ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

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 Nature-inspired Optimization Algorithms

دانلود کتاب الگوریتم های بهینه سازی الهام گرفته از طبیعت

Nature-inspired Optimization Algorithms

مشخصات کتاب

Nature-inspired Optimization Algorithms

ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 0367255987, 9780367255985 
ناشر: CRC Press 
سال نشر: 2020 
تعداد صفحات: 275 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 52 مگابایت 

قیمت کتاب (تومان) : 42,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 2


در صورت تبدیل فایل کتاب Nature-inspired Optimization Algorithms 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 بهینه سازی الهام گرفته از طبیعت 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 بهینه سازی الهام گرفته از طبیعت



الگوریتم‌های بهینه‌سازی الهام گرفته از طبیعت کتابی جامع در مورد محبوب‌ترین الگوریتم‌های بهینه‌سازی مبتنی بر طبیعت است. با مروری بر بهینه سازی شروع می شود و از الگوریتم کلاسیک به جدیدترین الگوریتم هوش ازدحام می رسد. طبیعت دارای وفور فراوانی از گیاهان و جانوران است که الهام بخش توسعه تکنیک های بهینه سازی الهام گرفته از طبیعت است. مطالعه استراتژی‌های بقای هوشمند حیوانات، پرندگان و حشرات در یک محیط متخاصم و همیشه در حال تغییر، منجر به توسعه تکنیک‌هایی برای تقلید از رفتار آنها شده است. طبیعت راه حل های ساده ای برای مسائل پیچیده به شیوه ای موثر و سازگار در اختیار ما قرار می دهد.

این کتاب منبع ارزشمندی برای مهندسان، محققان، اساتید و دانشجویانی است که در حال ابداع راه حل های بهینه برای آن هستند. هر نوع مشکل این مشکلات از علم کامپیوتر گرفته تا اقتصاد حوزه‌های مختلفی را پوشش می‌دهد که نیازمند به حداکثر رساندن خروجی و به حداقل رساندن منابع است و این محور همه الگوریتم‌های بهینه‌سازی است. این کتاب شرح واضحی از پانزده الگوریتم بهینه‌سازی مهم موجود است که مبتنی بر هوش ازدحام و برتر در عملکرد هستند.

ویژگی ها:

  • توضیحات دقیق الگوریتم ها به همراه کد شبه و نمودار جریان
  • به راحتی قابل ترجمه به کد برنامه است که به راحتی در وب سایت Mathworks برای برخی از الگوریتم ها
  • در دسترس است.
  • مثال‌های ساده‌ای برای نشان دادن استراتژی‌های بهینه‌سازی تا جایی که ممکن است ارائه شده است که درک را آسان‌تر می‌کند
  • برنامه‌های استاندارد و مجموعه داده های معیار برای آزمایش و اعتبارسنجی الگوریتم ها برشمرده شده است

این کتاب مرجعی برای دانشجویان مقطع کارشناسی و کارشناسی ارشد است. . برای اعضای هیئت علمی تدریس موضوع در مورد بهینه سازی مفید خواهد بود. همچنین راهنمای جامعی برای محققانی است که به دنبال بهینه سازی منابع برای دستیابی به بهترین راه حل برای یک مشکل هستند. الگوریتم‌های بهینه‌سازی الهام‌گرفته از طبیعت غیر متعارف هستند و این باعث می‌شود آنها کارآمدتر از همتایان سنتی خود باشند.


توضیحاتی درمورد کتاب به خارجی

Nature Inspired Optimization Algorithms is a comprehensive book on the most popular optimization algorithms that are based on nature. It starts with an overview of optimization and goes from the classical to the latest swarm intelligence algorithm. Nature has a rich abundance of flora and fauna that inspired the development of nature inspired optimization techniques. The study of the intelligent survival strategies of animals, birds and insects in a hostile and ever-changing environment has led to the development of techniques emulating their behaviour. Nature provides us with simple solutions to complex problems in an effective and adaptive manner.

