Computación evolutiva - Aprovechamiento de algoritmos inteligentes para sistemas robóticos avanzados
Fouad Sabry
Translator Guilherme Costa
Publisher: Mil Millones De Conocimientos [Spanish]
Summary
1. Computación evolutiva: Introducción a los modelos computacionales inspirados en la evolución. 2. Programación genética: Examina los sistemas adaptativos para programas en evolución. 3. Algoritmo genético: Analiza el poder de las técnicas de optimización genética. 4. Algoritmo evolutivo: Analiza los algoritmos impulsados por la evolución biológica. 5. Computación bioinspirada: Examina los modelos computacionales inspirados en la naturaleza. 6. Programación evolutiva: Explora la simulación de la evolución en la resolución de problemas. 7. Crossover (algoritmo genético): Detalla los procesos de recombinación genética. 8. Mutación (algoritmo genético): analiza el papel de la mutación en la diversidad. 9. Cromosoma (algoritmo genético): describe las estructuras de datos genéticos. 10. Metaheurística: explora los marcos para encontrar soluciones casi óptimas. 11. Estrategia evolutiva: investiga los mecanismos adaptativos para la optimización. 12. Aptitud efectiva: define la evaluación de la aptitud en contextos evolutivos. 13. Convergencia prematura: advierte sobre los peligros de la optimización temprana. 14. Representación genética: examina la codificación de datos en algoritmos genéticos. 15. Algoritmo memético: cubre algoritmos híbridos que combinan búsquedas genéticas y locales. 16. Computación basada en humanos: analiza la influencia humana en la computación. 17. Computación lateral: examina las interacciones laterales en los sistemas computacionales. 18. Computación natural: explora la computación basada en procesos naturales. 19. Vida artificial: presenta sistemas similares a la vida real y sus aplicaciones. 20. Computación blanda: investiga métodos de computación flexibles y aproximados. 21. Neuroevolución de topologías aumentadas: profundiza en las redes neuronales en evolución.
