[Печать по запросу] Алгоритм поиска и издательство приложений и приложения
Цена: 977руб. (¥46.2)
Артикул: 580239059606
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товараПродавец:湖南科技出版社旗舰
Адрес:Хунань
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥2385 029руб.
¥ 32.8 22.9484руб.
¥ 98 68.61 450руб.
¥37.7797руб.
Оглавление
Предисловие к «Серии книг по интеллектуальной науке и технологиям» Глава 1 Введение 1 1.1 Вопросы, связанные с *Оптимизацией 1 1.1.1 *Краткое введение в технологию оптимизации 1 1.1.2 Причины, по которым некоторые задачи оптимизации трудно решить 1 1.2 Современные эвристические методы 2 1.2.1 Алгоритм имитации отжига 3 1.2.2 Эволюционные вычисления 3 1.2.3 Искусственная иммунная система 4 1.2.4 Алгоритм колонии муравьев 4 1.2.5 Алгоритм оптимизации роя частиц 5 1.2.6 Мембранный расчет 5 Глава 2 Основные принципы табу-поиска 7 2.1 История исследования табу-поиска 7 2.2 Пример табу-поиска 8 2.3 Описание алгоритма табу-поиска 11 2.4 Ключевые элементы табу-поиска 13 2.5 Конвергенция табу-поиска 17 2.5.1 Конвергентный алгоритм поиска табу на основе недавней памяти 18 2.5.2 Конвергентный алгоритм поиска табу на основе частотной памяти 21 2.6 Долговременная память 22 2.6.1 Частотная память 22 2.6.2 Движение выполнения обязательств 22 2.7 Стратегические колебания 22 2.8 Поиск табу и когнитивная психология 23 2.9 Резюме 25 Глава 3 Применение поиска с табу в 26 3.1 Введение в задачу коммивояжера 26 3.2 Решение задачи коммивояжера с табу-поиском 27 3.2.1 Новая адаптивная стратегия поиска концентрации и разнообразия27 3.2.2 Базовый алгоритм и имитационный эксперимент28 3.3 Сравнение алгоритмов33 3.4 Резюме34 Глава 4 Применение табу-поиска в многомерной задаче о рюкзаке35 4.1 Введение в многомерную задачу коммивояжера Задача о рюкзаке35 4.2 Поиск с табу на основе кратковременной и долговременной памяти36 4.2.1 Основная идея алгоритма36 4.2.2 Разработка алгоритма36 4.3 Эксперимент по оптимизации многомерной задачи о рюкзаке 38 4.4 Резюме 44 Глава 5 Применение поиска с табу в многопользовательском обнаружении 45 5.1 Обзор развития технологии многопользовательского обнаружения в Связь CBenMip 45 5.2 Эквивалентная математическая модель системы связи CBenMip 47 5.3 Измерение эффективности многопользовательского обнаружения 49 5.3.1 Частота битовых ошибок 49 5.3.2 Устойчивость к ближним эффектам 49 5.4 * Лучший метод многопользовательского обнаружения 50 5.5 Классификация неоптимальных многопользовательских детекторов 52 5.6 Технология многопользовательского обнаружения на основе поиска с запретами 52 5.6.1 Поиск с запретами переменной длины 52 5.6.2 Адаптивный поиск с запретами 54 5.7 Моделирование экспериментов и анализ 56 5.7.1 Влияние построения окружения на проблемы многопользовательского обнаружения 56 5.7.2 Измерение эффективности многопользовательского метода обнаружения переменной длины с запретами 57 5.7.3 Измерение эффективности многопользовательского метода обнаружения адаптивного поиска с запретами 59 5.8 Резюме 64 Глава 6 Применение поиска с запретами в прямой нейронной сети 65 6.1 Введение в искусственную нейронную сеть 65 6.2 Применение поиска с запретами в многослойной прямой нейронной сети 65 6.2.1 Разработка алгоритма 65 6.2.2 Имитационный эксперимент 66 6.3 Резюме 71 Глава 7 Применение поиска с запретами в нечеткой нейронной сети 72 7.1 Нейронная сеть и нечеткая система 72 7.2 Способ объединения нечеткой системы и нейронной сети 73 7.3 Нечеткая нейронная сеть U-типа 74 7.4 Поиск с табу, применяемый для оптимизации структуры и параметров нечеткой нейронной сети 77 7.4.1 Разработка алгоритма 牊獦馦-犊犜犦 77 7.4.2 Имитационный эксперимент 79 7.5 Поиск с табу, применяемый к Проектирование классификатора нечеткой нейронной сети 86 7.5.1 Нечеткая нейронная сеть и интеллектуальный анализ данных 87 7.5.2 Разработка 牜鍦鍦-犊犜犆88 7.5.3 犜牦-犉獦獦犆Применительно к Y犚犊犦犊牦Классификация данных91 7.6 Резюме93 Глава 8 