Practical Genetic Algorithms, 2/e
暫譯: 實用遺傳演算法（第二版）

Randy L. Haupt, Sue Ellen Haupt

Practical Genetic Algorithms, 2/e
  • 出版商: Wiley
  • 出版日期: 2004-05-31
  • 售價: $5,120
  • 貴賓價: 9.5 折 $4,864
  • 語言: 英文
  • 頁數: 272
  • 裝訂: Hardcover
  • ISBN: 0471455652
  • ISBN-13: 9780471455653
  • 相關分類: Algorithms-data-structures

    • 無法訂購

買這商品的人也買了...

相關主題

商品描述

Description:

"The first introductory-level book to emphasize practical applications through the use of example problems."
–– International Journal of General Systems, Vol. 31, No. 1, 2002, on the first edition

The use of genetic algorithms (GAs) to solve large and often complex computational problems has given rise to many new applications in a variety of disciplines. Practical Genetic Algorithms was the first introductory-level book on genetic algorithms to emphasize practical applications rather than theory. Practical Genetic Algorithms, Second Edition reflects the significant evolution of the field since the book’s first edition.

In an accessible style, the authors explain why the genetic algorithm is superior in many real-world applications, cover continuous parameter genetic algorithms, and provide in-depth trade-off analysis of genetic algorithm parameter selection. This Second Edition features:

  • Numerous practical example problems
  • A CD-ROM with MATLAB and High Performance Fortran codes
  • A new, more complete picture of traditional optimization
  • Revised examples reflecting recent research
  • Coverage of pareto-genetic and hybrid genetic algorithms (GAs)
  • New sections on hybrid GAs, parallel GAs, and messy GAs, with recommendations on improving their performance
  • An all new chapter on simulated annealing, ant-colony optimization, evolutionary strategies, and other cutting-edge artificial intelligence methods of optimization

Written for the practicing scientist, engineer, economist, artist, or anyone with an interest in the basics of GAs, the second edition continues to offer readers an up-to-date look at the evolving practical applications of GAs and how to manipulate them in order to get the best performance.

Table of Contents:

Preface.

Preface to First Edition.

List of Symbols.

1. Introduction to Optimization.

1.1 Finding the Best Solution.

1.2 Minimum-Seeking Algorithms.

1.3 Natural Optimization Methods.

1.4 Biological Optimization: Natural Selection.

1.5 The Genetic Algorithm.

2. The Binary Genetic Algorithm.

2.1 Genetic Algorithms: Natural Selection on a Computer.

2.2 Components of a Binary Genetic Algorithm.

2.3 A Parting Look.

3. The Continuous Genetic Algorithm.

3.1 Components of a Continuous Genetic Algorithm.

3.2 A Parting Look.

4. Basic Applications.

4.1 "Mary Had a Little Lamb".

4.2 Algorithmic Creativity-Genetic Art.

4.3 Word Guess.

4.4 Locating an Emergency Response Unit.

4.5 Antenna Array Design.

4.6 The Evolution of Horses.

4.7 Summary.

5. An Added Level of Sophistication.

5.1 Handling Expensive Cost Functions.

5.2 Multiple Objective Optimization.

5.3 Hybrid GA.

5.4 Gray Codes.

5.5 Gene Size.

5.6 Convergence.

5.7 Alternative Crossovers for Binary GAs.

5.8 Population.

5.9 Mutation.

5.10 Permutation Problems.

5.11 Selling GA Parameters.

5.12 Continuous versus Binary GA.

5.13 Messy Genetic Algorithms.

5.14 Parallel Genetic Algorithms.

6. Advanced Applications.

6.1 Traveling Salespersons Problem.

6.2 Locating an Emergency Response Unit Revisited.

6.3 Decoding a Secret Message.

6.4 Robot Trajectory Planning.

6.5 Stealth Design.

6.6 Building Dynamical Inverse Models-The Linear Case.

6.7 Building Dynamical Inverse Models-The Nonlinear Case.

6.8 Combining GAs with Simulations-Air Pollution Receptor Modeling.

6.9 Combining Methods Neural Nets with GAs.

6.10 Solving High-Order Nonlinear Partial Differential Equations.

7. More Natural Optimization Algorithms.

7.1 Simulated Annealing.

7.2 Particle Swarm Optimization (PSO).

7.3 Ant Colony Optimization (ACO).

7.4 Genetic Programming (GP).

7.5 Cultural Algorithms.

7.6 Evolutionary Strategies.

7.7 The Future of Genetic Algorithms.

Appendix I: Test Functions.

