کتاب از ژن ها تا منطق

کتاب از ژن ها تا منطق (راهنمای جامع الگوریتم ژنتیک و منطق فازی) نوشته سیده فاطمه نورانی و نسرین طاهرخانی، مبانی جست‌وجو و بهینه‌سازی را در کنار نظریه و استنتاج فازی معرفی می‌کند. مسئله‌ی اصلی، یافتن پاسخ‌های قابل‌قبول برای مسئله‌هایی است که بررسی همه‌ی حالت‌های ممکن در آن‌ها هزینه‌ی محاسباتی زیادی دارد. نویسندگان ضمن توضیح سازوکار الگوریتم‌ها، نقش نمایش راه‌حل و ارزیابی کیفیت پاسخ را در مثال‌های مهندسی روشن کرده‌اند. انتشارات دانشگاه پیام نور این کتاب را منتشر کرده است. مباحث از مفاهیم اولیه آغاز می‌شوند و به کاربردهای الگوریتم ژنتیک و ارتباط بهینه‌سازی با یادگیری ماشین می‌رسند. نسخه‌ی الکترونیکی این اثر را می‌توانید از طاقچه خرید و دانلود کنید.

درباره کتاب از ژن ها تا منطق

کتاب از ژن ها تا منطق نوشته سیده فاطمه نورانی و نسرین طاهرخانی، حاصل تجربه‌ی تدریس و توجه به نیاز دانشجویان تحصیلات تکمیلی مهندسی به مباحث مورد استفاده در پژوهش است. نویسندگان مطالب را در دو بخش اصلی و شش فصل تنظیم کرده‌اند. بخش نخست، الگوریتم‌های فراابتکاری و ژنتیک را در چهار فصل معرفی می‌کند. فصل آغازین، تفاوت روش‌های دقیق و تقریبی را توضیح می‌دهد و معیارهای دسته‌بندی الگوریتم‌ها را مرور کرده است؛ از شیوه‌ی جست‌وجو و نوع بهینه‌سازی تا منبع الهام. فصل دوم به الگوریتم ژنتیک اختصاص دارد. مفاهیمی مانند جمعیت، کروموزوم، ژن، نسل و برازندگی، زمینه‌ی شناخت جریان اجرای الگوریتم را فراهم می‌کنند. متن سپس انواع نمایش کروموزوم، روش‌های انتخاب والدین، بازترکیب و جهش را شرح می‌دهد. بحث نخبه‌گرایی و سوله‌گذاری نیز نشان می‌دهد که حفظ پاسخ‌های مناسب و نگهداری تنوع جمعیت چه جایگاهی در جست‌وجو دارند. نویسندگان علاوه‌بر مزایا، محدودیت‌ها را مطرح کرده‌اند؛ به‌ویژه هزینه‌ی محاسبه‌ی مکرر برازندگی و نبود تضمین برای رسیدن به بهترین پاسخ سراسری.
کتاب از ژن ها تا منطق در فصل سوم، فاصله‌ی میان تعریف یک مسئله و تبدیل‌کردن آن به اجزای الگوریتم را موضوع بحث قرار می‌دهد. مثال‌های این فصل شامل مسئله‌ی وزیرها، کوله‌پشتی، فروشنده‌ی دوره‌گرد، مسیریابی وسیله‌ی نقلیه و رنگ‌آمیزی گراف است. هر مثال، ضرورت تناسب میان شکل کروموزوم و ویژگی‌های مسئله را آشکار می‌کند. بحث محدودیت‌های سخت و نرم نیز تفاوت معتبر بودن یک پاسخ و مطلوب‌تر بودن آن را توضیح می‌دهد. فصل چهارم، الگوریتم‌های گرگ خاکستری و بهینه‌سازی ازدحام ذرات را معرفی کرده است. کاربرد ازدحام ذرات در آموزش شبکه‌ی عصبی و استفاده از گرگ خاکستری برای انتخاب ویژگی، مباحث بهینه‌سازی را به یادگیری ماشین پیوند می‌دهند. بخش دوم در فصل‌های پنجم و ششم، نظریه‌ی فازی و استنتاج فازی را پوشش می‌دهد و موضوع‌هایی چون روابط و اعداد فازی، قواعد اگرـ‌آنگاه، موتور استنتاج و وافازیگر را دربرمی‌گیرد. هدف‌های یادگیری، خلاصه‌ی فصل و خودآزمایی‌های چهارگزینه‌ای و تشریحی، امکان مرور مطالب را فراهم می‌کنند. نویسندگان کسب تبحر را وابسته به انجام پروژه با ابزارهایی مانند پایتون و متلب دانسته‌اند.

خلاصه کتاب از ژن ها تا منطق

کتاب از ژن ها تا منطق، بهینه‌سازی را فرایند بهبود یک ایده یا پاسخ اولیه معرفی می‌کند. روش‌های تقریبی برای موقعیت‌هایی مطرح می‌شوند که یافتن پاسخ دقیق، به‌ویژه با بزرگ‌شدن ابعاد مسئله، دشوار و پرهزینه است. الگوریتم ژنتیک، مجموعه‌ای از پاسخ‌های پیشنهادی را به‌عنوان جمعیت در نظر می‌گیرد. تابع برازندگی، کیفیت هر پاسخ را می‌سنجد و عملگرهای انتخاب، بازترکیب و جهش، جمعیت‌های بعدی را می‌سازند. شرط توقف می‌تواند به تعداد نسل‌ها، منابع مصرف‌شده یا نبود پیشرفت محسوس وابسته باشد. متن نشان می‌دهد که انتخاب نمایش مناسب و تعریف معیار ارزیابی، برای به‌کارگیری الگوریتم اهمیت دارند. نخبه‌گرایی به حفظ نمونه‌های برتر کمک می‌کند و جهش امکان جست‌وجوی ناحیه‌های ناشناخته را فراهم می‌سازد. ادامه‌ی مباحث، دو روش مبتنی بر رفتار جمعی را معرفی می‌کند و سپس به روابط، اعداد و استنتاج فازی می‌رسد. محور مشترک مطالب، آشنایی با ابزارهای مدل‌سازی و حل مسائل مهندسی است.

چرا باید کتاب از ژن ها تا منطق را بخوانیم؟

دلایل خواندن کتاب از ژن ها تا منطق را می‌توان این‌طور خلاصه کرد:

• توضیح اجزای الگوریتم ژنتیک، شناخت نقش هر عملگر در تولید پاسخ را ممکن می‌کند.
• مثال‌های حل مسئله، چگونگی تعریف کروموزوم و برازندگی را نشان می‌دهند.
• بررسی محدودیت‌ها، انتظار از نتیجه‌ی بهینه‌سازی را دقیق‌تر می‌کند.
• خودآزمایی‌ها فرصتی برای سنجش یادگیری مفاهیم و مرور محاسبات فراهم می‌کنند.

خواندن این کتاب را به چه کسانی پیشنهاد می‌کنیم؟

کتاب از ژن ها تا منطق به این گروه‌ها پیشنهاد می‌شود:

• دانشجویان تحصیلات تکمیلی مهندسی که به آشنایی مقدماتی با بهینه‌سازی و فازی نیاز دارند.
• پژوهشگرانی که می‌خواهند مدل‌سازی مسائل با الگوریتم ژنتیک را بشناسند.
• علاقه‌مندان به کاربرد الگوریتم‌های جمعیت‌محور در یادگیری ماشین.