Stable Mutations for Evolutionary Algorithms
W książce tej przedstawiono zestaw teoretycznych i eksperymentalnych wyników opisujących własności szerokiej klasy rozkładów α-stabilnych i ich możliwości zastosowania do operatora mutacji w algorytmach ewolucyjnych bazujących na rzeczywisto-liczbowej reprezentacji osobnika, wzmacniając skuteczność tych algorytmów w rozwiązywaniu wielomodalnych, wielowymiarowych zagadnień optymalizacyjnych. Głównym wnioskiem z powyższych badań jest fakt, że efektywność algorytmu ewolucyjnego ściśle jest związana z odpowiednim doborem modelu probabilistycznego dla operatora mutacji. Mutacja jest jednym z najistotniejszych operacji stochastycznych algorytmów optymalizacji globalnej w n-wymiarowej przestrzeni rzeczywistej. Odpowiada ona za zdolności eksploracyjne i eksploatacyjne algorytmu. Większość aplikacji stosuje do operacji mutacji rozkład normalny. Wybór ten jest uzasadniany powołując się na centralne twierdzenie graniczne, ale związany jest z zestawem pewnych istotnych ograniczeń. Zastosowanie rozkładów α-stabilnych czyni model ewolucyjny przeszukiwań bardziej elastycznym w stosunku do modeli z rozkładem normalnym. W książce przedstawiono analizę teoretyczną i opartą na eksperymentach symulacyjnych, których wybór i konstrukcja uwydatniają najistotniejsze własności mutacji opartych o rozkłady α-stabilne. Wyniki tej analizy pozwalają czytelnikowi na odkrycie i głębsze zrozumienie procesu ewolucyjnego z mutacją stabilną i zachęcają do zastosowania tych technik do rozwiązywania rzeczywistych problemów inżynierskich.
ISBN 978-3-030-01548-0, Springer 2019
https://www.springer.com/gp/book/9783030015473
Nonparametric Kernel Density Estimation and Its Computational Aspects
This book describes computational problems related to kernel density estimation (KDE) one of the most important and widely used data smoothing techniques. A very detailed description of novel FFT-based algorithms for both KDE computations and bandwidth selection are presented. The theory of KDE appears to have matured and is now well developed and understood. However, there is not much progress observed in terms of performance improvements. This book is an attempt to remedy this. The book primarily addresses researchers and advanced graduate or postgraduate students who are interested in KDE and its computational aspects. The book contains both some background and much more sophisticated material, hence also more experienced researchers in the KDE area may find it interesting. The presented material is richly illustrated with many numerical examples using both artificial and real datasets. Also, a number of practical applications related to KDE are presented.
ISBN: 978-3-319-71688-6, Springer 2018
http://www.springer.com/us/book/9783319716879
