Search and Optimization by Metaheuristics: Techniques and Algorithms Inspired by Nature

این کتاب درسی مقدمه ای جامع بر روش های فراابتکاری الهام گرفته از طبیعت برای جستجو و بهینه سازی، از جمله آخرین روندها در الگوریتم های تکاملی و سایر اشکال محاسبات طبیعی ارائه می دهد. بیش از 100 نوع مختلف از این روش ها به تفصیل مورد بحث قرار گرفته است. نویسندگان بر مشکلات بهینه‌سازی غیر استاندارد تأکید می‌کنند و از یک رویکرد طبیعی برای موضوع استفاده می‌کنند و از مفاهیم اولیه به مفاهیم پیچیده‌تر حرکت می‌کنند.
یک فصل مقدماتی پیشینه های بیولوژیکی و ریاضی لازم برای درک مطالب اصلی را پوشش می دهد. سپس فصل‌های بعدی تقریباً تمام فراابتکاری‌های اصلی برای جستجو و بهینه‌سازی ایجاد شده بر اساس پدیده‌های طبیعی، از جمله بازپخت شبیه‌سازی شده، شبکه‌های عصبی مکرر، الگوریتم‌های ژنتیک و برنامه‌ریزی ژنتیک، تکامل دیفرانسیل، الگوریتم‌های ممتیک، بهینه‌سازی ازدحام ذرات، سیستم‌های ایمنی مصنوعی، مورچه مورچه را بررسی می‌کنند. بهینه سازی، جستجوی تابو و جستجوی پراکنده، الگوریتم های جستجوی زنبورها و باکتری ها، جستجوی هارمونی، محاسبات زیست مولکولی، محاسبات کوانتومی، و بسیاری دیگر. موضوعات عمومی در مورد بهینه سازی های پویا، چندوجهی، محدود و چند هدفه نیز شرح داده شده است. هر فصل شامل فلوچارت های دقیق است که الگوریتم ها و تمرین های خاصی را نشان می دهد که موضوعات مهم را تقویت می کند. در پیوست چند معیار برای ارزیابی فراابتکاری معرفی شده است.
Search and Optimization by Metaheuristics عمدتاً به عنوان یک کتاب درسی برای دانشجویان کارشناسی ارشد و پیشرفته در رشته مهندسی و علوم کامپیوتر در نظر گرفته شده است. همچنین به عنوان یک منبع ارزشمند برای دانشمندان و محققانی که در این زمینه‌ها کار می‌کنند، و همچنین کسانی که به روش‌های جستجو و بهینه‌سازی علاقه‌مند هستند، خدمت می‌کند.

This textbook provides a comprehensive introduction to nature-inspired metaheuristic methods for search and optimization, including the latest trends in evolutionary algorithms and other forms of natural computing. Over 100 different types of these methods are discussed in detail. The authors emphasize non-standard optimization problems and utilize a natural approach to the topic, moving from basic notions to more complex ones.
An introductory chapter covers the necessary biological and mathematical backgrounds for understanding the main material. Subsequent chapters then explore almost all of the major metaheuristics for search and optimization created based on natural phenomena, including simulated annealing, recurrent neural networks, genetic algorithms and genetic programming, differential evolution, memetic algorithms, particle swarm optimization, artificial immune systems, ant colony optimization, tabu search and scatter search, bee and bacteria foraging algorithms, harmony search, biomolecular computing, quantum computing, and many others. General topics on dynamic, multimodal, constrained, and multiobjective optimizations are also described. Each chapter includes detailed flowcharts that illustrate specific algorithms and exercises that reinforce important topics. Introduced in the appendix are some benchmarks for the evaluation of metaheuristics.
Search and Optimization by Metaheuristics is intended primarily as a textbook for graduate and advanced undergraduate students specializing in engineering and computer science. It will also serve as a valuable resource for scientists and researchers working in these areas, as well as those who are interested in search and optimization methods.