Introduction to Stochastic Programming

هدف برنامه نویسی تصادفی یافتن تصمیمات بهینه در مسائلی است که شامل داده های نامطمئن است. این رشته در حال حاضر با مشارکت بسیاری از رشته ها از جمله تحقیق در عملیات، ریاضیات و احتمالات به سرعت در حال توسعه است. در عین حال، اکنون در موضوعات مختلف از کشاورزی گرفته تا برنامه ریزی مالی و از مهندسی صنایع تا شبکه های کامپیوتری استفاده می شود. این کتاب درسی اولین دوره برنامه نویسی تصادفی را برای دانش آموزان با دانش اولیه برنامه ریزی خطی، تحلیل ابتدایی و احتمال ارائه می دهد. هدف نویسندگان ارائه یک نمای کلی از مضامین و روش های اصلی موضوع است. هدف اصلی آن کمک به دانش‌آموزان در ایجاد شهودی در مورد چگونگی مدل‌سازی عدم قطعیت در مسائل ریاضی، تغییرات عدم قطعیت در فرآیند تصمیم‌گیری، و چه تکنیک‌هایی به مدیریت عدم قطعیت در حل مسائل کمک می‌کند.

در این به‌روزرسانی گسترده در نسخه جدید مطالب بیشتری در مورد روش‌ها و مثال‌ها از جمله چندین رویکرد جدید برای متغیرهای گسسته، نتایج جدید در مورد اقدامات ریسک در مدل‌سازی و روش‌های نمونه‌گیری مونت کارلو، فصل جدیدی در رابطه با سایر روش‌ها از جمله برنامه‌نویسی پویا تقریبی، بهینه‌سازی قوی و روش‌های آنلاین وجود دارد.

این کتاب با خلاصه‌های فصل و مثال‌ها و تمرین‌های بسیار مصور است. دانشجویان، محققین و شاغلین در تحقیقات عملیاتی و حوزه بهینه‌سازی آن را مورد توجه ویژه قرار خواهند داد.

بررسی نسخه اول:

\"بحث در مورد مسائل مدلسازی، تعداد زیادی مثال استفاده شده برای نشان دادن مطالب، و گستردگی پوشش، «مقدمه ای بر برنامه ریزی تصادفی» را به یک کتاب درسی ایده آل برای منطقه تبدیل کرده است.» (اینترفیس ها، 1998) >

The aim of stochastic programming is to find optimal decisions in problems which involve uncertain data. This field is currently developing rapidly with contributions from many disciplines including operations research, mathematics, and probability. At the same time, it is now being applied in a wide variety of subjects ranging from agriculture to financial planning and from industrial engineering to computer networks. This textbook provides a first course in stochastic programming suitable for students with a basic knowledge of linear programming, elementary analysis, and probability. The authors aim to present a broad overview of the main themes and methods of the subject. Its prime goal is to help students develop an intuition on how to model uncertainty into mathematical problems, what uncertainty changes bring to the decision process, and what techniques help to manage uncertainty in solving the problems.

In this extensively updated new edition there is more material on methods and examples including several new approaches for discrete variables, new results on risk measures in modeling and Monte Carlo sampling methods, a new chapter on relationships to other methods including approximate dynamic programming, robust optimization and online methods.

The book is highly illustrated with chapter summaries and many examples and exercises. Students, researchers and practitioners in operations research and the optimization area will find it particularly of interest.

Review of First Edition:

"The discussion on modeling issues, the large number of examples used to illustrate the material, and the breadth of the coverage make 'Introduction to Stochastic Programming' an ideal textbook for the area." (Interfaces, 1998)