Lectures on Stochastic Programming: Modeling and Theory

ویرایش:  
نویسندگان: Alexander Shapiro,  Darinka Dentcheva,  Andrzej Ruszczynski  
سری: MPS-SIAM Series on Optimization 
ISBN (شابک) : 089871687X, 9780898716870 
ناشر: SIAM-Society for Industrial and Applied Mathematics 
سال نشر: 2009 
تعداد صفحات: 446 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 2 Mb 

قیمت کتاب (تومان) : 61,000

مشکلات بهینه‌سازی مربوط به مدل‌های تصادفی تقریباً در تمام زمینه‌های علم و مهندسی، مانند مخابرات، پزشکی و مالی رخ می‌دهد. وجود آن‌ها نیاز به روش‌های دقیق برای فرمول‌بندی، تحلیل و حل چنین مسائلی را ایجاب می‌کند. این کتاب بر روی مسائل بهینه‌سازی شامل پارامترهای نامشخص تمرکز دارد و مبانی نظری و پیشرفت‌های اخیر در مناطقی که مدل‌های تصادفی در دسترس هستند را پوشش می‌دهد.

خوانندگان پوششی از مفاهیم اساسی مدل‌سازی این مشکلات، از جمله اقدامات توسلی و اصل عدم پیش‌بینی را خواهند یافت. این کتاب همچنین شامل نظریه مسائل برنامه ریزی تصادفی دو مرحله ای و چند مرحله ای است. وضعیت فعلی نظریه در مورد محدودیت های شانسی (احتمالی)، از جمله ساختار مسائل، نظریه بهینه و دوگانگی. و استنتاج آماری در و رویکردهای ریسک گریز به برنامه ریزی تصادفی.

مخاطب: این کتاب برای محققانی که بر روی نظریه و کاربردهای بهینه سازی کار می کنند در نظر گرفته شده است. همچنین به عنوان متنی برای دوره های تکمیلی پیشرفته در بهینه سازی مناسب است.

مطالب: مقدمه; فصل 1: مدل های برنامه ریزی تصادفی. فصل دوم: مسائل دو مرحله ای; فصل سوم: مسائل چند مرحله ای. فصل 4: مدل های بهینه سازی با محدودیت های احتمالی. فصل پنجم: استنتاج آماری; فصل 6: بهینه سازی ریسک گریز; فصل 7: مطالب پیشینه; فصل هشتم: ملاحظات کتابشناختی; کتابشناسی - فهرست کتب؛ فهرست مطالب.

Optimization problems involving stochastic models occur in almost all areas of science and engineering, such as telecommunications, medicine, and finance. Their existence compels a need for rigorous ways of formulating, analyzing, and solving such problems. This book focuses on optimization problems involving uncertain parameters and covers the theoretical foundations and recent advances in areas where stochastic models are available.

Readers will find coverage of the basic concepts of modeling these problems, including recourse actions and the nonanticipativity principle. The book also includes the theory of two-stage and multistage stochastic programming problems; the current state of the theory on chance (probabilistic) constraints, including the structure of the problems, optimality theory, and duality; and statistical inference in and risk-averse approaches to stochastic programming.

Audience: This book is intended for researchers working on theory and applications of optimization. It also is suitable as a text for advanced graduate courses in optimization.

Contents: Preface; Chapter 1: Stochastic Programming Models; Chapter 2: Two-Stage Problems; Chapter 3: Multistage Problems; Chapter 4: Optimization Models with Probabilistic Constraints; Chapter 5: Statistical Inference; Chapter 6: Risk Averse Optimization; Chapter 7: Background Material; Chapter 8: Bibliographical Remarks; Bibliography; Index.