Tipo: Libro impreso / Print book
Encuadernación / Binding: Tapa blanda / Paperback
Tamaño / Size: 17 x 23 cm
Páginas / Pages: 210
Resumen / Summary:
Autor / Author: Erik V. Cuevas Jiménez, José V.Osuna Enciso, Diego A. Oliva Navarro, otros
Editorial / Publisher: Alfaomega
Entrega / Delivery : Nacional / International
Envio desde / Ships from: Colombia
Condición / Condition: Nuevo / New
Tabla de contenido / Table of contents: Prólogo
Capítulo 1
Optimización y métodos de cómputo evolutivo
1.1 Introducción
1.2 Métodos clásicos de optimización
1.2.1 Método del gradiente descendiente
1.2.2 Cálculo del gradiente
1.2.3 Ejemplo computacional en MatLAB
1.3 Métodos de cómputo evolutivo
1.3.1 Procedimiento genérico de un método de cómputo evolutivo
1.4 Explotación y exploración
1.5 Aceptación y selección probabilística
1.5.1 Aceptación probabilística
1.5.2 Selección probabilística
1.6 Búsqueda aleatoria
1.6.1 Ejemplo computacional en MatLAB
1.7 Temple simulado
1.7.1 Ejemplo computacional en MatLAB
Ejercicios
Optimización
Capítulo 2
Algoritmos genéticos (AG)
2.1 Introducción
2.2 Algoritmos Genéticos
2.3 Inicialización
2.3.1 Individuos en formato de números binarios
2.3.2 Individuos en formato de números reales
2.4 Selección de padres
2.4.1 Método de la ruleta
2.4.2 Sobrante estocástico
2.4.3 Universal estocástica
2.4.4 Muestreo determinístico
2.4.5 Selección por rangos
2.4.6 Selección por torneo
2.4.7 Selección de estado estable
2.5 Cruza
2.5.1 Tipos de cruza: individuos binarios e individuos reales
2.6 Mutación
2.7 Selección del más apto
2.8 Pseudocódigo y diagrama de flujo
2.9 Ejemplo computacional de Algoritmo Genético en MatLAB
Ejercicios
Capítulo 3
Estrategias Evolutivas (EE)
3.1 Introducción
3.2 Estrategias evolutivas
3.2.1 Inicialización
3.2.2 Recombinación
3.2.3 Mutación
3.3 Selección de la población
3.4 Pseudocódigo y programa en MatLAB
Ejercicios
Capítulo 4
El algoritmo de optimización por enjambre de partículas (PSO)
4.1 Introducción a la optimización por enjambre de partículas
4.2 Optimización por enjambre de partículas
4.2.1 Inicialización
4.2.2 Velocidad de las partículas
4.2.3 Movimiento de las partículas
4.2.4 Estructura básica del algoritmo PSO
4.3 Codificación de PSO
4.4 Variantes de PSO
4.4.1 Variantes en el proceso de inicialización
4.4.2 Variantes en la velocidad de las partículas
4.4.3 Otras mejoras al algoritmo PSO
4.5 PSO para optimización con restricciones
Ejercicios
Capítulo 5
Algoritmo evolución diferencial (Differential Evolution – DE)
5.1 Introducción
5.2 Evolución Diferencial
5.2.1 Estructura de la Población
5.2.2 Inicialización
5.2.3 Mutación
5.2.4 Cruce
5.2.5 Selección
5.2.6 Algoritmo evolución diferencial
5.2.7 Ejemplo computacional en MatLAB .
Ejercicios
Optimización
Capítulo 6
El algoritmo de optimización por búsqueda de armonías (HS)
6.1 Introducción a la optimización por búsqueda de armonías
6.2 Optimización por búsqueda de armonías
6.2.1. Características de HSA
6.2.2 Inicialización del problema y de los parámetros de HSA
6.2.3 Improvisación de los nuevos vectores de armonía
6.2.4 Actualización de la memoria de armonía
6.2.5 Configuración de los parámetros HSA
6.2.6 Procedimiento computacional
6.3 Codificación de HSA
6.4 Variantes de HSA
6.4.1 Variantes basadas en la configuración de parámetros
6.4.2 Variantes basadas en la hibridación de HSA con otras técnicas de optimización
6.4.3 Hibridación de HSA con operadores de otras técnicas metaheurísticas
6.4.4 Hibridación de los componentes HSA en otras técnicas metaheurísticas
Ejercicios
Capítulo 7
Sistemas inmunes artificiales (AIS)
7.1 Introducción
7.2 Algoritmo de selección clonal
7.2.1 Inicialización
7.2.2 Clonación
7.2.3 Hipermutación
7.2.4 Reselección
7.2.5 Introducción de diversidad
7.3. Pseudocódigo y programa en MatLAB
Ejercicios
Capítulo 8
Algoritmo de optimización inspirado en principios del electromagnetismo (EMO)
8.1 Introducción a la optimización inspirada en principios del electromagnetismo
8.2 Optimización inspirada en principios del electromagnetismo
8.2.1 Inicialización
8.2.2 Búsqueda local
8.2.3 Cálculo del vector de fuerza total
8.2.4 Movimiento
8.3 Codificación de EMO
Ejercicios
Capítulo 9
Algoritmo colonia artificial de abejas (Artificial bee Colony – AbC)
9.1 Introducción
9.2 Colonia Artificial de Abejas
9.2.1 Inicialización de la Población
9.2.2 Enviar a las abejas obreras
9.2.3 Seleccionar las fuentes de comida por las abejas observadoras
9.2.4 Determinar a las abejas exploradoras
9.2.5 Algoritmo Colonia Artificial de Abejas
9.2.6 Ejemplo Computacional en Matlab
9.3 Aplicaciones recientes del algoritmo colonia artificial de abejas en procesamiento de imágenes
9.3.1 Aplicaciones en el área de procesamiento de imágenes
9.3.2 Mejoramiento de imagen
9.3.3 Compresión de imágenes
9.3.4 Detección de bordes
9.3.5 Clustering
9.3.6 Clasificación de imágenes
9.3.7 Fusión de imágenes
9.3.8 Análisis de escena
Optimización
9.3.9 Reconocimiento de patrones
9.3.10 Detección de formas
Ejercicios
Capítulo 10
Optimización multimodal
10.1 Introducción
10.2 Diversidad por medio de mutación
10.3 Preselección
10.4 Modelo de aglutinamiento (Crowding model)
10.5 Modelo de función compartida
10.5.1 Ejemplo numérico del modelo de función compartida
10.5.2 Ejemplo computacional en MatLAB
10.5.3 Algoritmo genético en MatLAB sin capacidad multimodal
10.5.4 Algoritmo genético en MatLAB con capacidad multimodal
10.6 Algoritmo de las luciérnagas “Firefly”
10.6.1 Ejemplo computacional en MatLAB
Ejercicios
Índice analítico
