توضیحات
Heuristic methods are used when rigorous ones are either unknown or cannot be
applied, typically because they would be too slow. A metaheuristic is a general optimization
framework that is used to control an underlying problem-specific heuristic
such that the method can be easily applied to different problems. In the last two
decades metaheuristics have been successful for solving, or at least for obtaining satisfactory
results in, the optimization of many difficult problems. However, these techniques,
notwithstanding their common background and theoretical underpinnings,
are rather varied and not easy to grasp for the beginner. Most previous books on the
subject have been written for the specialist, with some exceptions, and therefore require
knowledge that is not always available to undergraduates or scholars coming
from other disciplines and wishing to apply the methods to their own problems.
The present book is an attempt to produce an accessible introduction to metaheuristics
for optimization for exactly these kinds of readers. The book builds on
notes written for full-semester lecture courses that both authors have been giving for
about a decade in their respective universities to advanced undergraduate students in
Computer Science and other technical disciplines. We realized during our teaching
that there were almost no texts at the level we targeted in our lectures; in spite of
the existence of several good books at an advanced level, many of those had prerequisites
that were not matched by the typical students taking our courses, or were
multi-author compilations that assumed a large body of previous knowledge. Thus,
our motivation was to try to write a readable and concise introduction to the subject
matter emphasizing principles and fundamental concepts rather than trying to
be comprehensive. This choice, without renouncing rigor when needed, should be an
advantage for the newcomer as many details are avoided that are unnecessary or even
obtrusive at this level. Indeed, we are especially concerned with how and why
metaheuristics do their job on difficult problems by explaining their functioning principles
in simple terms and on simple examples and we do not try to fully describe real
case studies, although we do mention relevant application fields and provide pointers
to more advanced material. One feature that differentiates our approach is probably
also due to our respective scientific origins: we are physicists who have done teaching
and research on computer science and interdisciplinary fields and we would like
to bring a computational science and complex systems orientation to the book
rather than an application-based one.
The book should be useful for advanced undergraduates in computer science and
engineering, as well as for students and researchers from other disciplines looking
for a concise and clear introduction to metaheuristic methods for optimization. The
contents of the book reflect the choices explained above. Thus, we have given priority
to well-known and well-established metaheuristics. After an introductory chapter
devoted to standard computability and complexity ideas, we describe a concept that
is fundamental in metaheuristics: the search space. After this basic knowledge we
describe the main metaheuristics in succeeding chapters: Tabu search, Simulated Annealing,
Ant Colony methods, and Particle Swarms. Chapter 7 contains an introduction
to newer metaheuristics, such as Fireflies, which are not yet as well established
but which could become important in the near future. Chapters 8 and 9 are devoted to
Evolutionary Algorithms. Chapters 1-9 constitute the fundamental part of the book;
altogether they present the basic notions that any student and practitioner should
possess about metaheuristics. The following chapters are a bit more specialized but
are still very accessible from the technical viewpoint. Chapter 10, which is a little
more technical than the others, is rather unique in current computer science books
at this level as it brings a statistical physics approach to computational complexity.
This chapter can be skipped without consequences but the ensemble mean difficulty
of a class of random problem instances is a valuable point of view when contrasted
with the standard worst-case complexity approach. Finally, Chapters 11 and 12 are
devoted to a more detailed statistical study of the performance of metaheuristics and
of the structure of problem search spaces.
In keeping with our general philosophy of simplicity, we have deliberately chosen
not to present multi-objective and constrained optimization, which are very important
in practice but require a number of new concepts to be introduced. In the
same vein, there are no explicit problems for the reader to solve in the book. Theoretical
problems doable with pencil and paper would probably be inappropriate for
the level of the book; on the other hand, numerical solutions to specific questions
would certainly be very useful. Today there exist a number of excellent downloadable
open software systems for several languages and environments that cover most
of the methods presented in the book. The reader would be well advised to try out
one or more of these and, to this end, we provide a list of suggestions in an appendix.
We would like to thank many colleagues and collaborators for comments and discussions.
They have, in one way or another, contributed to our present understanding
of metaheuristics. M. Tomassini acknowledges in particular P. Collard,M. Giacobini,
G. Ochoa, L. Vanneschi, and S. Verel for many stimulating discussions during our
joint work. He also thanks his former Ph.D. student F. Daolio for his help with several
figures and numerical computations in Chapters 8 and 12. We would also like
to express our appreciation to the Springer staff, and in particular to Ronan Nugent,
whose help and support were key during the whole process. B. Chopard thanks E.