Appendix II: MATLAB Code.

Appendix III. High-Performance Fortran Code.

Glossary.

Index.

商品描述(中文翻譯)

**描述：**
「這是第一本強調透過範例問題來實踐應用的入門書籍。」
–– 《國際一般系統期刊》，第31卷，第1期，2002年，關於第一版

使用遺傳演算法（GAs）來解決大型且通常複雜的計算問題，已在多個學科中催生了許多新應用。《實用遺傳演算法》是第一本強調實用應用而非理論的遺傳演算法入門書籍。《實用遺傳演算法，第二版》反映了自書籍第一版以來該領域的重大演變。

作者以易於理解的風格解釋了為什麼遺傳演算法在許多現實世界的應用中優越，涵蓋了連續參數遺傳演算法，並提供了遺傳演算法參數選擇的深入權衡分析。本書第二版的特色包括：
- 許多實用的範例問題
- 附有 MATLAB 和高效能 Fortran 代碼的 CD-ROM
- 傳統優化的全新、更完整的圖景
- 反映近期研究的修訂範例
- 涵蓋 Pareto 遺傳和混合遺傳演算法（GAs）
- 新增有關混合 GAs、平行 GAs 和雜亂 GAs 的章節，並提供改善其性能的建議
- 全新章節介紹模擬退火、蟻群優化、進化策略及其他尖端人工智慧優化方法

本書是為實踐中的科學家、工程師、經濟學家、藝術家或任何對 GAs 基礎知識感興趣的人所寫，第二版繼續為讀者提供有關 GAs 不斷演變的實用應用及如何操作它們以獲得最佳性能的最新觀點。

**目錄：**
前言。
第一版前言。
符號列表。
1. 優化介紹。
1.1 尋找最佳解。
1.2 最小化尋找演算法。
1.3 自然優化方法。
1.4 生物優化：自然選擇。
1.5 遺傳演算法。
2. 二元遺傳演算法。
2.1 遺傳演算法：電腦上的自然選擇。
2.2 二元遺傳演算法的組成部分。
2.3 告別展望。
3. 連續遺傳演算法。
3.1 連續遺傳演算法的組成部分。
3.2 告別展望。
4. 基本應用。
4.1 「瑪莉有一隻小羊」。
4.2 演算法創造力－遺傳藝術。
4.3 單詞猜測。
4.4 定位緊急應變單位。
4.5 天線陣列設計。
4.6 馬的演化。
4.7 總結。
5. 增加的複雜性。
5.1 處理昂貴的成本函數。
5.2 多目標優化。
5.3 混合 GA。
5.4 灰碼。
5.5 基因大小。
5.6 收斂。
5.7 二元 GAs 的替代交叉。
5.8 種群。
5.9 突變。
5.10 排列問題。
5.11 銷售 GA 參數。
5.12 連續與二元 GA。
5.13 雜亂遺傳演算法。
5.14 平行遺傳演算法。
6. 進階應用。
6.1 旅行推銷員問題。
6.2 再次定位緊急應變單位。
6.3 解碼秘密訊息。
6.4 機器人軌跡規劃。
6.5 隱形設計。
6.6 建立動態逆模型－線性案例。
6.7 建立動態逆模型－非線性案例。
6.8 將 GAs 與模擬結合－空氣污染接收器建模。
6.9 將方法神經網絡與 GAs 結合。
6.10 解決高階非線性偏微分方程。
7. 更多自然優化演算法。
7.1 模擬退火。
7.2 粒子群優化（PSO）。
7.3 蟻群優化（ACO）。
7.4 遺傳編程（GP）。
7.5 文化演算法。
7.6 進化策略。
7.7 遺傳演算法的未來。
附錄 I：測試函數。
附錄 II：MATLAB 代碼。
附錄 III：高效能 Fortran 代碼。
詞彙表。
索引。

類似商品

最後瀏覽商品 (10)