete with examples of MATLAB(r) commands Two step-by-step examples of optimizing antenna arrays as well as a comprehensive overview of applications of GA to antenna array design problems Coverage of GA as an adaptive algorithm, including adaptive and smart arrays as well as adaptive reflectors and crossed dipoles Explanations of the optimization of several different wire antennas, starting with the famous "crooked monopole" How to optimize horn, reflector, and microstrip patch antennas, which require significantly more computing power than wire antennas Coverage of GA optimization of scattering, including scattering from frequency selective surfaces and electromagnetic band gap materials Ideas on operator and parameter selection for a GA Detailed explanations of particle swarm optimization and multiple objective optimization An appendix of MATLAB code for experimentation