Catálogo Biblioteca Central UCSM

Vista normal Vista MARC Vista ISBD

Algoritmos Genéticos con Python

Por: Gutiérrez Reina, Daniel | [Autor].
Colaborador(es): Tapia Córdoba, Alejandro | Rodríguez del Nozal, Álvaro.
Editor: ESPAÑA ; MARCOMBO ; 2020Edición: 1A. ed.Descripción: 231; 24.0.Tema(s): INGENIERIA DE SISTEMAS | ALGORITMOSClasificación CDD: 004.015153.GUTI.00
Contenidos:
Parte1: Introducción a los Algoritmos Genéticos . -- 1 Introducción . -- Introducción a los Algoritmos Genéticos . -- 1.2 Primeros Pasos Mediante un Problema Sencillo . -- 1.3 Definición del Problema y Generación de la Población Inicial . -- 1.3.1 Creación del Problema . -- 1.3.2 Creación de la Plantilla del Individuo . -- 1.3.3 Crear Individuos Aleatorios y Población Inicial . -- 1.4 Función Objetivo y Operadores Genéticos . -- 1.4.1 Función Objetivo . -- 1.5 Operadores Genéticos . -- 1.6 Últimos Pasos: Algoritmo Genético Como Caja Negra . -- 1.6.1 Configuración Algoritmo Genético . -- 1.6.2 Resultados del Algoritmo Genético . -- 1.7 ¿Cómo Conseguir Resultados Consistentes? . -- 1.8 Convergencia del Algoritmo . -- 1.9 Exploración Versus Explotación en Algoritmos Genéticos . -- 1.10 Código Completo y Lecciones Aprendidas . -- 1.11 para Seguir Aprendiendo . -- 2 el Problema del Viajero . -- 2.1 Introducción al Problema del Viajero . -- 2.2 Definición del Problema y Generación de la Población Inicial . -- 2.2.1 Creación del Problema y Plantilla para el Individuo . -- 2.2.2 Crear Individuos Aleatorios y Población Inicial . -- 2.3 Función Objetivo y Operadores Genéticos . -- 2.3.1 Función Objetivo . -- 2.3.2 Operadores Genéticos . -- 2.4 Selección del Algoritmo Genético . -- 2.5 Últimos Pasos . -- 2.5.1 Configuración del Algoritmo Genético Μ+Λ . -- 2.6 Comprobar la Convergencia del Algoritmo en Problemas Complejos . -- 2.7 Ajuste de los Hiperparámetros: Probabilidades de Cruce y Mutación . -- 2.8 Acelerando la Convergencia del Algoritmo: el Tamaño del Torneo . -- 2.9 Acelerando la Convergencia del Algoritmo: Aplicar Elitismo . -- 2.10 Complejidad del Problema: Pvsnp . -- 2.11 Código Completo y Lecciones Aprendidas . -- 2.12 para Seguir Aprendiendo . -- 3 Algoritmos Genéticos y Benchmarking . -- 3.1 Introducción a las Funciones de Benchmark . -- 3.2 Aprendiendo a Usar las Funciones de Benchmark: Formulación del Problema . -- 3.2.1 Funciónh1 . -- 3.2.2 Función Ackley . -- 3.2.3 Función Schwefel . -- 3.3 Definición del Problema y Generación de la Población Inicial . -- 3.4 Función Objetivo y Operadores Genéticos . -- 3.4.1 Función Objetivo . -- 3.4.2 Operadores Genéticos . -- 3.5 Código Completo . -- 3.6 Evaluación de Algunas Funciones de Benchmark . -- 3.6.1 Funciónh1 . -- 3.6.2 Función Ackley . -- 3.6.3 Función Schwefel . -- 3.7 Ajuste de los Hiperparámetros de los Operadores Genéticos . -- 3.8 Lecciones Aprendidas . -- 3.9 para Seguir Aprendiendo . -- 4 Algoritmos Genéticos con Múltiples Objetivos . -- 4.1 Introducción a los Problemas con Múltiples Objetivos . -- 4.2 Introducción a la Paretodominancia . -- 4.3 Selección del Algoritmo Genético . -- 4.4 el Problema de la Suma de Subconjuntos con Múltiples Objetivos . -- 4.4.1 Formulación del Problema . -- 4.4.2 Definición del Problema y Generación de la Población Inicial . -- 4.4.3 Definición del Problema y Plantilla del Individuo . -- 4.4.4 Función Objetivo y Operadores Genéticos . -- 4.4.5 Últimos Pasos: Ejecución del Algoritmo Multiobjetivo . -- 4.4.6 Configuración del Algoritmo Genético Multiobjetivo . -- 4.4.7 Algunos Apuntes Sobre los Algoritmos Genéticos con Múltiples Objetivos . -- 4.4.8 Código Completo . -- 