دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1
نویسندگان: Jean-Baptiste Hiriart-Urruty. Claude Lemaréchal (auth.)
سری: Grundlehren der mathematischen Wissenschaften 305
ISBN (شابک) : 9783642081613, 9783662027967
ناشر: Springer-Verlag Berlin Heidelberg
سال نشر: 1993
تعداد صفحات: 431
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 20 مگابایت
کلمات کلیدی مربوط به کتاب الگوریتم های تحلیل و بهینه سازی محدب I: مبانی: حساب تغییرات و کنترل بهینه، بهینه سازی، تحقیق در عملیات، علم مدیریت، نظریه سیستم ها، کنترل
در صورت تبدیل فایل کتاب Convex Analysis and Minimization Algorithms I: Fundamentals به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب الگوریتم های تحلیل و بهینه سازی محدب I: مبانی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
تحلیل محدب را میتوان بهعنوان پالایش حساب استاندارد در نظر گرفت که برابریها و تقریبها با نابرابریها جایگزین شدهاند. به این ترتیب، می توان آن را به راحتی در برنامه درسی تحصیلات تکمیلی ادغام کرد. الگوریتمهای کمینهسازی، بهویژه آنهایی که با توابع غیرقابل تمایز تطبیق داده شدهاند، کاربرد فوری تحلیل محدب را در زمینههای مختلف مرتبط با بهینهسازی و تحقیق در عملیات ارائه میدهند. این دو موضوع که عنوان کتاب را تشکیل می دهد، منعکس کننده دو خاستگاه نویسندگان است که به ترتیب به دنیای دانشگاهی و به دنیای کاربردها تعلق دارند. قسمت اول را می توان به عنوان یک کتاب درسی مقدماتی (به عنوان پایه ای برای دوره ها یا برای خودآموزی) استفاده کرد. بخش دوم این کار را در سطح فنی بالاتر ادامه می دهد و بیشتر به متخصصان خطاب می شود و نتایجی را جمع آوری می کند که تاکنون در کتاب ها ظاهر نشده است.
Convex Analysis may be considered as a refinement of standard calculus, with equalities and approximations replaced by inequalities. As such, it can easily be integrated into a graduate study curriculum. Minimization algorithms, more specifically those adapted to non-differentiable functions, provide an immediate application of convex analysis to various fields related to optimization and operations research. These two topics making up the title of the book, reflect the two origins of the authors, who belong respectively to the academic world and to that of applications. Part I can be used as an introductory textbook (as a basis for courses, or for self-study); Part II continues this at a higher technical level and is addressed more to specialists, collecting results that so far have not appeared in books.
Front Matter....Pages I-XVII
Convex Functions of One Real Variable....Pages 1-46
Introduction to Optimization Algorithms....Pages 47-86
Convex Sets....Pages 87-141
Convex Functions of Several Variables....Pages 143-193
Sublinearity and Support Functions....Pages 195-236
Subdifferentials of Finite Convex Functions....Pages 237-289
Constrained Convex Minimization Problems: Minimality Conditions, Elements of Duality Theory....Pages 291-341
Descent Theory for Convex Minimization: The Case of Complete Information....Pages 343-384
Back Matter....Pages 385-420