Dozentenbewertung
| Bewertung |
|---|
Kundenmeinung von D. Pilz
Das Buch spricht viele Gebiete an und hat einige Übungen zu dem Thema zu bieten. Die Erklärung einiger Gebiete kommt allerdings recht kurz, was das Verständnis behindern kann.
Operations Research und Künstliche Intelligenz
Dieses Buch behandelt zentrale Themen des Operations Research und der Künstlichen Intelligenz und zeigt deren enge Verknüpfung auf. Neben klassischen Bereichen wie der Linearen Optimierung, der Graphentheorie und der Kombinatorischen Optimierung werden naturanaloge heuristische Verfahren vorgestellt und die Multiagententechnologie, die ein bedeutendes Teilgebiet der Künstlichen Intelligenz darstellt, behandelt. Hierbei werden sowohl autonome Agenten, die bei der Lösung verteilter Probleme zusammenarbeiten, als auch die Zusammenarbeit der Agenten mit Hilfe von Verfahren aus dem Operations Research optimiert.
Überblick über die behandelten Themenfelder: Lineare Optimierung, Graphentheorie, Kombinatorische Optimierungsprobleme, Ameisenalgorithmen, Genetische Algorithmen, Agenten-basierte Verhandlungen und Schwarmintelligenz.
Dieser Titel ist nicht als Dozenten-Freiexemplar erhältlich.
Zusatzinformationen
Überblick über die behandelten Themenfelder: Lineare Optimierung, Graphentheorie, Kombinatorische Optimierungsprobleme, Ameisenalgorithmen, Genetische Algorithmen, Agenten-basierte Verhandlungen und Schwarmintelligenz.
Dieser Titel ist nicht als Dozenten-Freiexemplar erhältlich.
- Details
-
ISBN 9783825246204 UTB-Titelnummer 4620 Auflagennr. 1. Aufl. Erscheinungsjahr 2019 Erscheinungsdatum 09.09.2019 Einband Kartoniert Formate UTB M (15 x 21,5 cm) Originalverlag UVK Umfang 358 S. - Zusatzmaterial
-
Lösungen zu den Aufgaben im Buch (Größe: 2.1 MB) 
Programmierter Genetischer Code - Ablauf (Größe: 6.4 KB) Programmierter Genetischer Code - Problem (Größe: 5.4 KB) - Inhalt
-
Vorwort 5
Inhaltsverzeichnis 11
Teil I Operations Research 15
1 Grundbegriffe des Operations Research 17
1.1 Schlagwörter und Prüfungstipps 17
1.2 Einleitung 17
1.3 Grundlegende Begriffe 20
1.4 Aufgaben 25
2 Lineare Optimierung 29
2.1 Schlagwörter und Prüfungstipps 29
2.2 Einführung 30
2.3 Modell der linearen Optimierung 31
2.4 Graphische Lösung bei zwei Variablen 35
2.5 Der Simplex-Algorithmus 38
2.6 Besondere Situationen beim Simplex-Algorithmus 45
2.7 Der erweiterte Simplex-Algorithmus 46
2.8 Der duale Simplex-Algorithmus 50
2.9 Ganzzahlige Optimierung und Branch-and-Bound-Methode 57
2.10 Aufgaben 65
3 Graphentheorie 71
3.1 Schlagwörter und Prüfungstipps 71
3.2 Einführung 71
3.3 Bäume 79
3.4 Aufgaben 87
4 Kombinatorische Optimierung 89
4.1 Schlagwörter und Prüfungstipps 89
4.2 Grundbegriffe 89
4.3 Rundreiseproblem 93
4.4 Projekt-Scheduling-Problem 103
4.5 Standortproblem 113
4.6 Losgrößenproblem 117
4.7 Aufgaben 125
Teil II Künstliche Intelligenz 133
5 Grundbegriffe der Künstlichen Intelligenz 135
5.1 Schlagwörter und Prüfungstipps 135
5.2 Künstliche Intelligenz 135
5.3 Intelligente Agenten 138
5.4 Multiagentensysteme 138
6 Genetische Algorithmen 141
6.1 Schlagwörter und Prüfungstipps 141
6.2 Grundlegende Ideen 141
6.3 Individuen 143
6.4 Populationsbasierter Ablauf 150
6.5 Fitness, Selektion und Ersetzung 158
6.6 Initialisierung, Reproduktion, Crossover und Mutation 166
6.7 Kalibrierung 170
6.8 Fallstudie Losgrößenproblem 170
6.9 Fallstudie: Clustering 175
6.10 Aufgaben 183
7 Evolutionsstrategien 186
7.1 Schlagwörter und Prüfungstipps 186
7.2 Konzepte 186
7.3 Beispiele 188
7.4 Normalverteilte Zufallszahlen 189
7.5 (1+1)-Evolutionsstrategie 191
7.6 Populationsbasierte Evolutionsstrategie 199
7.7 Aufgaben 209
8 Multiagenten-Planen 211
8.1 Schlagwörter und Prüfungstipps 211
8.2 Dezentrale Planung durch mehrere Agenten 212
8.3 Koordination durch Verhandlung 219
8.4 Dezentrales Reihenfolgeproblem 227
8.5 Lokaler Verhandlungsmechanismus 237
8.6 Dezentrales Losgrößenproblem 244
8.7 Genetischer Verhandlungsmechanismus 249
8.8 Aufgaben 264
9 Schwarmintelligenz 269
9.1 Schlagwörter und Prüfungstipps 269
9.2 Definition und Anwendungen 269
9.3 Schwarm-Simulation 270
9.4 Aufgaben 282
10 Ameisenalgorithmen 284
10.1 Schlagwörter und Prüfungstipps 284
10.2 Vorbild Natur 284
10.3 Graphen und Pheromone 285
10.4 Künstliche Ameisen 287
10.5 Verfahrensablauf 296
10.6 Lernen mit Pheromonen 298
10.7 Kalibrierung und Anpassung 301
10.8 Aufgaben 301
11 Support-Vektor-Maschinen 304
11.1 Schlagwörter und Prüfungstipps 304
11.2 Lernende Klassifikation 304
11.3 Idee der Support-Vektor-Maschinen 308
11.4 Lineare Support-Vektor-Maschinen (Modell I) 310
11.5 Lineare Support-Vektor-Maschinen (Modell II) 320
11.6 Training einer Support-Vektor-Maschine 327
11.7 Nicht-lineare Support-Vektor-Maschinen (Modell III) 331
11.8 Evolutionsstrategie 340
11.9 Aufgaben 344
Literatur 347
Index 355 - Autoreninfo
-
Homberger, Jörg
Prof. Dr. Jörg Homberger lehrt an der Hochschule für Technik Stuttgart.Bauer, Harald
Prof. Dr. Harald Bauer lehrt an der Hochschule für Technik Stuttgart.Preissler, Gabi
Prof. Dr. Gabi Preissler lehrt an der Hochschule für Technik Stuttgart. - Leserbewertungen
-
Bewertungen
Bewerten Sie den Titel "Operations Research und Künstliche Intelligenz"
- Produktfragen
-
Fragen zu Operations Research und Künstliche Intelligenz
Es wurden bis jetzt noch keine Fragen gestellt.
Stellen Sie eine Frage
Lade... 