ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Maximum-Entropy Sampling: Algorithms and Applicatio

دانلود کتاب نمونه برداری حداکثر آنتروپی: الگوریتم ها و کاربرد

Maximum-Entropy Sampling: Algorithms and Applicatio

مشخصات کتاب

Maximum-Entropy Sampling: Algorithms and Applicatio

ویرایش:  
نویسندگان:   
سری: Springer Series in Operations Research and Financial Engineering 
ISBN (شابک) : 3031130774, 9783031130779 
ناشر: Springer 
سال نشر: 2022 
تعداد صفحات: 205
[206] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 6 Mb 

قیمت کتاب (تومان) : 29,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 3


در صورت تبدیل فایل کتاب Maximum-Entropy Sampling: Algorithms and Applicatio 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 نمونه برداری حداکثر آنتروپی: الگوریتم ها و کاربرد 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.


توضیحاتی در مورد کتاب نمونه برداری حداکثر آنتروپی: الگوریتم ها و کاربرد

این تک نگاری درمان جامعی از مسئله نمونه‌برداری حداکثر آنتروپی (MESP) ارائه می‌کند، که موضوعی جذاب در تقاطع بهینه‌سازی ریاضی و علم داده است. متن MESP را در تئوری اطلاعات، به عنوان مسئله الگوریتمی محاسبه یک بردار فرعی با اندازه از پیش تعیین شده از یک بردار تصادفی گاوسی چند متغیره قرار می‌دهد تا آنتروپی دیفرانسیل شانون را به حداکثر برساند. متن الگوریتم های پیشرفته را برای MESP جمع آوری و گسترش می دهد و به کاربرد آن در زمینه نظارت بر محیط زیست می پردازد. در حالی که MESP یک مسئله بهینه سازی مرکزی در تئوری طرح های آماری است (به ویژه در زمینه نظارت فضایی)، این کتاب تا حد زیادی بر روی چالش های منحصر به فرد جنبه الگوریتمی آن تمرکز دارد. از منظر روش بهینه‌سازی ریاضی، MESP نسبتاً منحصربه‌فرد است (یک برنامه غیرخطی 0/1 دارای تابع هدف غیرقابل تفکیک)، و تکنیک‌های الگوریتمی مورد استفاده بسیار غیر استاندارد هستند. به طور خاص، تکنیک های موفق از چندین حوزه متفاوت در زمینه بهینه سازی ریاضی می آیند. به عنوان مثال: بهینه سازی محدب و دوگانگی، برنامه ریزی نیمه معین، آرامش لاگرانژی، برنامه نویسی پویا، الگوریتم های تقریب، بهینه سازی 0/1 (به عنوان مثال، شاخه و کران)، فرمول بندی توسعه یافته، و بسیاری از جنبه های نظریه ماتریس. این کتاب عمدتاً برای دانشجویان فارغ التحصیل و محققان در بهینه‌سازی ریاضی و تجزیه و تحلیل داده‌ها طراحی شده است.

توضیحاتی درمورد کتاب به خارجی

This monograph presents a comprehensive treatment of the maximum-entropy sampling problem (MESP), which is a fascinating topic at the intersection of mathematical optimization and data science. The text situates MESP in information theory, as the algorithmic problem of calculating a sub-vector of pre-specificed size from a multivariate Gaussian random vector, so as to maximize Shannon's differential entropy. The text collects and expands on state-of-the-art algorithms for MESP, and addresses its application in the field of environmental monitoring. While MESP is a central optimization problem in the theory of statistical designs (particularly in the area of spatial monitoring), this book largely focuses on the unique challenges of its algorithmic side. From the perspective of mathematical-optimization methodology, MESP is rather unique (a 0/1 nonlinear program having a nonseparable objective function), and the algorithmic techniques employed are highly non-standard. In particular, successful techniques come from several disparate areas within the field of mathematical optimization; for example: convex optimization and duality, semidefinite programming, Lagrangian relaxation, dynamic programming, approximation algorithms, 0/1 optimization (e.g., branch-and-bound), extended formulation, and many aspects of matrix theory. The book is mainly aimed at graduate students and researchers in mathematical optimization and data analytics.

 



فهرست مطالب

Preface
Overview
Notation
Contents
The problem and basic properties
	Differential entropy
	The MESP and the CMESP
	Hardness
	A solvable case
	The complementary problem
	Scaling
	Masks
	Submodularity
Branch-and-bound
	The branch-and-bound algorithmic framework for MESP
	Global upper bound for early termination
	Good lower bounds
		Greedy
		Swapping
		Approximation algorithm
	The branch-and-bound algorithmic framework for CMESP
Upper bounds
	Spectral bounds
		Unconstrained
		Constrained
	Integer linear optimization
		An ILP-based diagonal bound for CMESP
		An ILP-based partition bound for MESP
	linx bound
		Convexity of linx
		Duality for linx
		Fixing variables in linx
		Computing linx and Dlinx solutions
		Scaling for linx
		The complementary problem of linx-gamma
	Factorization bound
		The Lagrangian dual of Fact
		Duality for DFact
		Fixing variables in DDFact
		Computing DDFact and DFact solutions
		Properties of the factorization bound
	NLP bound
		Convexity of NLP
		Scaling for NLP
		Good parameters for NLPgamma
		Strategies to select parameters for NLPgamma
		Duality and the logarithmic-barrier problem for gNLP
		Fixing variables in gNLP
		The logarithmic-barrier algorithm for gNLP
		NLP-gamma in the branch-and-bound algorithm
	BQP bound
		Convexity of BQP
		Duality for BQP
		Fixing variables in BQP
		A good feasible solution of DBQP from BQP
		Scaling for BQP
	Mixing bounds
		The mixing framework
		Optimizing the mixing parameters
	Duality for mixing
		Fixing variables in mix
		A good feasible solution of Dmix from mix
		Mixing the BQPgamma bound with the complementary BQPgamma bound
		Duality for smBQP
		Fixing variables in smBQP
		A good feasible solution of DsmBQP from smBQP
	Comparison of bounds
Environmental monitoring
	The setting
		MESP within statistics and optimal experimental design
		MESP and environmental statistics
	From raw data to covariance matrices
	An example
Opportunities
	Developing algorithmic advances for MESP/CMESP
		Variable fixing and branch-and-bound: state of the art
		Optimizing gamma for NLPgamma
		Solvable cases of MESP and mask optimization
		OA for CMESP
	MESP/CMESP variations and cousins
	Applications
Basic formulae and inequalities
	Preliminary miscellany
	Square matrices
	Symmetric matrices
	Positive definite and semidefinite matrices
References
Index




نظرات کاربران