Применение табу-поиска в эмоциональных вычислениях94 8.1 Эмоциональные вычисления и распознавание эмоций94 8.2 Текущая ситуация и проблемы исследования распознавания эмоций96 8.2.1 Текущая ситуация в исследованиях распознавания эмоций96 8.2.2 Проблемы, существующие в исследованиях распознавания эмоций97 8.3 Сбор и извлечение признаков сигнала 犌牦R99 8.3.1 犌牦R signal99 8.3.2 Эксперимент по сбору данных 犌牦R100 8.3.3 Предварительная обработка данных 犌牦R105 8.3.4 Эффективное извлечение признаков 犌牦R106 8.4 Выбор признаков 111 8.4.1 Выбор признаков как задача комбинаторной оптимизации 111 8.4.2 Методы Выбор признаков 111 8.5 Поиск с запретами, применяемый для решения проблемы выбора признаков распознавания эмоций 112 8.5.1 Идея поиска подмножества инкапсулированных признаков 112 8.5.2 Разработка алгоритма поиска с запретами, применяемого для выбора эмоциональных признаков 113 8.6 Разработка классификатора 117 8.6.1 Обзор конструкции классификатора 117 8.6.2 Классификатор распознавания эмоций на основе сигнала 犌牦犚119 8.7 Исследовательские эксперименты и анализ распознавания эмоций 122 8.7.1 Результаты моделирования улучшенного алгоритма поиска табу 123 8.7.2“ один”Исследование распознавания эмоций 124 8.7.3“ один -many&Исследование распознавания эмоций 134 8.8 Резюме 137 Глава 9 Распараллеливание поиска с запретами 138 9.1 Введение в параллельный поиск с запретами 138 9.1.1 Классификация параллельного поиска с запретами 138 9.1.2 Исследование применения параллельного поиска с запретами 139 9.1.3 Реализация и объяснение параллельного поиска с запретами 139 9.2 Параллельный поиск с запретами на основе Операция генетического скрещивания 139 9.2.1 Разработка алгоритма 140 9.2.2 Имитационный эксперимент и анализ 141 9.3 Параллельный поиск с запретами на основе разделения пространства решений 144 9.3.1 Разработка алгоритма 144 9.3.2 Имитационный эксперимент и анализ 145 9.4 Параллельный поиск с запретами на основе разделения пространства соседства 147 9.4.1 Разработка алгоритма 148 9.4.2 Моделирование эксперимента и анализ 148 9.5 Резюме 151 Глава 10 Заключение 152 Литература 153
Чтение в Интернете
Глава 1 Введение 1.1 Вопросы, связанные с *Оптимизацией 1.1.1 Краткое описание *Технологии оптимизации *Технология оптимизации является важной отраслью прикладной математики и новой дисциплиной для решения *оптимизационных задач. В основном он изучает, какое решение является лучшим среди многих решений или как найти оптимальное решение?Например, при инженерном проектировании: как выбрать параметры конструкции, чтобы проектное решение соответствовало требованиям и снижало затраты; при распределении ресурсов: как распределить ограниченные ресурсы так, чтобы план распределения мог не только отвечать основным требованиям всех аспектов, но и получать хорошие экономические выгоды; при планировании и организации производства, какой план следует выбрать для увеличения стоимости продукции и прибыли; в вопросах соотношения сырья, как определить пропорции различных ингредиентов для улучшения качества и снижения затрат;в городском планировании как расположить заводы?Школа? орган?магазин?Больница?Только рациональная планировка жилых кварталов и других объектов может облегчить жизнь масс и способствовать развитию всех слоев жизни города?В различных областях человеческой деятельности существует бесчисленное множество задач по оптимизации, подобных этой?Поскольку проблемы оптимизации изобилуют производством и жизнью, и их невозможно избежать, на протяжении веков люди усердно работали над созданием ряда связанных между собой теорий и алгоритмов оптимизации?Еще в 17 веке, когда великий британский ученый Ньютон изобрел исчисление, уже возникли экстремальные проблемы ценностей. Позже появился метод множителей Лагранжа?В 1847 году французский математик Коши изучал вопрос, в каком направлении значение функции падает быстрее всего, и предложил метод быстрого убывания?