توضیحات
A remarkable facet of the human brain is its ability to manage multiple tasks with apparent simultaneity. Knowledge learned from one task can then be used to enhance problem-solving in other related tasks. In machine learning, the idea of leveraging relevant information across related tasks as inductive biases to enhance learning performance has attracted significant interest. In contrast, attempts to emulate the human brains ability to generalize in optimization particularly in population-based evolutionary algorithms have received little attention to date.
Recently, a novel evolutionary search paradigm, Evolutionary Multi-Task (EMT) optimization, has been proposed in the realm of evolutionary computation. In contrast to traditional evolutionary searches, which solve a single task in a single run, evolutionary multi-tasking algorithm conducts searches concurrently on multiple search spaces corresponding to different tasks or optimization problems, each possessing a unique function landscape. By exploiting the latent synergies among distinct problems, the superior search performance of EMT optimization in terms of solution quality and convergence speed has been demonstrated in a variety of continuous, discrete, and hybrid (mixture of continuous and discrete) tasks.
This book discusses the foundations and methodologies of developing evolutionary multi-tasking algorithms for complex optimization, including in domains characterized by factors such as multiple objectives of interest, high-dimensional search spaces and NP-hardness.
————————————————————–
ترجمه ماشینی :
یک جنبه قابل توجه مغز انسان توانایی آن در مدیریت چندین کار با هم زمان آشکار است. سپس دانش آموخته شده از یک کار می تواند برای تقویت حل مسئله در سایر وظایف مرتبط استفاده شود. در یادگیری ماشینی، ایده استفاده از اطلاعات مرتبط در بین وظایف مرتبط به عنوان سوگیری های استقرایی برای افزایش عملکرد یادگیری، توجه قابل توجهی را به خود جلب کرده است. در مقابل، تلاشها برای تقلید از توانایی مغز انسان برای تعمیم در بهینهسازی بهویژه در الگوریتمهای تکاملی مبتنی بر جمعیت تا به امروز کمتر مورد توجه قرار گرفته است. پارادایم جستجو، بهینه سازی چند وظیفه ای تکاملی (EMT)، در حوزه محاسبات تکاملی پیشنهاد شده است. برخلاف جستجوهای تکاملی سنتی، که یک کار را در یک اجرا حل میکنند، الگوریتم چندوظیفهای تکاملی جستجوها را به طور همزمان در فضاهای جستجوی متعدد مربوط به وظایف مختلف یا مسائل بهینهسازی انجام میدهد که هر کدام دارای یک چشمانداز عملکردی منحصربهفرد هستند. با بهرهبرداری از همافزایی پنهان بین مسائل متمایز، عملکرد جستجوی برتر بهینهسازی EMT از نظر کیفیت راهحل و سرعت همگرایی در انواع وظایف پیوسته، گسسته و ترکیبی (مخلوطی از پیوسته و گسسته) نشان داده شده است.
این کتاب مبانی و روششناسی توسعه الگوریتمهای چندوظیفهای تکاملی برای بهینهسازی پیچیده را مورد بحث قرار میدهد، از جمله در حوزههایی که با عواملی مانند اهداف متعدد مورد علاقه، فضاهای جستجوی با ابعاد بالا و سختی NP مشخص میشوند. .
tag : دانلود کتاب بهینهسازی چند وظیفهای تکاملی: مبانی و روششناسی , Download بهینهسازی چند وظیفهای تکاملی: مبانی و روششناسی , دانلود بهینهسازی چند وظیفهای تکاملی: مبانی و روششناسی , Download Evolutionary Multi-Task Optimization: Foundations and Methodologies Book , بهینهسازی چند وظیفهای تکاملی: مبانی و روششناسی دانلود , buy بهینهسازی چند وظیفهای تکاملی: مبانی و روششناسی , خرید کتاب بهینهسازی چند وظیفهای تکاملی: مبانی و روششناسی , دانلود کتاب Evolutionary Multi-Task Optimization: Foundations and Methodologies , کتاب Evolutionary Multi-Task Optimization: Foundations and Methodologies , دانلود Evolutionary Multi-Task Optimization: Foundations and Methodologies , خرید Evolutionary Multi-Task Optimization: Foundations and Methodologies , خرید کتاب Evolutionary Multi-Task Optimization: Foundations and Methodologies ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.