4.5 Funciones de Benchmark con Múltiples Objetivos . -- 4.5.1 Definición del Problema y Población Inicial . -- 4.5.2 Función Objetivo y Operadores Genéticos . -- 4.5.3 Ejecución del Algoritmo Multiobjetivo . -- 4.5.4 Representación del Frente de Pareto . -- 4.5.5 Ajuste de los Hiperpámetros de los Operadores Genéticos . -- 4.5.6 Código Completo . -- 4.6 Lecciones Aprendidas . -- 4.7 para Seguir Aprendiendo . -- Ii Parte2: Algoritmos Genéticos para Ingeniería . -- 5 Funcionamiento Óptimo de una Microrred . -- 5.1 Introducción . -- 5.2 Formulación del Problema . -- 5.2.1 Recursos Renovables . -- 5.2.2 Unidades Despachables . -- 5.2.3 Sistema de Almacenamiento de Energía . -- 5.2.4 Balance de Potencia . -- 5.3 Problema con un Objetivo: Minimizar el Coste de Operación . -- 5.3.1 Definición del Problema y Generación de la Población Inicial . -- 5.3.2 Operadores Genéticos . -- 5.3.3 Función Objetivo . -- 5.3.4 Ejecución del Algoritmo . -- 5.3.5 Resultados Obtenidos . -- 5.4 Problema con Múltiples Objetivos: Minimizando el Coste de Operación y el Ciclado de la Batería . -- 5.4.1 Definición del Problema, Población Inicial y Operadores Genéticos . -- 5.4.2 Función Objetivo . -- 5.4.3 Ejecución del Algoritmo . -- 5.4.4 Resultados Obtenidos . -- 5.5 Código Completo y Lecciones Aprendidas . -- 5.6 para Seguir Aprendiendo . -- 6 Diseño de Planta Microhidráulica . -- 6.1 Introducción . -- 6.2 Formulación del Problema . -- 6.2.1 Modelado de la Central Micro-Hidráulica . -- 6.3 Problema con un Objetivo: Minimizando el Coste de Instalación . -- 6.3.1 Definición del Problema y Generación de la Población Inicial . -- 6.3.2 Operadores Genéticos . -- 6.3.3 Función Objetivo o de Fitness . -- 6.3.4 Ejecución del Algoritmo . -- 6.3.5 Resultados Obtenidos . -- 6.4 Problema con Múltiples Objetivos: Minimizando el Coste de Instalación y Maximizando la Potencia Generada . -- 6.4.1 Definición del Problema, Población Inicial y Operadores Genéticos . -- 6.4.2 Función Objetivo o de Fitness . -- 6.4.3 Ejecución del Algoritmo . -- 6.4.4 Resultados Obtenidos . -- 6.5 Código Completo y Lecciones Aprendidas . -- 6.6 para Seguir Aprendiendo . -- 7 Posicionamiento de Sensores . -- 7.1 Introducción . -- 7.2 Formulación del Problema . -- 7.3 Problema con un Objetivo: Maximizando el Número de Puntos Cubiertos . -- 7.3.1 Definición del Problema y Generación de la Población Inicial . -- 7.3.2 Operadores Genéticos . -- 7.3.3 Funciónobjetivo . -- 7.3.4 Ejecución del Algoritmo . -- 7.3.5 Resultados Obtenidos . -- 7.4 Problema con Múltiples Objetivos: Maximizando el Número de Puntos Cubiertos y la Redundancia . -- 7.4.1 Definición del Problema, Población Inicial y Operadores Genéticos . -- 7.4.2 Función Objetivo . -- 7.4.3 Ejecución del Algoritmo . -- 7.4.4 Resultados Obtenidos . -- 7.5 Código Completo y Lecciones Aprendidas . -- 7.6 para Seguir Aprendiendo . -- Epílogo . -- A Herencia de Arrays de Numpy . -- A.1 Introducción a las Secuencias en Python . -- A.2 Slicing en Secuencias y Operadores Genéticos de Deap . -- A.3 Operador de Comparación en Secuencias . -- B Procesamiento Paralelo . -- B.1 Procesamiento Paralelo con el Módulo Multiprocessing . -- B.2 Procesamiento Paralelo con el Módulo Scoop . -- Glosario . -- Bibliografía
Etiquetas de esta biblioteca: No hay etiquetas de esta biblioteca para este título.
    valoración media: 0.0 (0 votos)
Tipo de ítem Ubicación actual Colección Signatura Copia número Estado Fecha de vencimiento Código de barras
Libros Biblioteca Central
BIBCE-CSING (Biblioteca Central - 1er piso) 004.015153.GUTI.00 (Navegar estantería) 1e. Disponible 73444

