Multimodal Optimization by Means of Evolutionary Algorithms

این کتاب اولین طبقه‌بندی جامع را برای الگوریتم‌های بهینه‌سازی چندوجهی ارائه می‌دهد که با ریشه‌های آن در موضوعاتی مانند جارو کردن، الگوریتم‌های تکاملی موازی و بهینه‌سازی جهانی کار می‌کند.

نویسنده در الگوریتم‌های تکاملی و مزایای آن را توضیح می‌دهد. او مناسب بودن آنها را برای استفاده به عنوان ابزارهای تشخیصی برای تجزیه و تحلیل تجربی، به ویژه برای تشخیص ویژگی های مشکل (نوع) بررسی می کند. و او عملکردهای EAهای naching و canonical را با استفاده از مجموعه‌های مختلف مسائل تست معیار مقایسه و مقایسه می‌کند. کار او با ارائه و توضیح موارد استفاده، الگوریتم‌ها و معیارهای عملکرد، با تمرکز بر اهداف فرآیندهای بهینه‌سازی و درک عمیق الگوریتم‌های مورد استفاده، موفقیت‌های اخیر در این حوزه را تثبیت می‌کند.

این کتاب برای محققان و پزشکان در زمینه هوش محاسباتی، به ویژه کسانی که با جستجوی اکتشافی، بهینه‌سازی چندوجهی، محاسبات تکاملی، و تجزیه و تحلیل تجربی سروکار دارند، مفید خواهد بود.

This book offers the first comprehensive taxonomy for multimodal optimization algorithms, work with its root in topics such as niching, parallel evolutionary algorithms, and global optimization.

The author explains niching in evolutionary algorithms and its benefits; he examines their suitability for use as diagnostic tools for experimental analysis, especially for detecting problem (type) properties; and he measures and compares the performances of niching and canonical EAs using different benchmark test problem sets. His work consolidates the recent successes in this domain, presenting and explaining use cases, algorithms, and performance measures, with a focus throughout on the goals of the optimization processes and a deep understanding of the algorithms used.

The book will be useful for researchers and practitioners in the area of computational intelligence, particularly those engaged with heuristic search, multimodal optimization, evolutionary computing, and experimental analysis.