Conditional Monte Carlo: Gradient Estimation and Optimization Applications

مونته کارلوی مشروط: برآورد و بهینه سازی گرادیانبرنامه ها با تکنیک های مختلف تخمین گرادیان تحلیل اغتشاش بر اساس استفاده از انتظار شرطی سروکار دارد. تنظیم اولیه شبیه‌سازی تصادفی رویداد گسسته است. این کتاب کاربردهایی را برای صف بندی و موجودی و سایر زمینه های متنوع مانند مشتقات مالی، قیمت گذاری و کنترل کیفیت آماری ارائه می دهد. برای محققانی که در حال حاضر در این منطقه هستند، این کتاب دیدگاهی واحد ارائه می‌کند و به‌اندازه کافی وضعیت هنر را خلاصه می‌کند. برای محققانی که تازه وارد این منطقه شده‌اند، این کتاب ابزاری سیستماتیک‌تر و در دسترس‌تر برای درک تکنیک‌ها بدون نیاز به جست‌وجو در ادبیات بی‌شمار و یادگیری مجموعه جدیدی از نشانه‌گذاری با هر مقاله ارائه می‌دهد. برای پزشکان، این کتاب تعدادی از زمینه های کاربردی متنوع را ارائه می دهد که بدون نیاز به متعهد شدن کامل به درک تمام نکات نظری، شهود را در دسترس قرار می دهد. در مجموع، اهداف این مونوگراف دو جنبه دارند: گردآوری بسیاری از پیشرفت‌های جالب در تجزیه و تحلیل اغتشاش بر اساس شرطی‌سازی تحت یک چارچوب یکپارچه‌تر، و نشان دادن تنوع برنامه‌هایی که این تکنیک‌ها را می‌توان برای آنها اعمال کرد.
مونته کارلوی مشروط: برآورد گرادیان و بهینه‌سازیبرنامه‌ها به عنوان متن ثانویه برای دوره‌های تحصیلات تکمیلی شبیه‌سازی‌های تصادفی و به عنوان مرجعی برای محققان و متخصصان در این زمینه مناسب است. صنعت.

Conditional Monte Carlo: Gradient Estimation and OptimizationApplications deals with various gradient estimation techniques of perturbation analysis based on the use of conditional expectation. The primary setting is discrete-event stochastic simulation. This book presents applications to queueing and inventory, and to other diverse areas such as financial derivatives, pricing and statistical quality control. To researchers already in the area, this book offers a unified perspective and adequately summarizes the state of the art. To researchers new to the area, this book offers a more systematic and accessible means of understanding the techniques without having to scour through the immense literature and learn a new set of notation with each paper. To practitioners, this book provides a number of diverse application areas that makes the intuition accessible without having to fully commit to understanding all the theoretical niceties. In sum, the objectives of this monograph are two-fold: to bring together many of the interesting developments in perturbation analysis based on conditioning under a more unified framework, and to illustrate the diversity of applications to which these techniques can be applied.
Conditional Monte Carlo: Gradient Estimation and OptimizationApplications is suitable as a secondary text for graduate level courses on stochastic simulations, and as a reference for researchers and practitioners in industry.