فلش‌کارت‌های آموزشی اصول و طراحی الگوریتم‌های ژنتیک برای حل مسائل پیچیده

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب اصول و طراحی الگوریتم‌های ژنتیک برای حل مسائل پیچیده

موضوع کلی: الگوریتم‌های ژنتیک و بهینه‌سازی

موضوع میانی: مبانی نظری و کاربردهای الگوریتم‌های ژنتیک

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر الگوریتم های ژنتیک
• 2. مفاهیم پایه ای تکاملی
• 3. الهام از طبیعت: سازگاری و انتخاب
• 4. تاریخچه و ریشه های الگوریتم های ژنتیک
• 5. کاربرد الگوریتم های ژنتیک در حل مسائل پیچیده
• 6. اهداف دوره: درک عمیق اصول و طراحی
• 7. ساختار یک مسئله قابل حل توسط الگوریتم ژنتیک
• 8. نمایش کروموزوم: رشته های دودویی
• 9. نمایش کروموزوم: اعداد صحیح
• 10. نمایش کروموزوم: اعداد حقیقی
• 11. نمایش کروموزوم: ساختارهای درختی
• 12. نمایش کروموزوم: اتوماتای سلولی
• 13. نمایش کروموزوم: شبکه های عصبی
• 14. تابع برازندگی: تعریف و اهمیت
• 15. طراحی تابع برازندگی: چالش ها
• 16. تابع برازندگی: مثال های عملی
• 17. انتخاب: روش انتخاب تصادفی (Roulette Wheel Selection)
• 18. انتخاب: روش انتخاب رتبه ای (Rank Selection)
• 19. انتخاب: روش انتخاب تورنمنت (Tournament Selection)
• 20. انتخاب: پارامترهای کنترل کننده انتخاب
• 21. عملگر ترکیب (Crossover): مفهوم و هدف
• 22. ترکیب تک نقطه ای (One-Point Crossover)
• 23. ترکیب دو نقطه ای (Two-Point Crossover)
• 24. ترکیب یکنواخت (Uniform Crossover)
• 25. ترکیب مبتنی بر بلوک (Block-Based Crossover)
• 26. ترکیب مرتب سازی (Order Crossover - OX)
• 27. ترکیب مبتنی بر موقعیت (Partially Mapped Crossover - PMX)
• 28. ترکیب مبتنی بر چرخه (Cycle Crossover - CX)
• 29. پارامترهای کنترل کننده ترکیب
• 30. عملگر جهش (Mutation): مفهوم و هدف
• 31. جهش بیت (Bit Flip Mutation)
• 32. جهش جایگزینی (Swap Mutation)
• 33. جهش ادخال (Insert Mutation)
• 34. جهش معکوس (Reverse Mutation)
• 35. جهش گوسی (Gaussian Mutation)
• 36. جهش مبتنی بر توزیع (Distribution-Based Mutation)
• 37. پارامترهای کنترل کننده جهش
• 38. استراتژی های نگهداری جمعیت (Population Management Strategies)
• 39. اندازه جمعیت: تأثیر بر همگرایی
• 40. اندازه جمعیت: روش های تعیین
• 41. تولید جمعیت اولیه
• 42. روش های تولید تصادفی جمعیت
• 43. روش های تولید مبتنی بر دانش اولیه
• 44. حفظ تنوع ژنتیکی
• 45. همگرایی و واگرایی در الگوریتم های ژنتیک
• 46. تشخیص همگرایی
• 47. استراتژی های جلوگیری از همگرایی زودرس
• 48. تغییر پارامترها در طول زمان (Parameter Tuning)
• 49. تنظیم خودکار پارامترها
• 50. تکنیک های تنظیم پارامترها
• 51. الگوریتم های ژنتیک موازی (Parallel Genetic Algorithms)
• 52. مدل جزیره ای (Island Model)
• 53. مدل دانه ای (Dendritic Model)
• 54. مدل شبکه ای (Grid Model)
• 55. مزایا و معایب الگوریتم های ژنتیک موازی
• 56. الگوریتم های ژنتیک هیبریدی (Hybrid Genetic Algorithms)
• 57. ترکیب با الگوریتم های جستجوی محلی
• 58. ترکیب با روش های بهینه سازی دیگر
• 59. کاربرد در مسائل بهینه سازی ترکیبی (Combinatorial Optimization)
• 60. مسئله فروشنده دوره گرد (Traveling Salesperson Problem - TSP)
• 61. مسئله کوله پشتی (Knapsack Problem)
• 62. مسئله زمانبندی (Scheduling Problems)
• 63. مسئله تخصیص (Assignment Problems)
• 64. کاربرد در مسائل بهینه سازی پیوسته (Continuous Optimization)
• 65. توابع ریاضی پیچیده
• 66. جستجوی فضای پارامتری
• 67. کاربرد در یادگیری ماشین (Machine Learning)
• 68. انتخاب ویژگی (Feature Selection)
• 69. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 70. طراحی معماری شبکه عصبی (Neural Network Architecture Design)
• 71. کاربرد در رباتیک (Robotics)
• 72. کنترل ربات
• 73. مسیردهی ربات
• 74. کاربرد در پردازش تصویر (Image Processing)
• 75. تشخیص الگو
• 76. بازسازی تصویر
• 77. کاربرد در هوش مصنوعی (Artificial Intelligence)
• 78. استراتژی های بازی
• 79. سیستم های خبره
• 80. کاربرد در علوم زیستی (Biological Sciences)
• 81. مدل سازی سیستم های زیستی
• 82. جستجوی توالی DNA
• 83. کاربرد در مهندسی (Engineering)
• 84. طراحی سازه
• 85. بهینه سازی فرآیند
• 86. مسائل چند هدفه (Multi-Objective Optimization)
• 87. مفهوم جبهه پارتو (Pareto Front)
• 88. الگوریتم NSGA-II (Non-dominated Sorting Genetic Algorithm II)
• 89. الگوریتم MOEA/D (Multi-Objective Evolutionary Algorithm based on Decomposition)
• 90. چالش های الگوریتم های ژنتیک
• 91. حساسیت به پارامترها
• 92. پیچیدگی محاسباتی
• 93. قابلیت تفسیر نتایج
• 94. ارزیابی عملکرد الگوریتم های ژنتیک
• 95. معیارهای ارزیابی
• 96. مقایسه با الگوریتم های دیگر
• 97. تکنیک های تجسم سازی (Visualization Techniques)
• 98. تحلیل نتایج و تفسیر
• 99. محدودیت ها و نکات مهم
• 100. آینده الگوریتم های ژنتیک