Bayesian Heuristic Approach to Discrete and Global Optimization: Algorithms, Visualization, Software, and Applications

تئوری تصمیم بیزی به عنوان یک چارچوب موثر برای حل عملی مسائل بهینه سازی گسسته و غیر محدب شناخته شده است. این کتاب اولین کتابی است که نشان می‌دهد این چارچوب همچنین برای بهره‌برداری از روش‌های اکتشافی در حل چنین مسائلی مناسب است، به‌ویژه آن‌هایی که در مقیاس بزرگ هستند که روش‌های بهینه‌سازی دقیق برای آنها می‌تواند بسیار پرهزینه باشد. این کتاب تمام جنبه‌های مختلف از ارائه رسمی رویکرد بیزی، تا گسترش آن به استراتژی ابتکاری بیزی، و استفاده از آن در استراتژی تجسم پویا غیررسمی و تعاملی را پوشش می‌دهد. چارچوب توسعه‌یافته در پیش‌بینی، بهینه‌سازی شبکه عصبی، و در تعداد زیادی از مسائل بهینه‌سازی گسسته و پیوسته استفاده می‌شود. حوزه‌های کاربردی خاصی که مورد بحث قرار می‌گیرند شامل مشکلات زمان‌بندی و تجسم در مهندسی شیمی، کنترل فرآیند تولید و اپیدمیولوژی می‌شود. نتایج محاسباتی و مقایسه با طیف گسترده ای از نمونه های آزمایشی ارائه شده است. نرم افزار مورد نیاز برای اجرای رویکرد ابتکاری بیزی گنجانده شده است. اگرچه برخی دانش از آمار ریاضی برای درک جنبه های نظری توسعه ضروری است، هیچ دانش ریاضی تخصصی برای درک کاربرد رویکرد یا استفاده از نرم افزار ارائه شده مورد نیاز نیست.
مخاطبان: این کتاب هم برای محققان در تحقیق در عملیات، مهندسی سیستم‌ها و روش‌های بهینه‌سازی، و هم برای متخصصان برنامه‌هایی که با حل بهینه‌سازی گسسته و/یا غیرمحدب در مقیاس بزرگ مرتبط هستند، مورد علاقه است. مشکلات در طیف وسیعی از زمینه های مهندسی و فناوری. ممکن است به عنوان مواد تکمیلی برای دوره های تحصیلات تکمیلی استفاده شود.

Bayesian decision theory is known to provide an effective framework for the practical solution of discrete and nonconvex optimization problems. This book is the first to demonstrate that this framework is also well suited for the exploitation of heuristic methods in the solution of such problems, especially those of large scale for which exact optimization approaches can be prohibitively costly. The book covers all aspects ranging from the formal presentation of the Bayesian Approach, to its extension to the Bayesian Heuristic Strategy, and its utilization within the informal, interactive Dynamic Visualization strategy. The developed framework is applied in forecasting, in neural network optimization, and in a large number of discrete and continuous optimization problems. Specific application areas which are discussed include scheduling and visualization problems in chemical engineering, manufacturing process control, and epidemiology. Computational results and comparisons with a broad range of test examples are presented. The software required for implementation of the Bayesian Heuristic Approach is included. Although some knowledge of mathematical statistics is necessary in order to fathom the theoretical aspects of the development, no specialized mathematical knowledge is required to understand the application of the approach or to utilize the software which is provided.
Audience: The book is of interest to both researchers in operations research, systems engineering, and optimization methods, as well as applications specialists concerned with the solution of large scale discrete and/or nonconvex optimization problems in a broad range of engineering and technological fields. It may be used as supplementary material for graduate level courses.