Taillard for hints and advice on the Traveling Salesman problem and simulated annealing.
He also thanks R. Monasson and G. Semerjian for their feedback on the
chapter on computational phase transitions.
————————————————————–
ترجمه ماشینی :
روشهای اکتشافی زمانی استفاده میشوند که روشهای دقیق یا ناشناخته هستند یا نمیتوان آنها را به کار برد، معمولاً به این دلیل که بسیار کند هستند. فراابتکاری یک چارچوب بهینهسازی کلی است که برای کنترل یک اکتشافی ویژه مسئله اساسی استفاده میشود به طوری که این روش میتواند به راحتی برای مسائل مختلف اعمال شود. در دو دهه اخیر فراابتکاری برای حل یا حداقل برای به دست آوردن نتایج رضایت بخش در بهینه سازی بسیاری از مسائل دشوار موفق بوده است. با این حال، این تکنیکها، علیرغم پیشزمینه مشترک و زیربنای نظریشان، نسبتاً متنوع هستند و درک آن برای مبتدی آسان نیست. اکثر کتابهای قبلی در این زمینه برای متخصص نوشته شدهاند، به استثنای برخی موارد، و بنابراین نیاز به دانشی دارند که همیشه در دسترس دانشآموختگان یا دانش پژوهانی که از رشتههای دیگر آمدهاند و میخواهند روشها را برای مشکلات خود به کار ببرند، وجود ندارد. کتاب حاضر تلاشی است برای ارائه مقدمه ای در دسترس برای فراابتکاری برای بهینه سازی دقیقاً برای این نوع خوانندگان. این کتاب بر پایه یادداشتهای نوشته شده برای دورههای سخنرانی تمام ترم است که هر دو نویسنده برای حدود یک دهه در دانشگاههای مربوطه خود به دانشجویان مقطع کارشناسی پیشرفته در علوم کامپیوتر و سایر رشتههای فنی ارائه کردهاند. ما در طول تدریس خود متوجه شدیم که تقریباً هیچ متنی در سطحی که در سخنرانیهایمان هدف گرفتهایم وجود ندارد. علیرغم وجود چندین کتاب خوب در سطح پیشرفته، بسیاری از آنها دارای پیش نیازهایی بودند که توسط دانشجویان معمولی که دوره های ما را می گذرانند مطابقت نداشتند، یا مجموعه های چند نویسنده ای بودند که حجم زیادی از دانش قبلی را به خود اختصاص می دادند. بنابراین، انگیزه ما تلاش برای نوشتن مقدمه ای خواندنی و مختصر برای موضوع با تأکید بر اصول و مفاهیم اساسی به جای تلاش برای جامع بودن بود. این انتخاب، بدون چشم پوشی از سختگیری در صورت نیاز، باید یک مزیت برای تازه وارد باشد زیرا از بسیاری از جزئیات غیرضروری یا حتی مزاحم در این سطح اجتناب می شود. در واقع، ما به ویژه به این موضوع توجه داریم که چگونه و چرا فراابتکاری با توضیح اصول عملکرد آنها به زبان ساده و با مثالهای ساده، کار خود را روی مسائل دشوار انجام میدهد و سعی نمیکنیم به طور کامل مطالعات موردی واقعی را توصیف کنیم، اگرچه کاربرد مرتبط را ذکر میکنیم. فیلدها و ارائه نشانگرهای به مطالب پیشرفته تر. یکی از ویژگیهایی که رویکرد ما را متمایز میکند، احتمالاً به دلیل ریشههای علمی مربوطه ماست: ما فیزیکدانانی هستیم که در زمینه علوم رایانه و زمینههای بین رشتهای تدریس و تحقیق کردهایم و میخواهیم یک علم محاسباتی و گرایش سیستمهای پیچیده را به کتاب بیاوریم. به جای یک برنامه مبتنی بر برنامه. این کتاب باید برای دانشآموزان پیشرفته در رشتههای علوم کامپیوتر و مهندسی و همچنین برای دانشجویان و محققانی از سایر رشتهها که به دنبال مقدمهای مختصر و واضح برای روشهای فراابتکاری برای بهینهسازی هستند مفید باشد. محتوای کتاب منعکس کننده انتخاب هایی است که در بالا توضیح داده شد. بنابراین، ما به فراابتکاری