Parte1: Introducción a los Algoritmos Genéticos
. -- 1 Introducción
. -- Introducción a los Algoritmos Genéticos
. -- 1.2 Primeros Pasos Mediante un Problema Sencillo
. -- 1.3 Definición del Problema y Generación de la Población Inicial
. -- 1.3.1 Creación del Problema
. -- 1.3.2 Creación de la Plantilla del Individuo
. -- 1.3.3 Crear Individuos Aleatorios y Población Inicial
. -- 1.4 Función Objetivo y Operadores Genéticos
. -- 1.4.1 Función Objetivo
. -- 1.5 Operadores Genéticos
. -- 1.6 Últimos Pasos: Algoritmo Genético Como Caja Negra
. -- 1.6.1 Configuración Algoritmo Genético
. -- 1.6.2 Resultados del Algoritmo Genético
. -- 1.7 ¿Cómo Conseguir Resultados Consistentes?
. -- 1.8 Convergencia del Algoritmo
. -- 1.9 Exploración Versus Explotación en Algoritmos Genéticos
. -- 1.10 Código Completo y Lecciones Aprendidas
. -- 1.11 para Seguir Aprendiendo
. -- 2 el Problema del Viajero
. -- 2.1 Introducción al Problema del Viajero
. -- 2.2 Definición del Problema y Generación de la Población Inicial
. -- 2.2.1 Creación del Problema y Plantilla para el Individuo
. -- 2.2.2 Crear Individuos Aleatorios y Población Inicial
. -- 2.3 Función Objetivo y Operadores Genéticos
. -- 2.3.1 Función Objetivo
. -- 2.3.2 Operadores Genéticos
. -- 2.4 Selección del Algoritmo Genético
. -- 2.5 Últimos Pasos
. -- 2.5.1 Configuración del Algoritmo Genético Μ+Λ
. -- 2.6 Comprobar la Convergencia del Algoritmo en Problemas Complejos
. -- 2.7 Ajuste de los Hiperparámetros: Probabilidades de Cruce y Mutación
. -- 2.8 Acelerando la Convergencia del Algoritmo: el Tamaño del Torneo
. -- 2.9 Acelerando la Convergencia del Algoritmo: Aplicar Elitismo
. -- 2.10 Complejidad del Problema: Pvsnp
. -- 2.11 Código Completo y Lecciones Aprendidas
. -- 2.12 para Seguir Aprendiendo
. -- 3 Algoritmos Genéticos y Benchmarking
. -- 3.1 Introducción a las Funciones de Benchmark
. -- 3.2 Aprendiendo a Usar las Funciones de Benchmark: Formulación del Problema
. -- 3.2.1 Funciónh1
. -- 3.2.2 Función Ackley
. -- 3.2.3 Función Schwefel
. -- 3.3 Definición del Problema y Generación de la Población Inicial
. -- 3.4 Función Objetivo y Operadores Genéticos
. -- 3.4.1 Función Objetivo
. -- 3.4.2 Operadores Genéticos
. -- 3.5 Código Completo
. -- 3.6 Evaluación de Algunas Funciones de Benchmark
. -- 3.6.1 Funciónh1
. -- 3.6.2 Función Ackley
. -- 3.6.3 Función Schwefel
. -- 3.7 Ajuste de los Hiperparámetros de los Operadores Genéticos
. -- 3.8 Lecciones Aprendidas
. -- 3.9 para Seguir Aprendiendo
. -- 4 Algoritmos Genéticos con Múltiples Objetivos
. -- 4.1 Introducción a los Problemas con Múltiples Objetivos
. -- 4.2 Introducción a la Paretodominancia
. -- 4.3 Selección del Algoritmo Genético
. -- 4.4 el Problema de la Suma de Subconjuntos con Múltiples Objetivos
. -- 4.4.1 Formulación del Problema
. -- 4.4.2 Definición del Problema y Generación de la Población Inicial
. -- 4.4.3 Definición del Problema y Plantilla del Individuo
. -- 4.4.4 Función Objetivo y Operadores Genéticos
. -- 4.4.5 Últimos Pasos: Ejecución del Algoritmo Multiobjetivo
. -- 4.4.6 Configuración del Algoritmo Genético Multiobjetivo
. -- 4.4.7 Algunos Apuntes Sobre los Algoritmos Genéticos con Múltiples Objetivos
. -- 4.4.8 Código Completo
. -- 4.5 Funciones de Benchmark con Múltiples Objetivos
. -- 4.5.1 Definición del Problema y Población Inicial