В 1939 году советский математик Канторович предложил метод решения двух задач линейного программирования: задачи гашения и задачи транспортировки?С 1940-х годов благодаря быстрому развитию научных исследований, особенно широкому применению электронных компьютеров, стали доступны мощные вычислительные инструменты для решения задач оптимизации, и соответствующие исследования быстро развивались?Пока появилось линейное программирование?Целочисленное программирование?Нелинейное программирование? Геометрическое программирование?Динамическое программирование? Многие алгоритмы, такие как стохастическое программирование*, теория оптимизации и алгоритмы, играют все большую роль в практических приложениях?1.1.2 Причины, по которым некоторые задачи оптимизации трудно решить. Многие инженерные проблемы или проблемы управления в реальном мире можно отнести к задачам ограниченной оптимизации со многими типами и свойствами?*Задачи оптимизации можно разделить на две категории: задачи оптимизации функций и задачи комбинаторной оптимизации.Среди них объектом оптимизации функции является непрерывная переменная в определенном интервале, а объектом комбинаторной оптимизации – дискретное состояние в пространстве решений?Независимо от множества проблем в проекте, таких как оптимизация работы сети газопроводов?Структурная оптимизация сетей связи и т. д. или многие проблемы информатики, такие как задача коммивояжера (TSP)?Проблема с планированием рабочего времени (JSSP)? 0-1 задача о рюкзаке (0-1 задача о рюкзаке, 0-1КП)?Проблема с упаковкой контейнера (BPP)? Проблема с раскраской графа (GCP)? Проблема проблемы кластеризации (CPP)?*Можно ли свести задачу связующего дерева минимальной степени (MDSTP) и задачу покрытия множеств (SCP) к задачам комбинаторной оптимизации?Поэтому исследования задач комбинаторной оптимизации всегда привлекали широкое внимание? Люди поняли, что вычислительная сложность задач комбинаторной оптимизации очень высока и что это недетерминированная трудная задача с полиномиальным временем (NP-трудная).Помимо перечисления части пространства решений (перечисление будет астрономическим числом), нет ли лучшего решения?Можно ли использовать классические методы исследования операций, например линейное программирование, если масштаб задачи невелик? Целочисленное программирование? Динамическое программирование? Использовать методы ветвей и границ для решения? Когда масштаб проблемы увеличивается из-за экспоненциального или факторного роста пространства решений, фактически невозможно получить точное оптимальное решение?Причину того, почему реальные задачи оптимизации трудно решить, можно резюмировать следующим образом [1]: (1) число возможных решений в пространстве поиска (или пространстве решений) слишком велико, чтобы использовать метод исчерпывающего поиска для нахождения оптимального решения;(2) Проблема настолько сложна, что для получения какого-либо ответа приходится использовать упрощенную модель задачи, а полученные результаты фактически бесполезны; (3) Функция оценки, описывающая качество возможных решений, либо зашумлена, либо меняется со временем, поэтому необходимо не одно решение, а набор решений из серии решений; (4) Возможные решения настолько строго ограничены, что трудно построить даже допустимое решение, не говоря уже о нахождении оптимального решения; (5) Человек, решающий задачу, не до конца подготовлен или имеет какой-то психологический барьер, мешающий ему найти ответ? Конечно, могут быть и другие причины, но достаточно ли перечисленных выше? Каждая проблема имеет причину своего существования, главное – как ее решить? Так появился современный эвристический метод?1.2 Современные эвристические методы Как упоминалось ранее, многие задачи оптимизации трудно решить?Но с точки зрения удовлетворения практических приложений, являются ли приемлемыми приближенные алгоритмы, которые могут получить удовлетворительные решения, или случайные алгоритмы, которые гарантируют качество решений с определенной вероятностью и которым уделяется все больше и больше внимания?