Markov Networks in Evolutionary Computation

شبکه‌های مارکوف و سایر حالت‌های گرافیکی احتمالی اخیراً مورد توجه جامعه محاسباتی تکاملی، به‌ویژه در حوزه تخمین الگوریتم‌های توزیع (EDA) قرار گرفته‌اند. EDAها به‌عنوان یکی از موفق‌ترین تجربیات در کاربرد روش‌های یادگیری ماشین در بهینه‌سازی به وجود آمده‌اند، که عمدتاً به دلیل کارایی آنها برای حل مسائل پیچیده بهینه‌سازی دنیای واقعی و مناسب بودن آنها برای تجزیه و تحلیل نظری است.

این کتاب تمرکز دارد. در مورد مراحل مختلف درگیر در مفهوم، پیاده سازی و کاربرد EDAهایی که از شبکه های مارکوف استفاده می کنند و به طور کلی مدل های غیر جهت دار. این می تواند به عنوان یک مقدمه کلی برای EDA ها عمل کند، اما با توضیح ویژگی ها و مزایای مدل سازی مسائل بهینه سازی با استفاده از مدل های احتمالی غیر جهت دار، خلأ مهم فعلی در مطالعه این الگوریتم ها را نیز پوشش می دهد.

تمام پیشرفت‌های عمده تا به امروز در معرفی تدریجی EDAهای مبتنی بر شبکه‌های مارکوف در کتاب بررسی شده‌اند. روندهای تحقیقاتی داغ فعلی و چشم اندازهای آینده در بهبود و کاربرد EDAها نیز پوشش داده شده است. مشارکت‌های موجود در کتاب به موضوعات مرتبطی مانند کاربرد مدل‌های تناسب مبتنی بر احتمال، استفاده از الگوریتم‌های انتشار باور در EDAها و استفاده از EDAهای مبتنی بر شبکه مارکوف برای مسائل بهینه‌سازی دنیای واقعی می‌پردازد. این کتاب باید مورد توجه محققان و متخصصان حوزه‌هایی مانند بهینه‌سازی، محاسبات تکاملی و یادگیری ماشین باشد.

Markov networks and other probabilistic graphical modes have recently received an upsurge in attention from Evolutionary computation community, particularly in the area of Estimation of distribution algorithms (EDAs). EDAs have arisen as one of the most successful experiences in the application of machine learning methods in optimization, mainly due to their efficiency to solve complex real-world optimization problems and their suitability for theoretical analysis.

This book focuses on the different steps involved in the conception, implementation and application of EDAs that use Markov networks, and undirected models in general. It can serve as a general introduction to EDAs but covers also an important current void in the study of these algorithms by explaining the specificities and benefits of modeling optimization problems by means of undirected probabilistic models.

All major developments to date in the progressive introduction of Markov networks based EDAs are reviewed in the book. Hot current research trends and future perspectives in the enhancement and applicability of EDAs are also covered. The contributions included in the book address topics as relevant as the application of probabilistic-based fitness models, the use of belief propagation algorithms in EDAs and the application of Markov network based EDAs to real-world optimization problems. The book should be of interest to researchers and practitioners from areas such as optimization, evolutionary computation, and machine learning.