کتاب Learning Genetic Algorithms with Python

کتاب Learning Genetic Algorithms with Python یادگیری الگوریتم ژنتیک با استفاده از زبان برنامه‌نویسی پایتون است. در این کتاب ابتدا مفاهیم تئوری الگوریتم ژنتیک تشریح داده شده سپس با استفاده از مفاهیم عملی در برنامه‌نویسی این الگوریتم توضیح داده می‌شود. در ادامه مقدمه‌ای از کتاب را از زبان نویسنده کتاب شرح خواهیم داد.

مقدمه‌ای بر کتاب Learning Genetic Algorithms with Python:

فصل 1 فصل مقدماتی است که اصول اساسی تکامل را ارائه می‌دهد. این فصل الگوریتم ژنتیک، ماهیت الگوریتم ژنتیک، کاربرد آن و مزایا و معایب آن را تعریف می‌کند.

فصل 2 معماری الگوریتم ژنتیک، مفاهیم اصلی منطقی آن را مورد بحث قرار می‌دهد: فرد، عملکرد تناسب اندام، جمعیت، انتخاب، متقاطع و جهش.

فصل 3 کتاب Learning Genetic Algorithms with Python، فقط بر روی روش انتخاب تمرکز می‌کند. این انتخاب را به معنای تکامل، نحوه عملکرد و نحوه تأثیر آن بر روند تکامل توضیح می‌دهد. ما روش‌های انتخاب زیر را پوشش می‌دهیم: انتخاب مسابقات، انتخاب متناسب، انتخاب نمونه جهانی تصادفی، انتخاب رتبه، انتخاب نخبگان.

فصل 4 کتاب Learning Genetic Algorithms with Python، فقط بر عملیات متقاطع متمرکز است. این متقاطع، دلیل اهمیت آن، نحوه عملکرد و نحوه تأثیر آن بر جستجوی راه حل را توضیح می‌دهد. ما روش‌های متقاطع زیر را مطالعه خواهیم کرد: متقاطع یک نقطه‌ای، متقاطع N-point، کراس اور یکنواخت، کراس اوور ترکیبی خطی، کراس اوور ترکیبی، کراس اوور سفارش و کراس اوور تناسب اندام.

فصل 5 آخرین عملیات تکاملی به نام جهش را مورد بحث قرار می‌دهد. تکامل بدون جهش غیرممکن است و یکی از مهمترین بخش‌های الگوریتم ژنتیک است. روش‌های جهش زیر مورد بحث قرار می‌گیرد: جهش انحراف تصادفی، جهش تبادلی، جهش شیفت، جهش تلنگر بیت، جهش معکوس، جهش شفل، و جهش ناشی از تناسب اندام.

فصل 6 کتاب Learning Genetic Algorithms with Python، راهی را برای مقایسه اثربخشی معماری الگوریتم‌های ژنتیک بررسی می‌کنیم. این نشان می‌دهد که بهترین فرد چیست. الگوریتم ژنتیک را به عنوان یک متغیر تصادفی کاوش کنید و تکنیک مفید را برای مقایسه دو متغیر تصادفی به نام شبیه‌سازی مونت کارلو بررسی کنید.

فصل 7 آخرین فصل نظری است و به تنظیم پارامترها اختصاص دارد. این نشان می‌دهد که چگونه پارامترهای جهانی مانند اندازه جمعیت، متقاطع و احتمال جهش بر پویایی جریان الگوریتم ژنتیک حاکم است. هر پارامتر را مورد بررسی قرار می‌دهد و توضیح می‌دهد که چگونه هر پارامتر به طور شهودی بر الگوریتم تأثیر می‌گذارد

فصل 8 بخش عملی مشکلات واقعی را آغاز می‌کند. این یکی از رایج‌ترین وظایف را شامل می‌شود – یافتن حداکثرهای عملکرد جعبه سیاه. این شامل انواع افراد می تواند ایجاد شود و معماری الگوریتم ژنتیک را برای این کار طراحی می‌کند.

فصل 9 شامل اولین نوع مشکلات ترکیبی، با نام مشکلات ترکیبی رمزگذاری شده دوتایی است. این راه حل برای کوله پشتی کلاسیک و مشکل برنامه ریزی است. و همچنین، ما یک مشکل پیچیده رادار را مطالعه خواهیم کرد.

فصل 10 نوع دوم مشکل ترکیبی به نام مشکلات ترکیبی رمزگذاری شده را مطالعه می‌کند. در اینجا ما مشکل فروشنده سنتی مسافر را مورد بحث قرار می‌دهیم. همچنین، ما یک مشکل اصلی مدیر فوتبال را بررسی می‌کنیم.

فصل 11 انواع دیگر مشکلات را نشان می‌دهد. این نشان می‌دهد که چگونه سیستم کلی معادلات را با استفاده از الگوریتم‌های ژنتیک و یک مشکل رنگ‌آمیزی نمودار دیگر حل کنید.

فصل 12 الگوریتم ژنتیک را به سطح دیگری از یادگیری ماشین تا یادگیری عمیق می‌رساند. این نشان می‌دهد که چگونه یک الگوریتم ژنتیک تطبیقی ​​طراحی می‌شود که می‌تواند به عنوان یک رویکرد جهانی با ویژگی تنظیم خود در طول فرآیند تکامل مورد استفاده قرار گیرد.
فصل 13 همه چیز را در مورد عملکرد الگوریتم توضیح می‌دهد. این فصل نشان می‌دهد که چگونه می‌توان الگوریتم ژنتیک را با تکنیک‌های مختلف سرعت بخشید.

همچنین شما می‌توانید برای یادگیری اصول اولیه الگوریتم‌ها از کتاب Dive into Algorithms نیز استفاده نمائید.

سرفصل‌های کتاب Learning Genetic Algorithms with Python:

• 1. Introduction
• 2. Genetic Algorithm Flow
• 3. Selection
• 4. Crossover
• 5. Mutation
• 6. Effectiveness
• 7. Parameter Tuning
• 8. Black-Box Function
• 9. Combinatorial Optimization – Binary Gene Encoding
• 10. Combinatorial Optimization – Ordered Gene Encoding
• 11. Other Common Problems
• 12. Adaptive Genetic Algorithm
• 13. Improving Performance
• Index

فایل کتاب Learning Genetic Algorithms with Python را می‌توانید پس از پرداخت، دریافت کنید.