В последние десятилетия исследователи начали изучать биологические системы в природе с разных точек зрения.Искать вдохновение в самих людях, их поведенческих особенностях или интеллектуальных процессах и т. д.?Имеют ли биологические системы в природе тенденцию к нецентрализованному управлению?Адаптивность и осведомленность об окружающей среде, которые делают их способными адаптироваться к окружающей среде, легко измеримыми и гибкими, атрибуты, которые намного превосходят лучшие существующие человеко-машинные системы?Как исследовать безопасность со стороны биологии (включая самих людей)?Адаптация к окружающей среде и оптимизация процесса для получения вдохновения для выполнения вычислительных задач — новый принцип искусственного интеллекта?Развитие новых методов и связанных с ними дисциплин имеет большой импульс?Вдохновленные природой, с 1980-х годов появились некоторые новые алгоритмы оптимизации, такие как искусственные нейронные сети?хаос?Эволюционные вычисления?Имитация отжига?Табу-поиск?Нечеткая система?Искусственная иммунная система?Роевой интеллект?Квантовые вычисления?Мембранные расчеты и т.п., идеи и содержание этих алгоритмов связаны с математикой?физика?Биологическая эволюция?ИИ?Нейронаука?Статистическая механика и другие аспекты дают новые идеи и средства для решения сложных задач?Уникальные преимущества и механизмы этих алгоритмов привлекли широкое внимание отечественных и зарубежных ученых, вызвали исследовательский бум и были успешно применены во многих областях.Учитывая интуитивность и естественный механизм построения этих алгоритмов, их обычно называют методами современной эвристики (MH), вычислительным интеллектом (CI) или вычислениями, вдохновленными природой (NIC)? Ниже представлены некоторые основные эвристики? 1.2.1 Алгоритм имитации отжига Идея алгоритма имитации отжига (SA) была впервые предложена METROPOLIS et al.в 1953 году [2].В 1983 году Киркпатрик и др. применил его к комбинаторной оптимизации [3]? Алгоритм моделирования отжига представляет собой алгоритм стохастической оптимизации, основанный на итеративном решении Монте-Карло. Ее отправная точка основана на сходстве процесса отжига твердых веществ в физике и общих задач комбинаторной оптимизации?При определенной начальной температуре, когда температурные параметры продолжают уменьшаться, алгоритм моделирования отжига объединяет характеристики скачка вероятности, чтобы случайным образом найти глобальное оптимальное решение целевой функции в пространстве решений.То есть он может вероятностно выскочить из локального оптимального решения и в конечном итоге стремиться к глобальному оптимальному решению? Алгоритм имитации отжига представляет собой общий алгоритм оптимизации, который широко используется в технике, например, СБИС?Планирование производства? Техника управления?Машинное обучение?Обработка изображений и другие области [4-7]?1.2.2 Эволюционные вычисления Исследования эволюционных вычислений (EC) начались в 1950-х годах, но не получили широкого внимания в 1960-х и 1970-х годах? Основные причины таковы: во-первых, сами эти методы недостаточно зрелы;во-вторых, эти методы требуют большого объема вычислений, а компьютеры в то время были недостаточно популярны и медленны, что ограничивало их применение; в-третьих, методы искусственного интеллекта, основанные на обработке символов, были на пике своего развития, из-за чего людям было трудно признать эффективность и адаптируемость других методов?К 1980-м годам ограничения методов искусственного интеллекта становились все более заметными, а с увеличением скорости компьютеров и популяризацией параллельных компьютеров требование к скорости машин в эволюционных вычислениях больше не было фактором, ограничивающим их развитие?