Metaheuristics: from design to implementation

این کتاب پیشینه کاملی در مورد فراابتکاری ارائه می دهد و به خوانندگان نشان می دهد که چگونه الگوریتم های کارآمد را برای حل مسائل بهینه سازی پیچیده در طیف متنوعی از برنامه ها، از شبکه و بیوانفورماتیک گرفته تا طراحی مهندسی، مسیریابی، و زمان بندی طراحی و پیاده سازی کنند. . این سؤالات اصلی طراحی را برای همه خانواده‌های فراابتکاری ارائه می‌کند و به وضوح نحوه پیاده‌سازی الگوریتم‌ها را تحت یک چارچوب نرم‌افزاری برای استفاده مجدد از طراحی و کد نشان می‌دهد.

در سرتاسر کتاب، اجزای کلیدی جستجوی فراابتکاری به عنوان جعبه ابزاری برای:

• طراحی فراابتکاری کارآمد (مانند جستجوی محلی، جستجوی تابو، بازپخت شبیه‌سازی شده، الگوریتم‌های تکاملی، بهینه‌سازی ازدحام ذرات، جستجوی پراکنده، کلونی مورچه ها، کلونی زنبورها، سیستم های ایمنی مصنوعی) برای مسائل بهینه سازی

• طراحی فراابتکاری کارآمد برای مسائل بهینه سازی چند هدفه

• طراحی فراابتکاری ترکیبی، موازی و توزیع شده

• پیاده سازی فراابتکاری در ماشین های متوالی و موازی

با استفاده از بسیاری از مطالعات موردی و بررسی طراحی و پیاده سازی به طور مستقل، این کتاب به خوانندگان مهارت های لازم برای حل سریع و کارآمد مسائل بهینه سازی در مقیاس بزرگ را می دهد. این یک مرجع ارزشمند برای مهندسان و محققین مجرب از مناطق مختلف است که با بهینه سازی یا یادگیری ماشین سروکار دارند. و دانشجویان تحصیلات تکمیلی در علوم کامپیوتر، تحقیق در عملیات، کنترل، مهندسی، تجارت و مدیریت و ریاضیات کاربردی.

This book provides a complete background on metaheuristics and shows readers how to design and implement efficient algorithms to solve complex optimization problems across a diverse range of applications, from networking and bioinformatics to engineering design, routing, and scheduling. It presents the main design questions for all families of metaheuristics and clearly illustrates how to implement the algorithms under a software framework to reuse both the design and code.

Throughout the book, the key search components of metaheuristics are considered as a toolbox for:

• Designing efficient metaheuristics (e.g. local search, tabu search, simulated annealing, evolutionary algorithms, particle swarm optimization, scatter search, ant colonies, bee colonies, artificial immune systems) for optimization problems

• Designing efficient metaheuristics for multi-objective optimization problems

• Designing hybrid, parallel, and distributed metaheuristics

• Implementing metaheuristics on sequential and parallel machines

Using many case studies and treating design and implementation independently, this book gives readers the skills necessary to solve large-scale optimization problems quickly and efficiently. It is a valuable reference for practicing engineers and researchers from diverse areas dealing with optimization or machine learning; and graduate students in computer science, operations research, control, engineering, business and management, and applied mathematics.