Магистр ДонНТУ:    Джура Валерий Петрович
Факультет:    Компьютерные Информационные Технологии и Автоматика
Специальность:    Компьютерная инженерия
Тема:    «Аппаратная реализация компактных генных алгоритмов на ЯOА VHDL»
Руководитель:    Скобцов В. Ю.

Библиотека

1. Фундаментальная теорема ГА 

Автор: Курейчик В.М.

Издательство: ТРТУ, 1998. - 242 с.

Год: 1998

Часть книги (Глава 2. Основные понятия генетических алгоритмов, стр. 65-71). Математические основы генетических алгоритмов. Влияние каждого генетического оператора на степень приспособленность хромосомы в популяции.

2. Применение генетических алгоритмов для обучения нейронных сетей 

Автор: Федяев О.И., Соломка Ю.И.

Издательство: Вінниця: ВІ МАУП, 2004. - 85-90.

Год: 2004

В статье рассматривается проблема обучения нейронных сетей. Сравниваются два алгоритма обучения: генетический алгоритм и алгоритм обратного распространения ошибки. Приведены результаты экспериментов по обучению НС.

3. Evolving neural networks 

Автор: Melanie Mitchell

Издательство: An Introduction to Genetic Algorithms. First MIT Press

Год: 1998

Часть книги (Chapter2. Genetic Algorithms in Problem Solving, p. 65-79), посвященная применению генетических алгоритмов при обучении и оптимизации нейронных сетей. Также решаются вопросы кодирования хромосом.

4. Генетический поиск. 

Автор: Сергей А. Терехов

Источник: Лаборатотория Искусственных Нейронных Сетей НТО-2, ВНИИТФ, Снежинск

Год: 1998

5. Evolutionary approach to the functional test generation for digital circuits. 

Автор: Y.A.Skobtsov, D.E.Ivanov, V.Y.Skobtsov ,R.Ubar

Источник: Department of Automated Control Systems, DNTU

Год: 2004

Генетические алгоритмы и эволюционный расчет. Описание и применение генетических алгоритмов. In the paper an evolutionary approach for functional testing of digital circuits is considered. A genetic algorithm for testing digital multiplier is proposed. The main target of the proposed method is to generate as short as possible functional test wih as high as possible fault coverage with the goal to use the generated patterns as the input data for embedded functional BIST. Experimental data of the program realization is also represented.

Введение в эволюционные алгоритмы. Комбинаторная оптимизация методом генетического поиска. Нейронные сети с нечеткой логикой. Конечные автоматы и нейронные сети.

6. Genetic Algorithms and Evolutionary Computation. 

Автор: Adam Marczyk

Источник: Научный портал "The talkOrigins archive"

Год: 2004

Генетические алгоритмы и эволюционный расчет. Описание и применение генетических алгоритмов.

7. Genetic Algorithms 

Автор: John H. Holland

Издательство: First MIT Press

ISBN-10: 0-262-58111-6

ISBN-13: 978-0-262-58111-0

Год: 1998

Computer programs that "evolve" in ways that resemble natural selection can solve complex problems even their creators do not fully understand.

8. Аппаратная реализация вероятностных генетических алгоритмов. 

Автор: В.В. Гудилов, Л.А. Зинченко.

Источник: Электронный журнал "Перспективные информационные технологии" 

Год: 2003

Генетические алгоритмы и эволюционный расчет. Описание и применение генетических алгоритмов. Аппаратная реализация вероятностных генетических алгоритмов с параллельным формированием хромосомы.

9. Нейрокомпьютинг, нейросети и нейрокомпьютеры. 

Автор: Королев Л. Н.

Источник: Склад диссертаций

Год: 2005

Подробное описание генетического программирования.

10. An introduction to genetic algorithms 

Автор: Melanie Mitchell

Издательство: First MIT Press

ISBN-10: 0-262-63185-7

ISBN-13: 978-0-262-63185-3

Год: 1999

Mitchell's book provvides an in-depth intodution to genetic algorithms in areas such as machine learning , scientific modeling, and "artificial life". _An Introduction to Genetic Algorithms_ is a terse and accesible text allowing readers to implement and experiment with genetic algorithms (GA's) — specifically GA's in machine learning, scientific modeling, and "artificial life". Included are thought experiments and exercises to enforce ideas presented in each chapter of the text. Chapter one introduces GA terms and history while describing two applications in detail. Chapter two and three explore the use of GA's in problem solving and scientific modeling. The fourth chapter gives a thorough overview of the theoretical foundations of GA's, while the fifth tackles implementation of GA's. The last chapter surveys some currently unanswered questions and considers the future of GA's. Inlcuded in two appendices are substantial references to other resources on genetic algorithms. Подробное описание генетических алгоритмов, способов реализации, проблемы и решения.