دوره از ژن تا شبکه: یک کتاب‌ی جامع آموزش الگوریتم‌های تکاملی و کاربردهای زیستی-الهامی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب از ژن تا شبکه: یک کتاب‌ی جامع آموزش الگوریتم‌های تکاملی و کاربردهای زیستی-الهامی

موضوع کلی: الگوریتم‌های هوشمند الهام‌گرفته از طبیعت

موضوع میانی: الگوریتم‌های تکاملی و کاربردهای آن‌ها

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه‌ای بر هوش محاسباتی و هوش جمعی
• 2. چرا الهام از طبیعت؟ تاریخچه و فلسفه
• 3. مسائل بهینه‌سازی: تعاریف، انواع و چالش‌ها
• 4. مروری بر الگوریتم‌های هوشمند الهام‌گرفته از طبیعت
• 5. مفاهیم اولیه در الگوریتم‌های تکاملی
• 6. نقش تصادفی بودن و اکتشاف در بهینه‌سازی
• 7. اصول ارزیابی و مقایسه الگوریتم‌ها
• 8. تکامل داروین: انتخاب طبیعی و بقای اصلح
• 9. مفاهیم پایه ژنتیک: DNA، ژن، کروموزوم
• 10. وراثت و تغییرات ژنتیکی
• 11. جمعیت‌ها، گونه‌ها و تنوع زیستی
• 12. سازگاری و محیط زیست
• 13. مکانیزم‌های تغییر: جهش و نوترکیبی
• 14. تکامل از دیدگاه ریاضی و آماری
• 15. چالش‌های مدل‌سازی زیستی در محاسبات
• 16. معرفی الگوریتم ژنتیک (GA): تاریخچه و ساختار کلی
• 17. نمایش کروموزوم‌ها: رشته‌های دودویی
• 18. نمایش کروموزوم‌ها: اعداد حقیقی و صحیح
• 19. نمایش کروموزوم‌ها: ساختارهای درختی و مجاز
• 20. تابع برازندگی (Fitness Function): طراحی و اهمیت
• 21. روش‌های انتخاب: چرخ رولت و نمونه‌برداری تصادفی
• 22. روش‌های انتخاب: انتخاب تورنمنت
• 23. روش‌های انتخاب: انتخاب رتبه‌ای و انتخاب پایدار
• 24. عملگرهای تقاطع (Crossover): تقاطع تک‌نقطه‌ای و دونقطه‌ای
• 25. عملگرهای تقاطع: تقاطع یکنواخت و حلقوی
• 26. عملگرهای تقاطع: تقاطع حسابی و BLX-α
• 27. عملگرهای جهش (Mutation): جهش بیتی
• 28. عملگرهای جهش: جهش گوسی و جهش یکنواخت
• 29. عملگرهای جهش: جهش جابجایی و وارونگی
• 30. پارامترهای GA: اندازه جمعیت
• 31. پارامترهای GA: نرخ تقاطع و نرخ جهش
• 32. مقداردهی اولیه جمعیت
• 33. شرایط توقف الگوریتم
• 34. تئوری اسکیما و فرضیه بلوک‌های ساختمانی
• 35. پدیده‌های همگرایی زودرس و حفظ تنوع
• 36. الگوریتم‌های ژنتیک نسلی و پایدار
• 37. الگوریتم‌های ژنتیک با پنجره کشویی (Sliding Window GA)
• 38. الگوریتم‌های ژنتیک موازی و توزیع‌شده
• 39. الگوریتم‌های ژنتیک چند‌جمعیتی
• 40. رمزگشایی و رمزگذاری کروموزوم‌ها
• 41. بهبود کارایی GA: هیبریدیزاسیون
• 42. ملاحظات عملی در پیاده‌سازی GA
• 43. GA برای بهینه‌سازی ترکیبیاتی (Combinatorial Optimization)
• 44. برنامه‌ریزی تکاملی (Evolutionary Programming - EP): مبانی و کاربردها
• 45. استراتژی‌های تکاملی (Evolution Strategies - ES): معرفی و انواع (μ,λ)
• 46. استراتژی‌های تکاملی: خودتطبیقی و CMA-ES
• 47. برنامه‌نویسی ژنتیک (Genetic Programming - GP): معرفی و نمایش درختی
• 48. برنامه‌نویسی ژنتیک: عملگرهای تقاطع و جهش در GP
• 49. برنامه‌نویسی ژنتیک: کاربردها و چالش‌ها
• 50. بهینه‌سازی تفاضلی (Differential Evolution - DE): مبانی و عملگرها
• 51. بهینه‌سازی تفاضلی: استراتژی‌های مختلف DE
• 52. الگوریتم‌های یادگیری تقویتی تکاملی (Evolutionary Reinforcement Learning)
