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: Xin Yao (auth.), Dr. Yaochu Jin (eds.) سری: Studies in Fuzziness and Soft Computing 167 ISBN (شابک) : 9783642061745, 9783540445111 ناشر: Springer-Verlag Berlin Heidelberg سال نشر: 2005 تعداد صفحات: 543 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 21 مگابایت
کلمات کلیدی مربوط به کتاب گنجاندن دانش در محاسبات تکاملی: کاربرد ریاضیات/روش های محاسباتی مهندسی، هوش مصنوعی (شامل رباتیک)، کاربردهای ریاضیات
در صورت تبدیل فایل کتاب Knowledge Incorporation in Evolutionary Computation 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 گنجاندن دانش در محاسبات تکاملی 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.
این کتاب با دقت ویرایش شده، پیشرفتهای پیشرفته و اخیر در ترکیب دانش در محاسبات تکاملی را در چارچوبی یکپارچه گرد هم میآورد. این کتاب یک دیدگاه مستقل جامع از تلفیق دانش در محاسبات تکاملی از جمله مقدمه ای مختصر بر الگوریتم های تکاملی و همچنین روش های نمایش دانش ارائه می دهد. "تلفیق دانش در محاسبات تکاملی" مرجع ارزشمندی برای محققان، دانشجویان و متخصصان مهندسی و علوم کامپیوتر، به ویژه در زمینههای هوش مصنوعی، محاسبات نرم، محاسبات طبیعی و محاسبات تکاملی است.
This carefully edited book puts together the state-of-the-art and recent advances in knowledge incorporation in evolutionary computation within a unified framework. The book provides a comprehensive self-contained view of knowledge incorporation in evolutionary computation including a concise introduction to evolutionary algorithms as well as knowledge representation methods. "Knowledge Incorporation in Evolutionary Computation" is a valuable reference for researchers, students and professionals from engineering and computer science, in particular in the areas of artificial intelligence, soft computing, natural computing, and evolutionary computation.
Front Matter....Pages I-XIII
Front Matter....Pages 1-1
A Selected Introduction to Evolutionary Computation....Pages 3-12
Front Matter....Pages 13-13
The Use of Collective Memory in Genetic Programming....Pages 15-36
A Cultural Algorithm for Solving the Job Shop Scheduling Problem....Pages 37-55
Case-Initialized Genetic Algorithms for Knowledge Extraction and Incorporation....Pages 57-79
Using Cultural Algorithms to Evolve Strategies in A Complex Agent-based System....Pages 81-102
Methods for Using Surrogate Models to Speed Up Genetic Algorithm Optimization: Informed Operators and Genetic Engineering....Pages 103-122
Fuzzy Knowledge Incorporation in Crossover and Mutation....Pages 123-143
Front Matter....Pages 145-145
Learning Probabilistic Models for Enhanced Evolutionary Computation....Pages 147-176
Probabilistic Models for Linkage Learning in Forest Management....Pages 177-194
Performance-Based Computation of Chromosome Lifetimes in Genetic Algorithms....Pages 195-214
Genetic Algorithm and Case-Based Reasoning Applied in Production Scheduling....Pages 215-236
Knowledge-Based Evolutionary Search for Inductive Concept Learning....Pages 237-253
An Evolutionary Algorithm with Tabu Restriction and Heuristic Reasoning for Multiobjective Optimization....Pages 255-277
Front Matter....Pages 279-279
Neural Networks for Fitness Approximation in Evolutionary Optimization....Pages 281-306
Surrogate-Assisted Evolutionary Optimization Frameworks for High-Fidelity Engineering Design Problems....Pages 307-331
Model Assisted Evolution Strategies....Pages 333-355
Front Matter....Pages 357-357
Knowledge Incorporation Through Lifetime Learning....Pages 359-383
Local Search Direction for Multi-Objective Optimization Using Memetic EMO Algorithms....Pages 385-410
Fashion Design Using Interactive Genetic Algorithm with Knowledge-based Encoding....Pages 411-434
Interactive Evolutionary Design....Pages 435-458
Front Matter....Pages 459-459
Integrating User Preferences into Evolutionary Multi-Objective Optimization....Pages 461-477
Human Preferences and their Applications in Evolutionary Multi—Objective Optimization....Pages 479-502
An Interactive Fuzzy Satisficing Method for Multiobjective Integer Programming Problems through Genetic Algorithms....Pages 503-523
Interactive Preference Incorporation in Evolutionary Engineering Design....Pages 525-543
Back Matter....Pages 545-548