Постоянное развитие эволюционных вычислений и их успех в некоторых областях применения показали хорошие перспективы применения?Со времен эволюционных вычислений в машинном обучении?Контроль процесса?Экономический прогноз?Успехи в таких областях, как инженерная оптимизация, вызвали большой интерес у ученых различных областей?С середины 1980-х годов во многих странах мира начался исследовательский бум в области эволюционных вычислений.В настоящее время по всему миру регулярно проводится несколько международных конференций на тему эволюционных вычислений и издано более двух авторитетных журналов, посвященных эволюционным вычислениям?Основными характеристиками эволюционных вычислений являются стратегии группового поиска и обмен информацией между группами?В настоящее время генетический алгоритм (ГА)?Эволюционное программирование (ЭП)? Три эволюционные стратегии (ES) вместе составляют основную основу эволюционных вычислений [8-10]?Насколько устойчивыми в последние годы оказались эволюционные вычисления при решении задач оптимизации функций* непрерывных переменных и задач комбинаторной оптимизации дискретных переменных?Глобальный?Неявный параллелизм и адаптивность делают его все более широко используемым алгоритмом интеллектуальной оптимизации [11-14]?1.2.3 Искусственная иммунная система Искусственная иммунная система (ИИС) – это интеллектуальный метод, имитирующий функцию естественной иммунной системы. Он воплощает в себе технологию обучения, вдохновленную биологическими системами, и обеспечивает устойчивость к шуму, изучая естественный защитный механизм внешних веществ.Учиться без учителя?Самоорганизация?Эволюционные механизмы обучения, такие как память, в сочетании с классификаторами?Какие преимущества имеют такие системы, как нейронные сети и машинное мышление, которые предоставляют новые методы и подходы к решению проблем и становятся преемниками нейронных сетей?Нечеткая система?Еще одна горячая точка исследований в области искусственного интеллекта после эволюционных вычислений [15,16]?Фармер и др. возглавил создание динамической модели иммунной системы, основанной на соответствующих теориях иммунной сети, исследовал связь между иммунной системой и другими методами искусственного интеллекта и начал исследования искусственных иммунных систем [17]?В нашей стране Цзинь Фань и другие отмечали примерно в 1990 г.“Функции обработки информации и защиты тела иммунной системы имеют далеко идущее значение с точки зрения инженерства.”[18]?Однако результаты исследований после этого относительно редки?Лишь в декабре 1996 года в Японии был проведен первый международный симпозиум по иммунной системе, на котором была представлена концепция“Искусственная иммунная система”Концепция?Впоследствии исследования искусственных иммунных систем вступили в период бурного развития. Дасгупта и др. считают, что искусственные иммунные системы стали горячей темой в теоретических и прикладных исследованиях в области искусственного интеллекта [15, 19, 20]. Соответствующие статьи и результаты исследований растут с каждым годом?Внутри страны Цзяо Личэн из Сианьского университета электронных наук и технологий и его команда ранее проводили исследования искусственных иммунных систем и добились выдающихся достижений [21-34]?За границей Университет Нью-Мексико в США ранее проводил исследования в области информационной безопасности на основе искусственных иммунных систем, предложил концепцию вычислительной иммунологии и взялся за создание компьютерной иммунной системы. Соответствующие результаты были опубликованы в IBM?Использовалось ли оно в программном обеспечении информационной безопасности Intel и других компаний?Тиммис и другие из Кентского университета в Великобритании провели систематические теоретические исследования в области машинного обучения и технологий интеллектуального анализа данных на основе искусственных иммунных систем, а также выполнили крупномасштабные приложения для интеллектуального анализа данных на основе искусственных иммунных систем [35,36]?