This book is a valuable resource for engineers, researchers, faculty and students who are devising optimum solutions to any type of problem. The problems range from computer science to economics covering diverse areas that require maximizing output and minimizing resources and this is the crux of all optimization algorithms. The book is a lucid description of fifteen of the existing important optimization algorithms that are based on swarm intelligence and superior in performance.

Features:

  • Detailed description of the algorithms along with pseudocode and flowchart
  • Easily translatable to program code that is also readily available in Mathworks website for some of the algorithms
  • Simple examples to demonstrate the optimization strategies have been given wherever possible that makes understanding easier
  • Standard applications and benchmark datasets for testing and validating the algorithms have been enumerated

This book is a reference for under-graduate and post-graduate students. It will be useful to faculty members teaching the subject on optimization. It also a comprehensive guide for researchers who are looking for optimizing resources in attaining the best solution to a problem. The nature inspired optimization algorithms are unconventional and this makes them more efficient than their traditional counterparts.



فهرست مطالب

Cover
Half Title	#2,0,-32767Title Page	#4,0,-32767Copyright Page	#5,0,-32767Table of Contents	#6,0,-32767Preface	#12,0,-32767Author
1 Introduction
	1.1 Introduction
	1.2 Fundamentals of Optimization
	1.3 Types of Optimization Problems
	1.4 Examples of Optimization
	1.5 Formulation of Optimization Problem
	1.6 Classification of Optimization Algorithms
	1.7 Traveling Salesman Problem and Knapsack Problem
	1.8 Summary
2 Classical Optimization Methods
	2.1 Introduction
	2.2 Mathematical Model of Optimization
	2.3 Linear Programming
		2.3.1 Simplex Method
		2.3.2 Revised Simplex Method
		2.3.3 Kamarkar’s Method
		2.3.4 Duality Theorem
		2.3.5 Decomposition Principle
		2.3.6 Transportation Problem
	2.4 Non-Linear Programming
		2.4.1 Quadratic Programming
		2.4.2 Geometric Programming
	2.5 Dynamic Programming
	2.6 Integer Programming
	2.7 Stochastic Programming
	2.8 Lagrange Multiplier Method
	2.9 Summary
	References
3 Nature-Inspired Algorithms
	3.1 Introduction
	3.2 Traditional versus Nature-Inspired Algorithms
	3.3 Bioinspired Algorithms
	3.4 Swarm Intelligence
	3.5 Metaheuristics
	3.6 Diversification and Intensification
	3.7 No Free Lunch Theorem
	3.8 Parameter Tuning and Control
	3.9 Algorithm
	3.10 Pseudocode
	3.11 Summary
	References
4 Genetic Algorithm
	4.1 Introduction
	4.2 Basics of Genetic Algorithm
	4.3 Genetic Operators
	4.4 Example of GA
	4.5 Algorithm
	4.6 Pseudocode
	4.7 Schema Theory
	4.8 Prisoner’s Dilemma Problem
	4.9 Variants and Hybrids of GA
	4.10 Summary
	References
5 Genetic Programming
	5.1 Introduction
	5.2 Basics of Genetic Programming
	5.3 Data Structures for Genetic Programming
	5.4 Binary Tree Traversals
	5.5 Genetic Programming Operators
	5.6 Genetic Programming Algorithm
	5.7 Pseudocode
	5.8 Variants of the Algorithm
	5.9 Summary
	References
6 Particle Swarm Optimization
	6.1 Introduction
	6.2 Swarm Behavior
