Variants of Evolutionary Algorithms for Real-World Applications

الگوریتم‌های تکاملی (EA) الگوریتم‌های جستجوی تصادفی مبتنی بر جمعیت هستند که تکامل طبیعی را تقلید می‌کنند. با توجه به توانایی خود در یافتن راه حل های عالی برای مشکلات متعارف سخت و پویا در مدت زمان قابل قبول، EA ها در سال های اخیر توجه بسیاری از محققان و پزشکان را به خود جلب کرده اند. این کتاب «انواع الگوریتم‌های تکاملی برای کاربردهای دنیای واقعی» با ارائه یک بحث جامع در مورد اینکه چگونه EA می‌تواند با الزامات برنامه‌های کاربردی مختلف در حوزه‌های دنیای واقعی سازگار شود، دیدگاه پزشک را در مورد EAها ترویج می‌کند. این شامل 14 فصل است، از جمله یک فصل مقدماتی که مجدداً به سؤال اساسی در مورد چیستی EA و سایر فصول مربوط به طیف وسیعی از مشکلات دنیای واقعی مانند برنامه ریزی فرآیند تولید، سیستم موجودی و بهینه سازی شبکه زنجیره تأمین، تخصیص مشاغل مبتنی بر وظیفه می پردازد. برنامه‌ریزی برای ساخت قطعه کار مبتنی بر CNC، وظایف طراحی مکانیکی/کشتی که شامل شبیه‌سازی‌های شدید زمان اجرا، داده‌کاوی برای پیش‌بینی ویژگی‌های خاک، طبقه‌بندی بافت خودکار برای تصاویر MRI، و بهینه‌سازی پرس و جو در پایگاه داده، و غیره است. این فصل‌ها نشان می‌دهند که چگونه می‌توان انواع مختلف مسائل را با استفاده از انواع EAها با موفقیت حل کرد و رویکردهای راه‌حل چگونه ساخته می‌شوند، به گونه‌ای که می‌توان با دانش قبلی کمی در مورد بهینه‌سازی درک و بازتولید کرد.

Evolutionary Algorithms (EAs) are population-based, stochastic search algorithms that mimic natural evolution. Due to their ability to find excellent solutions for conventionally hard and dynamic problems within acceptable time, EAs have attracted interest from many researchers and practitioners in recent years. This book “Variants of Evolutionary Algorithms for Real-World Applications” aims to promote the practitioner’s view on EAs by providing a comprehensive discussion of how EAs can be adapted to the requirements of various applications in the real-world domains. It comprises 14 chapters, including an introductory chapter re-visiting the fundamental question of what an EA is and other chapters addressing a range of real-world problems such as production process planning, inventory system and supply chain network optimisation, task-based jobs assignment, planning for CNC-based work piece construction, mechanical/ship design tasks that involve runtime-intense simulations, data mining for the prediction of soil properties, automated tissue classification for MRI images, and database query optimisation, among others. These chapters demonstrate how different types of problems can be successfully solved using variants of EAs and how the solution approaches are constructed, in a way that can be understood and reproduced with little prior knowledge on optimisation.