• 53. تفاوت‌ها و شباهت‌های الگوریتم‌های تکاملی اصلی
• 54. انتخاب الگوریتم تکاملی مناسب برای مسئله
• 55. مروری بر محاسبات تکاملی (Evolutionary Computation - EC)
• 56. اصول خودسازگاری در الگوریتم‌های تکاملی
• 57. تکامل بازگشتی (Recursive Evolution)
• 58. بهینه‌سازی چندهدفه (Multi-objective Optimization): مفاهیم پایه
• 59. مجموعه پارتو و جبهه پارتو
• 60. الگوریتم ژنتیک چندهدفه (MOGA)
• 61. NSGA-II: رویکرد نخبه‌گرایانه و مرتب‌سازی غیرغالبه
• 62. SPEA2: الگوریتم نخبه‌گرایانه با انتخاب بر اساس چگالی
• 63. بهینه‌سازی مسائل با قیود (Constrained Optimization) با EAs
• 64. الگوریتم‌های تکاملی برای مسائل پویا (Dynamic Optimization)
• 65. الگوریتم‌های ممتیک (Memetic Algorithms): ترکیب EAs با جستجوی محلی
• 66. الگوریتم‌های کوتکاملی (Co-evolutionary Algorithms): تکامل همزمان
• 67. الگوریتم‌های تکاملی مبتنی بر خوشه‌بندی و دسته‌بندی
• 68. سیستم‌های ایمنی مصنوعی (Artificial Immune Systems - AIS): معرفی و الهام زیستی
• 69. الگوریتم‌های انتخاب کلونی در AIS
• 70. شبکه‌های ایمنی و الگوریتم‌های ایمنی مصنوعی
• 71. محاسبات تکاملی مبتنی بر دانش (Knowledge-based EC)
• 72. معیارهای ارزیابی کارایی الگوریتم‌های تکاملی
• 73. بهینه‌سازی فراپارامترها با استفاده از الگوریتم‌های تکاملی (Hyperparameter Optimization)
• 74. مقدمه‌ای بر هوش جمعی (Swarm Intelligence)
• 75. بهینه‌سازی کلونی مورچگان (Ant Colony Optimization - ACO): الهام زیستی
• 76. ACO برای مسئله فروشنده دوره‌گرد (TSP)
• 77. ACO: انواع و بهبودها
• 78. بهینه‌سازی ازدحام ذرات (Particle Swarm Optimization - PSO): الهام و مبانی
• 79. PSO: پارامترها و توپولوژی شبکه
• 80. PSO: انواع و کاربردها
• 81. الگوریتم کلونی زنبور عسل مصنوعی (Artificial Bee Colony - ABC)
• 82. الگوریتم کرم شب‌تاب (Firefly Algorithm)
• 83. الگوریتم خفاش (Bat Algorithm)
• 84. الگوریتم جستجوی گرگ خاکستری (Grey Wolf Optimizer - GWO)
• 85. الگوریتم‌های مبتنی بر گیاهان (Plant-inspired Algorithms)
• 86. الگوریتم‌های الهام‌گرفته از شبکه‌های عصبی (Neural Network Inspired Algorithms) - اشاره به مبانی
• 87. مقایسه و طبقه‌بندی الگوریتم‌های هوش جمعی
• 88. الگوریتم‌های مبتنی بر آبزیان (Fish School Search, Dolphin Swarm Algorithm)
• 89. کاربرد الگوریتم‌های تکاملی در مهندسی و طراحی
• 90. کاربرد الگوریتم‌های تکاملی در رباتیک و کنترل
• 91. کاربرد الگوریتم‌های تکاملی در داده‌کاوی و یادگیری ماشین (انتخاب ویژگی)
• 92. کاربرد الگوریتم‌های تکاملی در خوشه‌بندی و دسته‌بندی
• 93. کاربرد الگوریتم‌های تکاملی در مسائل زمان‌بندی و مسیریابی
• 94. کاربرد الگوریتم‌های تکاملی در بیوانفورماتیک و زیست‌شناسی محاسباتی
• 95. کاربرد الگوریتم‌های تکاملی در پردازش تصویر و بینایی ماشین
• 96. کاربرد الگوریتم‌های تکاملی در شبکه‌های ارتباطی و کامپیوتری
• 97. کاربرد الگوریتم‌های تکاملی در علوم مالی و اقتصادی
• 98. کاربرد الگوریتم‌های تکاملی در مهندسی نرم‌افزار
• 99. مروری بر پلتفرم‌ها و کتابخانه‌های پیاده‌سازی
• 100. آینده الگوریتم‌های زیستی-الهامی و جهت‌گیری‌های تحقیقاتی