Geschäftskunden Kundenprogramme

KI-Beratung Beta
Vor Ort
Merkzettel Warenkorb
Produktbild: Einführung in Evolutionäre Algorithmen

Einführung in Evolutionäre Algorithmen Optimierung nach dem Vorbild der Evolution

Aus der Reihe Computational Intelligence

Fr. 61.90

inkl. gesetzl. MwSt., Versandkostenfrei

Beschreibung

1 Überblick und thematische Einordnung.- 1.1 Grundelemente der Evolutionstheorie.- 1.2 Zur Historie der Evolutionären Algorithmen.- 1.3 Wichtige Fachbegriffe und allgemeines EA-Ablaufschema.- 1.4 Thematische Einordnung.- 1.5 Literatur zum Kapitel 1.- 1.6 Aufgaben zum Kapitel 1.- 2 Genetische Algorithmen.-...

Beschreibung

1 Überblick und thematische Einordnung.- 1.1 Grundelemente der Evolutionstheorie.- 1.2 Zur Historie der Evolutionären Algorithmen.- 1.3 Wichtige Fachbegriffe und allgemeines EA-Ablaufschema.- 1.4 Thematische Einordnung.- 1.5 Literatur zum Kapitel 1.- 1.6 Aufgaben zum Kapitel 1.- 2 Genetische Algorithmen.- 2.1 Grundkonzept.- 2.2 Erweiterungen.- 2.3 Ausgewählte Ergebnisse der GA-Theorie.- 2.4 Literatur zum Kapitel 2.- 2.5 Aufgaben zum Kapitel 2.- 3 Genetische Programmierung.- 3.1 Grundkonzept.- 3.2 Erweiterungen.- 3.3 Ausgewählte Ergebnisse der GP-Theorie.- 3.4 Literatur zum Kapitel 3.- 3.5 Aufgaben zum Kapitel 3.- 4 Evolutionsstrategien.- 4.1 Grundkonzept.- 4.2 Erweiterungen.- 4.3 Ausgewählte Ergebnisse der ES-Theorie.- 4.4 Literatur zum Kapitel 4.- 4.5 Aufgaben zum Kapitel 4.- 5 Evolutionäre Programmierung.- 5.1 Grundkonzept.- 5.2 Erweiterungen.- 5.3 Ausgewählte Ergebnisse der EP-Theorie.- 5.4 Literatur zum Kapitel 5.- 5.5 Aufgaben zum Kapitel 5.- 6 EA nah verwandte Optimierungsmethoden.- 6.1 Simulated Annealing.- 6.2 Threshold Accepting.- 6.3 Sintflut-Algorithmus und Record-to-Record-Travel.- 6.4 Bezüge der hier dargestellten Methoden zu EA.- 6.5 Literatur zum Kapitel 6.- 6.6 Aufgaben zum Kapitel 6.- 7 Vergleich und Beurteilung von EA.- 7.1 Gegenüberstellung der EA-Hauptströmungen.- 7.2 EA als Optimierungsmethode.- 7.3 Einige spezifische Stärken und Schwächen von GP.- 7.4 Parallelisierbarkeit von EA.- 7.5 Rückschlüsse für praktische Optimierungsanwendungen.- 7.6 Literatur zum Kapitel 7.- 7.7 Aufgaben zum Kapitel 7.- 8 Hybridsysteme.- 8.1 Lernende Classifier Systeme.- 8.2 Neuroevolutionäre Systeme.- 8.3 Fuzzyevolutionäre Systeme.- 8.4 Literatur zum Kapitel 8.- 8.5 Aufgaben zum Kapitel 8.- 9 Ausblick.- 9.1 Weiterführende Literatur zum Kapitel 9.- AnhangA: Elektronische Informationen zu EA.- Electronic Mail Diskussionslisten.- NetNews-Gruppe.- EvoNet.- Elektronische Archive.- Anhang B: Testdaten-Bibliotheken.- Verzeichnis wichtiger Abkürzungen.