	6.3 Particle Swarm Optimization
		6.3.1 Algorithm
		6.3.2 Pseudocode
	6.4 Variants of the Algorithm
	6.5 Summary
	References
7 Differential Evolution
	7.1 Introduction
	7.2 Differential Evolution
		7.2.1 Algorithm
		7.2.2 Pseudocode
	7.3 Variants of the Algorithm
	7.4 Summary
	References
8 Ant Colony Optimization
	8.1 Introduction
	8.2 Ant Colony Characteristics
	8.3 Ant Colony Optimization
		8.3.1 Traveling Salesman Problem
		8.3.2 Algorithm
		8.3.3 Pseudocode
	8.4 Variants of the Algorithm
	8.5 Summary
	References
9 Bee Colony Optimization
	9.1 Introduction
	9.2 Honey Bee Characteristics
	9.3 Bee Colony Optimization
		9.3.1 Algorithm
		9.3.2 Pseudocode
	9.4 Variants of the Algorithm
	9.5 Summary
	References
10 Fish School Search Algorithm
	10.1 Introduction
	10.2 Fish School Behavior
	10.3 Fish School Search Optimization
		10.3.1 Algorithm
		10.3.2 Pseudocode
	10.4 Variants and Applications
	10.5 Summary
	References
11 Cuckoo Search Algorithm
	11.1 Introduction
	11.2 Cuckoo Bird Behavior
	11.3 Levy Flights
	11.4 Cuckoo Search Optimization
		11.4.1 Algorithm
		11.4.2 Pseudocode
	11.5 Variants of the Algorithm
		11.5.1 Discrete Cuckoo Search Algorithm
		11.5.2 Binary Cuckoo Search (BCS) Algorithm
		11.5.3 Multi-Objective Cuckoo Search Algorithm (MOCS)
	11.6 Summary
	References
12 Firefly Algorithm
	12.1 Introduction
	12.2 Firefly Behavior and Characteristics
	12.3 Firefly-Inspired Optimization
		12.3.1 Algorithm
		12.3.2 Pseudocode
	12.4 Variants and Applications
	12.5 Summary
	References
13 Bat Algorithm
	13.1 Introduction
	13.2 Behavior of Bats in Nature
	13.3 Bat Optimization Algorithm
		13.3.1 Algorithm
		13.3.2 Pseudocode
	13.4 Variants and Applications
	13.5 Summary
	References
14 Flower Pollination Algorithm
	14.1 Introduction
	14.2 Flower Pollination
	14.3 Flower Pollination Optimization
		14.3.1 Algorithm
		14.3.2 Pseudocode
	14.4 Variants of the Algorithm
	14.5 Summary
	References
15 Gray Wolf Optimization
	15.1 Introduction
	15.2 Gray Wolf Characteristics
	15.3 Gray Wolf Optimization
		15.3.1 Gray Wolf Encircling Prey
		15.3.2 Hunting Behavior of Gray Wolves
		15.3.3 Attacking of Prey by Gray Wolves
		15.3.4 Gray Wolves Searching for Prey (Exploration)
	15.4 Variants and Applications
	15.5 Summary
	References
16 Elephant Herding Optimization
	16.1 Introduction
	16.2 Elephant Herding Behavior
	16.3 Elephant Herding Optimization
		16.3.1 Algorithm
		16.3.2 Pseudocode
	16.4 Variants of the Algorithm
	16.5 Summary
	References
17 Crow Search Algorithm
	17.1 Introduction
	17.2 Crows in Nature
	17.3 Crow Search Optimization
		17.3.1 Algorithm
		17.3.2 Pseudocode
	17.4 Variants and Applications
	17.5 Summary
	References
18 Raven Roosting Optimization Algorithm
	18.1 Introduction
	18.2 Raven Roosting Behavior
	18.3 Raven Roosting Optimization
		18.3.1 Algorithm
		18.3.2 Pseudocode
		Flowchart
	18.4 Variants of the Algorithm
	18.5 Summary
	References
19 Applications
	19.1 Introduction
	19.2 Benchmark Test Functions
	19.3 Applications
		19.3.1 Traveling Salesman Problem
		19.3.2 Knapsack Problem
		19.3.3 Graph Coloring Problem
		19.3.4 Job Scheduling Problem
		19.3.5 Feature Reduction Problem
		19.3.6 Network Routing Problem
	19.4 Summary
20 Conclusion




نظرات کاربران