دانلود کتاب Evolutionary algorithms in theory and practice: evolution strategies, evolutionary programming, genetic algorithms

ترجمه فارسی توضیحات (ترجمه ماشینی)

الگوریتم های تکاملی در تئوری و عمل: استراتژی های تکامل، برنامه ریزی تکاملی، الگوریتم های ژنتیک

این کتاب دیدگاهی واحد از الگوریتم‌های تکاملی را ارائه می‌کند: ابزارهای جستجوی احتمالی جدید هیجان‌انگیز با الهام از مدل‌های بیولوژیکی که دارای پتانسیل بسیار زیادی به عنوان حل‌کننده‌های عملی مسئله در طیف گسترده‌ای از تنظیمات، دانشگاهی، تجاری، و صنعتی هستند. در این اثر، نویسنده سه نماینده برجسته الگوریتم‌های تکاملی را با هم مقایسه می‌کند: الگوریتم‌های ژنتیک، استراتژی‌های تکامل و برنامه‌ریزی تکاملی. الگوریتم‌ها در یک چارچوب یکپارچه ارائه شده‌اند و از این طریق شباهت‌ها و تفاوت‌های این روش‌ها را روشن می‌کنند. نویسنده همچنین نتایج جدیدی را در رابطه با نقش جهش و انتخاب در الگوریتم‌های ژنتیک ارائه می‌کند که نشان می‌دهد چگونه جهش برای عملکرد الگوریتم‌های ژنتیک بسیار مهم‌تر از آنچه معمولاً فرض می‌شود، اهمیت دارد. تعامل انتخاب و جهش، و تأثیر کد باینری از موضوعات مورد علاقه بیشتر است. برخی از نتایج نظری نیز با انجام آزمایشی در فرا تکامل بر روی یک کامپیوتر موازی تأیید می‌شوند. متاالگوریتم مورد استفاده در این آزمایش اجزایی از استراتژی‌های تکامل و الگوریتم‌های ژنتیک را ترکیب می‌کند تا ترکیبی را به دست آورد که قادر به مدیریت مسائل بهینه‌سازی اعداد صحیح مختلط است. این کار به عنوان شرح مفصلی از الگوریتم‌ها، با دستورالعمل‌های کاربردی برای استفاده و پیاده‌سازی، طیف وسیعی از محققان رشته‌های علوم کامپیوتر و مهندسی و همچنین دانشجویان تحصیلات تکمیلی این رشته‌ها را مورد توجه قرار خواهد داد.

Evolutionary algorithms in theory and practice: evolution strategies, evolutionary programming, genetic algorithms

This book presents a unified view of evolutionary algorithms: the exciting new probabilistic search tools inspired by biological models that have immense potential as practical problem-solvers in a wide variety of settings, academic, commercial, and industrial. In this work, the author compares the three most prominent representatives of evolutionary algorithms: genetic algorithms, evolution strategies, and evolutionary programming. The algorithms are presented within a unified framework, thereby clarifying the similarities and differences of these methods. The author also presents new results regarding the role of mutation and selection in genetic algorithms, showing how mutation seems to be much more important for the performance of genetic algorithms than usually assumed. The interaction of selection and mutation, and the impact of the binary code are further topics of interest. Some of the theoretical results are also confirmed by performing an experiment in meta-evolution on a parallel computer. The meta-algorithm used in this experiment combines components from evolution strategies and genetic algorithms to yield a hybrid capable of handling mixed integer optimization problems. As a detailed description of the algorithms, with practical guidelines for usage and implementation, this work will interest a wide range of researchers in computer science and engineering disciplines, as well as graduate students in these fields.