Produktdetails

Einband

Taschenbuch
Erscheinungsdatum

01.01.1997
Abbildungen

X, 345 S. 54 Abb.
Herausgeber Wolfgang Bibel + weitere

Produktdetails

Einband

Taschenbuch
Erscheinungsdatum

01.01.1997
Abbildungen

X, 345 S. 54 Abb.
Herausgeber
Verlag Vieweg & Teubner
Seitenzahl

345
Maße (L/B/H)

21/14.8/2 cm
Gewicht

471 g
Auflage

1997
Sprache

Deutsch
ISBN

978-3-528-05499-1
Herstelleradresse

Vieweg+Teubner Verlag
Abraham-Lincoln-Straße 46
65189 Wiesbaden
DE

Email: ProductSafety@springernature.com

Noch keine Bewertungen vorhanden

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.

Kundinnen und Kunden meinen

Bewertungen (0)

Weitere Artikel finden Sie in
  • Produktbild: Einführung in Evolutionäre Algorithmen
  • 1 Überblick und thematische Einordnung.- 1.1 Grundelemente der Evolutionstheorie.- 1.2 Zur Historie der Evolutionären Algorithmen.- 1.3 Wichtige Fachbegriffe und allgemeines EA-Ablaufschema.- 1.4 Thematische Einordnung.- 1.5 Literatur zum Kapitel 1.- 1.6 Aufgaben zum Kapitel 1.- 2 Genetische Algorithmen.- 2.1 Grundkonzept.- 2.2 Erweiterungen.- 2.3 Ausgewählte Ergebnisse der GA-Theorie.- 2.4 Literatur zum Kapitel 2.- 2.5 Aufgaben zum Kapitel 2.- 3 Genetische Programmierung.- 3.1 Grundkonzept.- 3.2 Erweiterungen.- 3.3 Ausgewählte Ergebnisse der GP-Theorie.- 3.4 Literatur zum Kapitel 3.- 3.5 Aufgaben zum Kapitel 3.- 4 Evolutionsstrategien.- 4.1 Grundkonzept.- 4.2 Erweiterungen.- 4.3 Ausgewählte Ergebnisse der ES-Theorie.- 4.4 Literatur zum Kapitel 4.- 4.5 Aufgaben zum Kapitel 4.- 5 Evolutionäre Programmierung.- 5.1 Grundkonzept.- 5.2 Erweiterungen.- 5.3 Ausgewählte Ergebnisse der EP-Theorie.- 5.4 Literatur zum Kapitel 5.- 5.5 Aufgaben zum Kapitel 5.- 6 EA nah verwandte Optimierungsmethoden.- 6.1 Simulated Annealing.- 6.2 Threshold Accepting.- 6.3 Sintflut-Algorithmus und Record-to-Record-Travel.- 6.4 Bezüge der hier dargestellten Methoden zu EA.- 6.5 Literatur zum Kapitel 6.- 6.6 Aufgaben zum Kapitel 6.- 7 Vergleich und Beurteilung von EA.- 7.1 Gegenüberstellung der EA-Hauptströmungen.- 7.2 EA als Optimierungsmethode.- 7.3 Einige spezifische Stärken und Schwächen von GP.- 7.4 Parallelisierbarkeit von EA.- 7.5 Rückschlüsse für praktische Optimierungsanwendungen.- 7.6 Literatur zum Kapitel 7.- 7.7 Aufgaben zum Kapitel 7.- 8 Hybridsysteme.- 8.1 Lernende Classifier Systeme.- 8.2 Neuroevolutionäre Systeme.- 8.3 Fuzzyevolutionäre Systeme.- 8.4 Literatur zum Kapitel 8.- 8.5 Aufgaben zum Kapitel 8.- 9 Ausblick.- 9.1 Weiterführende Literatur zum Kapitel 9.- AnhangA: Elektronische Informationen zu EA.- Electronic Mail Diskussionslisten.- NetNews-Gruppe.- EvoNet.- Elektronische Archive.- Anhang B: Testdaten-Bibliotheken.- Verzeichnis wichtiger Abkürzungen.