Evolutionary Intelligence: An Introduction to Theory and Applications with MatlabSpringer Science & Business Media, 2008. 5. 15. - 584페이지 This book provides a highly accessible introduction to evolutionary computation. It details basic concepts, highlights several applications of evolutionary computation, and includes solved problems using MATLAB software and C/C++. This book also outlines some ideas on when genetic algorithms and genetic programming should be used. The most difficult part of using a genetic algorithm is how to encode the population, and the author discusses various ways to do this. |
도서 본문에서
v 페이지
죄송합니다. 이 페이지의 내용은 보실 수 없습니다..
죄송합니다. 이 페이지의 내용은 보실 수 없습니다..
17 페이지
죄송합니다. 이 페이지의 내용은 보실 수 없습니다..
죄송합니다. 이 페이지의 내용은 보실 수 없습니다..
18 페이지
죄송합니다. 이 페이지의 내용은 보실 수 없습니다..
죄송합니다. 이 페이지의 내용은 보실 수 없습니다..
26 페이지
죄송합니다. 이 페이지의 내용은 보실 수 없습니다..
죄송합니다. 이 페이지의 내용은 보실 수 없습니다..
35 페이지
죄송합니다. 이 페이지의 내용은 보실 수 없습니다..
죄송합니다. 이 페이지의 내용은 보실 수 없습니다..
목차
Introduction to Evolutionary Computation | 1 |
Summary | 30 |
Principles of Evolutionary Algorithms | 31 |
Genetic Algorithms with Matlab | 77 |
NonConvex Function | 132 |
Genetic Programming Concepts | 171 |
Parallel Genetic Algorithms | 219 |
Applications of Evolutionary Algorithms | 249 |
Genetic Programming Applications | 367 |
Applications of Parallel Genetic Algorithm | 445 |
Appendix A Glossary | 503 |
Appendix B Abbreviations | 517 |
Programming Based on a New Constrainthandling Scheme | 530 |
Appendix D MATLAB Toolboxes | 533 |
Appendix F Ga Source Codes in C Language | 547 |
Appendix G EC ClassCode Libraries and Software Kits | 559 |
기타 출판본 - 모두 보기
자주 나오는 단어 및 구문
adaptive annealing application approach average best individual binary chosen chromosome complex components constraints convergence created crossover crossover operator data types defined demes distributed domain encoding evaluation evolution evolution strategies evolutionary algorithm Evolutionary Computation Evolutionary Programming evolved example fingerprint fitness function fitness value Fuzzy genes genetic algorithm genetic operators genetic programming genotype global optimization grammar graph implementation initial population input integer iteration length MATLAB maximum method migration mutation operator mutation rate neural network neuron node objective function offspring optimal solution optimization problems output parameters parents parse tree performance plot possible probability processors produce random randomly recombination representation represented reproduction rules scheduling schema search space segmentation sequence shown in Figure simulated simulated annealing solve step strategies string structure subpopulations Table takeImage target techniques terminal tion topology tournament selection variables vector waveform