Исследования искусственных иммунных систем в основном сосредоточены на моделях искусственной иммунной системы?Алгоритмы искусственной иммунной системы и применение методов искусственной иммунной системы [17]?1.2.4 Алгоритм колонии муравьев Муравьев называют социальными насекомыми, потому что они обладают тремя элементами, составляющими общество: Помимо организованности?Существует ли разделение труда, взаимное общение и передача информации?Биологи и бионики обнаружили, что колонии муравьев имеют замечательную информационную систему?В поисках еды муравьи обычно идут по тропам с высокой концентрацией феромонов?Оставляют ли эти следы отдельные муравьи-фуражеры, когда они путешествуют, чтобы направить других особей к тому же источнику пищи?Чем посещаемее место, тем выше в нем концентрация феромонов?Из-за посещения муравьев при поиске источников пищи и возвращении в гнездо, более высокие концентрации феромонов концентрируются на дорогах, прилегающих к гнезду. [37] Вдохновленные кормовым поведением колоний муравьев, ищущих кратчайший путь, итальянский ученый Дориго и др. в 1991 году предложил алгоритм оптимизации, имитирующий поведение колоний муравьев в природе.——&- Алгоритм оптимизации муравьиной колонии (ACO) (далее — алгоритм муравьиной колонии)?Алгоритм муравьиной колонии использует искусственные траектории феромонов в качестве средства связи между простыми агентами в колонии?Траектории феромонов как распределенная числовая информация, используемая муравьями для построения вероятностных решений?Имитируя опыт поиска муравьев, потенциальное решение проблемы постоянно модифицируется в соответствии с правилами обновления феромонов и правилами преобразования вероятностей [38]?Алгоритм муравьиной колонии имеет распределенные вычисления?Характеристики информационной положительной обратной связи и эвристического поиска первоначально использовались для решения задачи коммивояжера и с тех пор широко и успешно применяются в различных задачах комбинаторной оптимизации [39, 40]?1.2.5 Алгоритм оптимизации роя частиц Алгоритм оптимизации роя частиц (PSO) был вдохновлен результатами исследований искусственной жизни Кеннеди и Эберхарта?Алгоритм глобального случайного поиска, основанный на роевом интеллекте [41], предложенный путем моделирования миграции и роевого поведения птиц в процессе кормодобывания?В 1995 году Международная академическая конференция по нейронным сетям IEEE опубликовала статью под названием «Оптимизация роя частиц», ознаменовавшую рождение алгоритма оптимизации роя частиц?Как и другие эволюционные алгоритмы, он также основан на“&rdquo&Ldquo; эволюция&рдкво; концепция, посредством сотрудничества и конкуренции между людьми, реализуется поиск оптимальных решений в сложных пространствах; в то же время алгоритм оптимизации роя частиц не пересекает особей, как другие эволюционные алгоритмы?Мутации?Вместо того, чтобы выбирать другие эволюционные операторные операции, рассматривайте особей в рое как частицы без массы и объема в беновском пространстве поиска. Каждая частица движется в пространстве решений с определенной скоростью и собирается в направлении своей исторической лучшей позиции (pbest) и исторической лучшей позиции окрестности (lbest), чтобы реализовать эволюцию возможных решений?Имеет ли алгоритм оптимизации роя частиц хорошую биосоциальную основу и его легко понять?Он имеет мало параметров и прост в реализации. А как насчет нелинейности?Все мультимодальные задачи обладают мощными возможностями глобального поиска, получили широкое внимание в научных исследованиях и инженерной практике и успешно используются при проектировании систем?Многоцелевая оптимизация?Классификация?Распознавание образов?Системное моделирование?Планирование?Обработка сигнала?Приложения для роботов?Поддержка принятия решений и другие области [42]? 