Einverständniserklärung zu Cookies, Daten- und Trackinginformationen Wir verwenden Cookies, um Inhalte und Anzeigen zu personalisieren. Beim Besuch dieser Webseite werden Informationen gespeichert. Bei der Darstellung von Produkten werden Bilder von an anderen Webseiten geladen. Um das zu ermöglichen, ist es nötig, dass ihr Browser Verbindungen zu anderen Servern aufbaut und dorthin Daten überträgt. Die Verarbeitung der an Kostenscout.de gesendeten Daten erfolgt zur Leistungserbringung, zu statistischen sowie werbetechnischen Zwecken. Wenn Sie auf der Seite weitersurfen, stimmen Sie der Cookie-Nutzung und Datenverarbeitung zu. Datenschutzinformationen ansehen
Machine Learning Assisted Evolutionary Multi- And Many- Objective Optimization
This book focuses on machine learning (ML) assisted evolutionary multi- and many-objective optimization (EMâO). EMâO algorithms, namely EMâOAs, iteratively evolve a set of solutions towards a good Pareto Front approximation. The availability of multiple solution sets over successive generations makes EMâOAs amenable to application of ML for different pursuits. Recognizing the immense potential for ML-based enhancements in the EMâO domain, this book intends to serve as an exclusive resource for both domain novices and the experienced researchers and practitioners. To achieve this goal, the book first covers the foundations of optimization, including problem and algorithm types. Then, well-structured chapters present some of the key studies on ML-based enhancements in the EMâO domain, systematically addressing important aspects. These include learning to understand the problem structure, converge better, diversify better, simultaneously converge and diversify better, and analyze the Pareto Front. In doing so, this book broadly summarizes the literature, beginning with foundational work on innovization (2003) and objective reduction (2006), and extending to the most recently proposed innovized progress operators (2021-23). It also highlights the utility of ML interventions in the search, post-optimality, and decision-making phases pertaining to the use of EMâOAs. Finally, this book shares insightful perspectives on the future potential for ML based enhancements in the EMâOA domain.To aid readers, the book includes working codes for the developed algorithms. This book will not only strengthen this emergent theme but also encourage ML researchers to develop more efficient and scalable methods that cater to the requirements of the EMâOA domain. It serves as an inspiration for further research and applications at the synergistic intersection of EMâOA and ML domains.
Die bei uns gelisteten Preise basieren auf Angaben der gelisteten Händler zum Zeitpunkt unserer Datenabfrage. Diese erfolgt einmal täglich. Von diesem Zeitpunkt bis jetzt können sich die Preise bei den einzelnen Händlern jedoch geändert haben. Bitte prüfen sie auf der Zielseite die endgültigen Preise.
Die Sortierung auf unserer Seite erfolgt nach dem besten Preis oder nach bester Relevanz für Suchbegriffe (je nach Auswahl).
Für manche Artikel bekommen wir beim Kauf über die verlinkte Seite eine Provision gezahlt. Ob es eine Provision gibt und wie hoch diese ausfällt, hat keinen Einfluß auf die Suchergebnisse oder deren Sortierung.
Unser Preisvergleich listet nicht alle Onlineshops. Möglicherweise gibt es auf anderen bei uns nicht gelisteten Shops günstigere Preise oder eine andere Auswahl an Angeboten.
Versandkosten sind in den angezeigten Preisen und der Sortierung nicht inkludiert.
* - Angaben ohne Gewähr. Preise und Versandkosten können sich zwischenzeitlich geändert haben. Bitte prüfen sie vor dem Kauf auf der jeweiligen Seite, ob die Preise sowie Versandkosten noch aktuell sind.
