Introduction to Nonsmooth Optimization: Theory, Practice and Software

ویرایش:  
نویسندگان: Adil Bagirov,  Napsu Karmitsa,  Marko M. Mäkelä  
سری:  
ISBN (شابک) : 3319081136, 9783319081144 
ناشر: Springer 
سال نشر: 2014 
تعداد صفحات: 377 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 مگابایت 

قیمت کتاب (تومان) : 42,000



این کتاب اولین متن آسان برای بهینه‌سازی غیرهموار است (NSO، نه لزوماً بهینه‌سازی متفاوت). حل این نوع مسائل نقش مهمی در بسیاری از کاربردهای صنعتی و سیستم‌های مدل‌سازی در دنیای واقعی دارد، به عنوان مثال در زمینه حذف نویز تصویر، کنترل بهینه، آموزش شبکه‌های عصبی، داده‌کاوی، اقتصاد و شیمی محاسباتی و فیزیک. این کتاب هم نظریه و هم روش‌های عددی مورد استفاده در NSO را پوشش می‌دهد و یک نمای کلی از مشکلات مختلف در این زمینه ارائه می‌دهد. این به سه بخش سازماندهی شده است:

1. تحلیل محدب و غیر محدب و نظریه NSO؛

2. مشکلات تست و کاربردهای عملی؛

3. راهنمای نرم افزار NSO.

این کتاب برای هر کسی که در دوره های NSO تدریس می کند یا شرکت می کند ایده آل است. به عنوان یک مقدمه در دسترس برای این زمینه، همچنین به عنوان یک راهنمای یادگیری مستقل برای پزشکانی که قبلاً با اصول بهینه سازی آشنا هستند مناسب است.

This book is the first easy-to-read text on nonsmooth optimization (NSO, not necessarily differentiable optimization). Solving these kinds of problems plays a critical role in many industrial applications and real-world modeling systems, for example in the context of image denoising, optimal control, neural network training, data mining, economics and computational chemistry and physics. The book covers both the theory and the numerical methods used in NSO and provide an overview of different problems arising in the field. It is organized into three parts:

1. convex and nonconvex analysis and the theory of NSO;

2. test problems and practical applications;

3. a guide to NSO software.

The book is ideal for anyone teaching or attending NSO courses. As an accessible introduction to the field, it is also well suited as an independent learning guide for practitioners already familiar with the basics of optimization

Front Matter....Pages i-xviii
Front Matter....Pages 1-2
Theoretical Background....Pages 3-9
Convex Analysis....Pages 11-60
Nonconvex Analysis....Pages 61-116
Optimality Conditions....Pages 117-137
Generalized Convexities....Pages 139-168
Approximations of Subdifferentials....Pages 169-197
Back Matter....Pages 199-200
Front Matter....Pages 201-202
Practical Problems....Pages 203-240
SemiAcademic Problems....Pages 241-245
Academic Problems....Pages 247-285
Back Matter....Pages 287-291
Front Matter....Pages 293-294
Subgradient Methods....Pages 295-297
Cutting Plane Methods....Pages 299-303
Bundle Methods....Pages 305-310
Gradient Sampling Methods....Pages 311-312
Hybrid Methods....Pages 313-325
Discrete Gradient Methods....Pages 327-333
Constraint Handling....Pages 335-337
Numerical Comparison of NSO Softwares....Pages 339-356
Back Matter....Pages 357-372