حل مشکلات طراحی، برنامه‌ریزی و کنترل با استفاده از تکنیک‌های مدرن هوش مصنوعی

مسائل بهینه‌سازی در همه جنبه‌های زندگی روزمره وجود دارند. سریع‌ترین مسیر از یک نقطه به نقطه دیگر چیست؟ چگونه می‌توان قیمت بهینه یک محصول را محاسبه کرد؟ چگونه باید محصولات کشاورزی را کشت کرد، منابع را تخصیص داد یا جراحی‌ها را زمان‌بندی کرد؟ کتاب Optimization Algorithms، الگوریتم‌های هوش مصنوعی را معرفی می‌کند که می‌توانند این مشکلات پیچیده و غیرساختاریافته را حل کنند.

این کتاب به زبان ساده توضیح می‌دهد که الگوریتم‌های بهینه‌سازی چگونه کار می‌کنند و چه کاربردهایی دارند. این کتاب فراتر از مثال‌های ساده و تئوری‌های دانشگاهی می‌رود و سناریوهای واقعی را با استفاده از داده‌های صنعتی و تکنیک‌های پیشرفته هوش مصنوعی ارائه می‌دهد.

در این کتاب یاد خواهید گرفت که چگونه الگوریتم‌های مدرن بهینه‌سازی را برای مشکلات دنیای واقعی به کار ببرید؛ مانند تعیین قیمت محصولات، تطبیق عرضه و تقاضا، متعادل‌سازی خطوط مونتاژ، تنظیم پارامترها، هماهنگی در شبکه‌های موبایل، و حل چالش‌های حمل‌ونقل هوشمند.

Solve design, planning, and control problems using modern AI techniques.

Optimization problems are everywhere in daily life. What’s the fastest route from one place to another? How do you calculate the optimal price for a product? How should you plant crops, allocate resources, and schedule surgeries? Optimization Algorithms introduces the AI algorithms that can solve these complex and poorly-structured problems.

In Optimization Algorithms: AI techniques for design, planning, and control problems you will learn:

• The core concepts of search and optimization

• Deterministic and stochastic optimization techniques

• Graph search algorithms

• Trajectory-based optimization algorithms

• Evolutionary computing algorithms

• Swarm intelligence algorithms

• Machine learning methods for search and optimization problems

• Efficient trade-offs between search space exploration and exploitation

• State-of-the-art Python libraries for search and optimization

Inside this comprehensive guide, you’ll find a wide range of optimization methods, from deterministic search algorithms to stochastic derivative-free metaheuristic algorithms and machine learning methods. Don’t worry—there’s no complex mathematical notation. You’ll learn through in-depth case studies that cut through academic complexity to demonstrate how each algorithm works in the real world. Plus, get hands-on experience with practical exercises to optimize and scale the performance of each algorithm.

About the technology

Every time you call for a rideshare, order food delivery, book a flight, or schedule a hospital appointment, an algorithm works behind the scenes to find the optimal result. Blending modern AI methods with classical search and optimization techniques can deliver incredible results, especially for the messy problems you encounter in the real world. This book shows you how.

About the book

Optimization Algorithms explains in clear language how optimization algorithms work and what you can do with them. This engaging book goes beyond toy examples, presenting detailed scenarios that use actual industry data and cutting-edge AI techniques. You will learn how to apply modern optimization algorithms to real-world problems like pricing products, matching supply with demand, balancing assembly lines, tuning parameters, coordinating mobile networks, and cracking smart mobility challenges.

What's inside

• Graph search algorithms

• Metaheuristic algorithms

• Machine learning methods

• State-of-the-art Python libraries for optimization

• Efficient trade-offs between search space exploration and exploitation

About the reader

Requires intermediate Python and machine learning skills.

Table of Contents

PART 1 - Deterministic Search Algorithms  

1. Introduction to Search and Optimization  

2. A Deeper Look at Search and Optimization  

3. Blind Search Algorithms  

4. Informed Search Algorithms  

PART 2 - Trajectory-Based Algorithms  

5. Simulated Annealing  

6. Tabu Search  

PART 3 - Evolutionary Computing Algorithms  

7. Genetic Algorithms  

8. Genetic Algorithm Variants  

PART 4 - Swarm Intelligence Algorithms  

9. Particle Swarm Optimization  

10. Other Swarm Intelligence Algorithms to Explore  

PART 5 - Machine Learning-Based Methods  

11. Supervised and Unsupervised Learning  

12. Reinforcement Learning  

About the Author

Alaa Khamis is an AI and smart mobility technical leader at General Motors and a sessional lecturer at the University of Toronto. He is also an adjunct professor at Ontario Tech University and Nile University, affiliate member of the Center of Pattern Analysis and Machine Intelligence (CPAMI) at the University of Waterloo, and a former professor of artificial intelligence and robotics.