Buch, Deutsch, 345 Seiten, Format (B × H): 148 mm x 210 mm, Gewicht: 471 g
Reihe: Computational Intelligence
Optimierung nach dem Vorbild der Evolution
Buch, Deutsch, 345 Seiten, Format (B × H): 148 mm x 210 mm, Gewicht: 471 g
Reihe: Computational Intelligence
ISBN: 978-3-528-05499-1
Verlag: Vieweg+Teubner Verlag
Dieses Lehrbuch aus dem KI-Themenfeld richtet sich an Wirtschaftsinformatiker und Informatiker, ferner an Ingenieure und OR-Spezialisten. Es bietet eine umfassende methodisch orientierte Einführung in das Optimieren mit Evolutionären Algorithmen. Dazu gehören vor allem Genetische Algorithmen, Evolutionsstrategien, Genetische bzw. Evolutionäre Programmierung. Wichtige Ergebnisse der Theorie werden in gut verständlicher Form wiedergegeben. Zahlreiche Abbildungen und Beispiele sowie Hinweise auf Quellen im Internet und Testdaten ergänzen den Text. Das Buch kann als Grundlage zur Entwicklung eigener Anwendungen dienen oder als begleitender Text für Lehrveranstaltungen.
Zielgruppe
Upper undergraduate
Fachgebiete
Weitere Infos & Material
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.
