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: Adam J. Berger, John M. Mulvey, Andrzej Ruszczyński (auth.), W. W. Hager, D. W. Hearn, P. M. Pardalos (eds.) سری: ISBN (شابک) : 9781461336341, 9781461336327 ناشر: Springer US سال نشر: 1994 تعداد صفحات: 470 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 14 مگابایت
کلمات کلیدی مربوط به کتاب بهینه سازی مقیاس بزرگ: آخرین سطح هنر: توابع واقعی، مدلسازی ریاضی و ریاضیات صنعتی، هندسه، ریاضیات محاسباتی و آنالیز عددی
در صورت تبدیل فایل کتاب Large Scale Optimization: State of the Art 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 بهینه سازی مقیاس بزرگ: آخرین سطح هنر 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.
در 15 تا 17 فوریه 1993، کنفرانسی در مورد بهینه سازی در مقیاس بزرگ، به میزبانی مرکز بهینه سازی کاربردی، در دانشگاه فلوریدا برگزار شد. این کنفرانس توسط بنیاد ملی علوم، دفتر تحقیقات ارتش ایالات متحده، و دانشگاه فلوریدا، با تاییدیه های SIAM، MPS، ORSA و IMACS حمایت شد. چهل و یک سخنران دعوت شده مقالاتی در زمینه برنامه ریزی ریاضی و موضوعات کنترل بهینه با تاکید بر توسعه الگوریتم، کاربردهای دنیای واقعی و نتایج عددی ارائه کردند. شرکت کنندگانی از کانادا، ژاپن، سوئد، هلند، آلمان، بلژیک، یونان و دانمارک به این نشست یک جزء مهم بین المللی دادند. شرکت کنندگان همچنین شامل نمایندگانی از IBM، American Airlines، US Air، United Parcel Serice، AT & T Bell Labs، Thinking Machines، مرکز تحقیقات کامپیوتری با عملکرد بالا ارتش، و آزمایشگاه ملی آرگون بودند. علاوه بر این، NSF از حضور سیزده دانشجوی فارغ التحصیل از دانشگاه های ایالات متحده و خارج حمایت کرد. مدلسازی دقیق مسائل علمی اغلب منجر به فرمولبندی مسائل بهینهسازی در مقیاس بزرگ میشود که شامل هزاران متغیر پیوسته و/یا گسسته است. بهینه سازی در مقیاس بزرگ افزایش چشمگیری در فعالیت ها در دهه گذشته داشته است. این نتیجه طبیعی پیشرفت های الگوریتمی جدید و افزایش قدرت رایانه ها بوده است. به عنوان مثال، ایده های تجزیه ارائه شده توسط G. Dantzig و P. Wolfe در دهه 1960، اکنون در سیستم های پردازش توزیع شده قابل پیاده سازی هستند و امروزه بسیاری از کدهای بهینه سازی روی ماشین های موازی پیاده سازی شده اند.
On February 15-17, 1993, a conference on Large Scale Optimization, hosted by the Center for Applied Optimization, was held at the University of Florida. The con ference was supported by the National Science Foundation, the U. S. Army Research Office, and the University of Florida, with endorsements from SIAM, MPS, ORSA and IMACS. Forty one invited speakers presented papers on mathematical program ming and optimal control topics with an emphasis on algorithm development, real world applications and numerical results. Participants from Canada, Japan, Sweden, The Netherlands, Germany, Belgium, Greece, and Denmark gave the meeting an important international component. At tendees also included representatives from IBM, American Airlines, US Air, United Parcel Serice, AT & T Bell Labs, Thinking Machines, Army High Performance Com puting Research Center, and Argonne National Laboratory. In addition, the NSF sponsored attendance of thirteen graduate students from universities in the United States and abroad. Accurate modeling of scientific problems often leads to the formulation of large scale optimization problems involving thousands of continuous and/or discrete vari ables. Large scale optimization has seen a dramatic increase in activities in the past decade. This has been a natural consequence of new algorithmic developments and of the increased power of computers. For example, decomposition ideas proposed by G. Dantzig and P. Wolfe in the 1960's, are now implement able in distributed process ing systems, and today many optimization codes have been implemented on parallel machines.
Front Matter....Pages i-xiv
Restarting Strategies for the DQA Algorithm....Pages 1-25
Mathematical Equivalence of the Auction Algorithm for Assignment and the ∊-Relaxation (Preflow-Push) Method for Min Cost Flow....Pages 26-44
Preliminary Computational Experience with Modified Log-Barrier Functions for Large-Scale Nonlinear Programming....Pages 45-67
A New Stochastic/Perturbation Method for Large-Scale Global Optimization and its Application to Water Cluster Problems....Pages 68-81
Improving the Decomposition of Partially Separable Functions in the Context of Large-Scale Optimization: a First Approach....Pages 82-94
Gradient-Related Constrained Minimization Algorithms in Function Spaces: Convergence Properties and Computational Implications....Pages 95-114
Some Reformulations and Applications of the Alternating Direction Method of Multipliers....Pages 115-134
Experience with a Primal Presolve Algorithm....Pages 135-154
A Trust Region Method for Constrained Nonsmooth Equations....Pages 155-181
On the Complexity of a Column Generation Algorithm for Convex or Quasiconvex Feasibility Problems....Pages 182-191
Identification of the Support of Nonsmoothness....Pages 192-205
On Very Large Scale Assignment Problems....Pages 206-244
Numerical Solution of Parabolic State Constrained Control Problems Using SQP- and Interior-Point-Methods....Pages 245-258
A Global Optimization Method For Weber’s Problem With Attraction And Repulsion....Pages 259-285
Large-Scale Diversity Minimization via Parallel Genetic Algorithms....Pages 294-311
A Numerical Comparison of Barrier and Modified Barrier Methods For Large-Scale Bound-Constrained Optimization....Pages 319-338
A Numerical Study of Some Data Association Problems Arising in Multitarget Tracking....Pages 339-361
Identifying the Optimal Face of a Network Linear Program with a Globally Convergent Interior Point Method....Pages 362-387
Solution of Large Scale Stochastic Programs with Stochastic Decomposition Algorithms....Pages 388-410
A Simple, Quadratically Convergent Interior Point Algorithm for Linear Programming and Convex Quadratic Programming....Pages 411-427
On Two Algorithms for Nonconvex Nonsmooth Optimization Problems in Structural Mechanics....Pages 428-456