Nature-Inspired Computation in Engineering

این کتاب مروری به موقع، پیشرفت‌های پیشرفته در الگوریتم‌های بهینه‌سازی الهام‌گرفته از طبیعت و کاربردهای آن‌ها در مهندسی را خلاصه می‌کند. الگوریتم ها و موضوعات شامل مرور کلی و تاریخچه الگوریتم های الهام گرفته از طبیعت، الگوریتم کرم شب تاب گسسته، جستجوی فاخته گسسته، الگوریتم انتشار گیاهان، الگوریتم خفاش بدون پارامتر، جستجوی گرانشی، الگوریتم مبتنی بر جغرافیای زیستی، تکامل دیفرانسیل، ازدحام بهینه سازی ذرات و دیگران است. کاربردها عبارتند از مسیریابی وسیله نقلیه، ربات های ازدحام، بهینه سازی گسسته و ترکیبی، خوشه بندی شبکه های حسگر بی سیم، تشکیل سلول، ارسال بار اقتصادی، مدل سازی متامدلینگ، تکامل مشارکتی با کمک جایگزین، برازش داده ها و مهندسی معکوس و همچنین سایر مطالعات موردی در مهندسی. این کتاب مرجع ایده آلی برای محققان، مدرسان، فارغ التحصیلان و مهندسانی خواهد بود که به محاسبات الهام گرفته از طبیعت، هوش مصنوعی و هوش محاسباتی علاقه مند هستند. همچنین می تواند به عنوان مرجعی برای دوره های مرتبط در علوم کامپیوتر، هوش مصنوعی و یادگیری ماشین، محاسبات طبیعی، بهینه سازی مهندسی و داده کاوی باشد.

This timely review book summarizes the state-of-the-art developments in nature-inspired optimization algorithms and their applications in engineering. Algorithms and topics include the overview and history of nature-inspired algorithms, discrete firefly algorithm, discrete cuckoo search, plant propagation algorithm, parameter-free bat algorithm, gravitational search, biogeography-based algorithm, differential evolution, particle swarm optimization and others. Applications include vehicle routing, swarming robots, discrete and combinatorial optimization, clustering of wireless sensor networks, cell formation, economic load dispatch, metamodeling, surrogated-assisted cooperative co-evolution, data fitting and reverse engineering as well as other case studies in engineering. This book will be an ideal reference for researchers, lecturers, graduates and engineers who are interested in nature-inspired computation, artificial intelligence and computational intelligence. It can also serve as a reference for relevant courses in computer science, artificial intelligence and machine learning, natural computation, engineering optimization and data mining.