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 Population Variation in Canonical Treebased Genetic Programming

دانلود کتاب تنوع جمعیت در برنامه نویسی ژنتیکی Treebased

مشخصات کتاب

Population Variation in Canonical Treebased Genetic Programming

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش:  
نویسندگان: Peyman K.  
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 284 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 مگابایت

قیمت کتاب (تومان) : 55,000

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 15

در صورت تبدیل فایل کتاب Population Variation in Canonical Treebased Genetic Programming 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 تنوع جمعیت در برنامه نویسی ژنتیکی Treebased 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 تنوع جمعیت در برنامه نویسی ژنتیکی Treebased

پایان نامه دکتری، دانشکده مهندسی برق، الکترونیک و کامپیوتر، دانشگاه وسترن
می 2008، 281 p
الگوی برنامه نویسی ژنتیک، که اصل تکامل داروینی را برای برنامه های کامپیوتری سلسله مراتبی به کار می برد، پیشرفت های امیدوار کننده ای را در کاربردهای مختلف علمی و مهندسی با این حال، یکی از اشکالات اصلی برنامه‌نویسی ژنتیک، تلاش محاسباتی زیاد برای حل مسائل پیچیده است. تحقیقات مختلفی برای ابداع روش های نوآورانه برای بهبود کارایی برنامه ریزی ژنتیکی انجام شده است. این پایان نامه دارای سه سهم اصلی است. ابتدا مروری جامع از کار مرتبط برای بهبود عملکرد برنامه‌ریزی ژنتیکی ارائه می‌کند و این رویکردهای پیشنهادی مختلف را در دسته‌هایی طبقه‌بندی می‌کند. در مرحله دوم، یک طرح تغییر جمعیت ثابت (PV) پیشنهاد شده است که به موجب آن اندازه جمعیت طبق یک برنامه از پیش تعیین شده در طول اجرای سیستم برنامه‌ریزی ژنتیک با هدف کاهش تلاش محاسباتی با توجه به ژنتیک استاندارد تغییر می‌کند. برنامه نويسي. در این طرح استاتیک جدید، اندازه جمعیت اولیه متفاوت از اندازه اولیه برنامه‌ریزی ژنتیک استاندارد ساخته شده است، به طوری که در بدترین حالت تلاش محاسباتی هرگز از برنامه‌نویسی استاندارد ژنتیک بیشتر نیست. طرح‌های ثابت مختلف برای تغییر اندازه جمعیت تحت این پیشنهاد با استفاده از طیف گسترده‌ای از مسائل استاندارد مورد بررسی قرار می‌گیرند تا مشخص شود که آیا ماهیت \"تنوع جمعیت\"، یعنی روشی که جمعیت در طول جستجو تغییر می‌کند، تأثیر قابل‌توجهی بر ژنتیک دارد یا خیر. عملکرد برنامه نویسی نشان داده شده است که این طرح‌های تنوع جمعیتی ظرفیت ارائه راه‌حل‌هایی با هزینه محاسباتی کمتر در مقایسه با برنامه‌ریزی ژنتیک استاندارد را دارند. سوم، سه نوآوری برای تغییر پویا اندازه جمعیت در طول اجرای سیستم برنامه‌ریزی ژنتیکی پیشنهاد شده‌است. اینها مربوط به چیزی است که تغییر جمعیت پویا (DPV) نامیده می شود، که در آن اندازه جمعیت به صورت پویا متفاوت است
با استفاده از مکانیزم بازخورد اکتشافی در طول اجرای برنامه ریزی ژنتیکی با هدف کاهش تلاش محاسباتی. اثربخشی این نوآوری ها با استفاده از همان محدوده جامع مشکلات نماینده استاندارد بررسی می شود. نشان داده شده است که این ایده های جدید ظرفیت ارائه راه حل هایی با هزینه محاسباتی کمتر را در مقایسه با برنامه ریزی ژنتیک استاندارد و الگوریتم های گزارش شده قبلی دارند. در نهایت، پتانسیل های تحقیقاتی جالب بیشتر برای تنوع جمعیت همراه با برخی از حوزه های باز تحقیق در برنامه ریزی ژنتیک و همچنین روندهای احتمالی آینده در این رشته شناسایی می شوند.

توضیحاتی درمورد کتاب به خارجی

PhD Thesis, School of Electrical, Electronic and Computer Engineering,University of Western
May 2008, 281 p
The Genetic Programming paradigm, which applies the Darwinian principle of evolution to hierarchical computer programs, has produced promising breakthroughs in various scientific and engineering applications. However, one of the main drawbacks of Genetic Programming has been the often large amount of computational effort required to solve complex problems. There have been various amounts of research conducted to devise innovative methods to improve the efficiency of Genetic Programming. This thesis has three main contributions. It firstly provides a comprehensive overview of the related work to improve the performance of Genetic Programming and classifies these various proposed approaches into categories. Secondly, a new static population variation scheme (PV) is proposed, whereby the size of the population is varied according to a predetermined schedule during the execution of the Genetic Programming system with the aim of reducing the computational effort with respect to that of Standard Genetic Programming. Within this new static scheme the initial population size is made to be different from the initial size of the Standard Genetic Programming such that the worst case computational effort is never greater than that of the Standard Genetic Programming. Various static schemes for altering population size under this proposal are investigated using a comprehensive range of standard problems to determine whether the nature of the "population variation", i.e. the way the population is varied during the search, has any significant impact on Genetic Programming performance. It is shown that these population variation schemes do have the capacity to provide solutions at a lower computational cost compared with the Standard Genetic Programming. Thirdly, three innovations for dynamically varying the population size during the run of the Genetic Programming system are proposed. These are related to what is called Dynamic Population Variation (DPV), where the size of the population is dynamically varied
using a heuristic feedback mechanism during the execution of the Genetic Programming with the aim of reducing the computational effort. The efficacy of these innovations is examined
using the same comprehensive range of standard representative problems. It is shown that these new ideas do have the capacity to provide solutions at a lower computational cost
compared with standard genetic programming and previously reported algorithms. Finally, further interesting research potentials for population variation are identified together with some of the open areas of research within the Genetic Programming and also possible future trends in this discipline.