های شناخته شده و تثبیت شده اولویت داده ایم. پس از یک فصل مقدماتی که به ایدههای محاسبهپذیری و پیچیدگی استاندارد اختصاص داده شده است، مفهومی را توصیف میکنیم که در فراابتکاری اساسی است: فضای جستجو. پس از این دانش اولیه، فراابتکاری اصلی را در فصلهای بعدی شرح میدهیم: جستجوی تابو، بازپخت شبیهسازیشده، روشهای کلونی مورچهها، و ازدحام ذرات. فصل 7 شامل مقدمه ای بر فراابتکاری های جدیدتر است، مانند Fireflies، که هنوز به خوبی تثبیت نشده اند، اما می توانند در آینده نزدیک مهم شوند. فصل های 8 و 9 به الگوریتم های تکاملی اختصاص دارد. فصل 1-9 بخش اساسی کتاب را تشکیل می دهد. آنها در مجموع مفاهیم اولیه ای را ارائه می کنند که هر دانش آموز و شاگردی باید در مورد فراابتکاری داشته باشد. فصلهای زیر کمی تخصصیتر هستند اما هنوز از نظر فنی بسیار قابل دسترسی هستند. فصل 10، که کمی فنی تر از بقیه است، در کتاب های فعلی علوم کامپیوتر در این سطح نسبتاً منحصر به فرد است زیرا یک رویکرد فیزیک آماری را به پیچیدگی محاسباتی ارائه می دهد. این فصل را میتوان بدون عواقب نادیده گرفت، اما میانگین دشواری مجموعهای از نمونههای مسئله تصادفی، وقتی با رویکرد استاندارد پیچیدگی در بدترین حالت در تضاد قرار میگیرد، دیدگاه ارزشمندی است. در نهایت، فصل های 11 و 12 به مطالعه آماری دقیق تری از عملکرد فراابتکاری و ساختار فضاهای جستجوی مسئله اختصاص دارد. با توجه به فلسفه کلی خود در مورد سادگی، ما عمداً انتخاب کردیم که بهینه سازی چند هدفه و محدود ارائه نشود، که در عمل بسیار مهم هستند، اما نیاز به تعدادی مفاهیم جدید برای معرفی دارند. در همین راستا، هیچ مشکل صریحی برای خواننده در کتاب وجود ندارد. مسائل تئوری قابل انجام با مداد و کاغذ احتمالاً برای سطح کتاب نامناسب خواهد بود. از سوی دیگر، راهحلهای عددی برای سؤالات خاص مطمئناً بسیار مفید خواهند بود. امروزه تعدادی سیستم نرم افزاری قابل دانلود عالی برای چندین زبان و محیط وجود دارد که بیشتر روش های ارائه شده در کتاب را پوشش می دهد. به خواننده توصیه می شود که یک یا چند مورد از این موارد را امتحان کند و برای این منظور فهرستی از پیشنهادات را در پیوست ارائه می دهیم. مایلیم از بسیاری از همکاران و همکاران برای نظرات و بحث ها تشکر کنیم. آنها به هر طریقی به درک کنونی ما از فراابتکاری کمک کرده اند. M. Tomassini به طور خاص تصدیق می کند P. Collard، M. جیاکوبینی، G. Ochoa، L. Vanneschi و S. Verel برای بسیاری از بحث های تحریک کننده در طول کار مشترک ما. او همچنین از د
tag : دانلود کتاب مقدمه ای بر فراابتکاری برای بهینه سازی , Download مقدمه ای بر فراابتکاری برای بهینه سازی , دانلود مقدمه ای بر فراابتکاری برای بهینه سازی , Download An Introduction to Metaheuristics for Optimization Book , مقدمه ای بر فراابتکاری برای بهینه سازی دانلود , buy مقدمه ای بر فراابتکاری برای بهینه سازی , خرید کتاب مقدمه ای بر فراابتکاری برای بهینه سازی , دانلود کتاب An Introduction to Metaheuristics for Optimization , کتاب An Introduction to Metaheuristics for Optimization , دانلود An Introduction to Metaheuristics for Optimization , خرید An Introduction to Metaheuristics for Optimization , خرید کتاب An Introduction to Metaheuristics for Optimization ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.