1.2.6 Мембранные вычисления Мембранные вычисления (МК) — это новая ветвь естественных вычислений. Его цель — абстрагировать вычислительные модели от структуры и функций живых клеток, а также от взаимодействия групп клеток, таких как ткани и органы.Мембранные вычисления созданы Европейской академией наук?Академик Румынской академии наук предложил идею Pyrozoon в исследовательском отчете Компьютерного центра Турку в Финляндии в 1998 году, а официальная статья была опубликована в 2000 году?В 2003 году Институт научной информации (ISI) назвал эту статью революционной статьей в области информатики (см. http://www.Esitopics.com). Она также стала одной из наиболее цитируемых статей того года, что указывает на то, что мембранные вычисления стали новой областью исследований. С момента своего появления мембранные вычисления привлекли широкое внимание многих учёных.До сих пор были докторские диссертации?Существует более тысячи документов, включая материалы международных конференций и специальные выпуски международных журналов [43], посвященных информатике?биология?Биомедицина?Биоинформатика?математика?ИИ?Автоматическое управление?Несколько дисциплин или областей, таких как экономика; несколько вычислительных моделей, начиная от математики?Информатика?Строительство и исследования, основанные на биологии и т. д., такие как мембранные системы клеточного типа?Мембранные системы тканевого типа, мембранные системы нейронного типа и т. д., проникло ли их применение и в компьютерную графику?Примерная оптимизация? Криптозоология? Параллельные вычисления и многие другие области? В настоящее время ежегодно будут проводиться две специальные международные конференции по мембранным вычислениям: WMC (Семинар по мембранным вычислениям) и BWMC (Неделя мозгового штурма по мембранным вычислениям). А БИКТА?УК?КомпМод?МеКБИК?DCFS?ИВНК?НИКСО?ИИИИББМ?ГБЦ?МУП?ЦИАА?ВСЦ?ИСБРА?БИКС?Многие международные конференции, такие как DNA14, включают темы мембранных вычислений?Исследовательскую работу по мембранным вычислениям можно разделить на три категории: теоретические исследования?Прикладные исследования и программное обеспечение?Исследование реализации аппаратного обеспечения? Теоретические исследования мембранных вычислений в основном сосредоточены на создании различных вычислительных моделей и анализе вычислительной мощности и эффективности вычислений. Прикладные исследования мембранных вычислений в основном используют характеристики мембранных систем и различные модели для решения биологических задач.Информатика? лингвистика?Практические вопросы по экономике и т.п., но мягкие в мембранных расчетах?Исследования по внедрению аппаратного обеспечения сосредоточены на использовании программ для реализации существующих компьютеров или разработке новых процессоров для реализации соответствующих моделей мембранных вычислений или решения связанных проблем?Связаны ли эти три аспекта исследования друг с другом?Взаимное продвижение[43]?
Введение
Алгоритм поиска с табу — это глобальный алгоритм пошаговой оптимизации, расширение алгоритма поиска локальных окрестностей и успешное применение искусственного интеллекта при решении задач оптимизации.Основываясь на всестороннем объяснении принципов алгоритма табу-поиска и в сочетании с недавними исследовательскими работами, эта книга проводит обширные и углубленные обсуждения знаменитой проблемы коммивояжера, проблемы многомерного рюкзака, проблемы многопользовательского обнаружения в общении, проблемы прямого обучения нейронной сети, проблемы проектирования нечетких нейронных сетей, проблемы распознавания физиологических сигналов и эмоций и распараллеливания алгоритмов.
Рекомендуемая рекомендация
Рекомендуемые читатели: «Алгоритм и применение поиска табу» можно использовать в качестве учебного материала для студентов и аспирантов, специализирующихся в области автоматизации, а также в качестве справочного материала для исследователей и технических специалистов по смежным специальностям.