. -- 4.5.2 Función Objetivo y Operadores Genéticos
. -- 4.5.3 Ejecución del Algoritmo Multiobjetivo
. -- 4.5.4 Representación del Frente de Pareto
. -- 4.5.5 Ajuste de los Hiperpámetros de los Operadores Genéticos
. -- 4.5.6 Código Completo
. -- 4.6 Lecciones Aprendidas
. -- 4.7 para Seguir Aprendiendo
. -- Ii Parte2: Algoritmos Genéticos para Ingeniería
. -- 5 Funcionamiento Óptimo de una Microrred
. -- 5.1 Introducción
. -- 5.2 Formulación del Problema
. -- 5.2.1 Recursos Renovables
. -- 5.2.2 Unidades Despachables
. -- 5.2.3 Sistema de Almacenamiento de Energía
. -- 5.2.4 Balance de Potencia
. -- 5.3 Problema con un Objetivo: Minimizar el Coste de Operación
. -- 5.3.1 Definición del Problema y Generación de la Población Inicial
. -- 5.3.2 Operadores Genéticos
. -- 5.3.3 Función Objetivo
. -- 5.3.4 Ejecución del Algoritmo
. -- 5.3.5 Resultados Obtenidos
. -- 5.4 Problema con Múltiples Objetivos: Minimizando el Coste de Operación y el Ciclado de la Batería
. -- 5.4.1 Definición del Problema, Población Inicial y Operadores Genéticos
. -- 5.4.2 Función Objetivo
. -- 5.4.3 Ejecución del Algoritmo
. -- 5.4.4 Resultados Obtenidos
. -- 5.5 Código Completo y Lecciones Aprendidas
. -- 5.6 para Seguir Aprendiendo
. -- 6 Diseño de Planta Microhidráulica
. -- 6.1 Introducción
. -- 6.2 Formulación del Problema
. -- 6.2.1 Modelado de la Central Micro-Hidráulica
. -- 6.3 Problema con un Objetivo: Minimizando el Coste de Instalación
. -- 6.3.1 Definición del Problema y Generación de la Población Inicial
. -- 6.3.2 Operadores Genéticos
. -- 6.3.3 Función Objetivo o de Fitness
. -- 6.3.4 Ejecución del Algoritmo
. -- 6.3.5 Resultados Obtenidos
. -- 6.4 Problema con Múltiples Objetivos: Minimizando el Coste de Instalación y Maximizando la Potencia Generada
. -- 6.4.1 Definición del Problema, Población Inicial y Operadores Genéticos
. -- 6.4.2 Función Objetivo o de Fitness
. -- 6.4.3 Ejecución del Algoritmo
. -- 6.4.4 Resultados Obtenidos
. -- 6.5 Código Completo y Lecciones Aprendidas
. -- 6.6 para Seguir Aprendiendo
. -- 7 Posicionamiento de Sensores
. -- 7.1 Introducción
. -- 7.2 Formulación del Problema
. -- 7.3 Problema con un Objetivo: Maximizando el Número de Puntos Cubiertos
. -- 7.3.1 Definición del Problema y Generación de la Población Inicial
. -- 7.3.2 Operadores Genéticos
. -- 7.3.3 Funciónobjetivo
. -- 7.3.4 Ejecución del Algoritmo
. -- 7.3.5 Resultados Obtenidos
. -- 7.4 Problema con Múltiples Objetivos: Maximizando el Número de Puntos Cubiertos y la Redundancia
. -- 7.4.1 Definición del Problema, Población Inicial y Operadores Genéticos
. -- 7.4.2 Función Objetivo
. -- 7.4.3 Ejecución del Algoritmo
. -- 7.4.4 Resultados Obtenidos
. -- 7.5 Código Completo y Lecciones Aprendidas
. -- 7.6 para Seguir Aprendiendo
. -- Epílogo
. -- A Herencia de Arrays de Numpy
. -- A.1 Introducción a las Secuencias en Python
. -- A.2 Slicing en Secuencias y Operadores Genéticos de Deap
. -- A.3 Operador de Comparación en Secuencias
. -- B Procesamiento Paralelo
. -- B.1 Procesamiento Paralelo con el Módulo Multiprocessing
. -- B.2 Procesamiento Paralelo con el Módulo Scoop
. -- Glosario
. -- Bibliografía

No hay comentarios para este ejemplar.

Ingresar a su cuenta para colocar un comentario.

Haga clic en una imagen para verla en el visor de imágenes