MM Optimization Algorithms

ویرایش:  
نویسندگان: Kenneth Lange  
سری:  
ISBN (شابک) : 2016016275, 9781611974409 
ناشر: SIAM-Society for Industrial and Applied Mathematics 
سال نشر: 2016 
تعداد صفحات: 233
[229] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 2 Mb 

قیمت کتاب (تومان) : 65,000

الگوریتم های بهینه سازی MM یک مرور کلی از اصل MM ، وسیله ای برای استخراج الگوریتم های بهینه سازی رضایت از خاصیت صعود یا نزول ارائه می دهد. این الگوریتم ها می توانند متغیرهای یک مسئله را از هم جدا کنند ، از وارونگی ماتریس بزرگ جلوگیری کنند ، یک مشکل را خطی کنند ، تقارن را بازگرداند ، با محدودیت های برابری و نابرابری با لطف روبرو شوند و یک مشکل غیر قابل تشخیص را به یک مشکل صاف تبدیل کنند. ژنومیک ؛ الگوریتم های بی شماری را از تنوع گسترده ای در زمینه های کاربردی با تأکید ویژه بر آمار ، زیست شناسی و داده کاوی به دست می آورد. و مقدار زیادی از ادبیات را خلاصه می کند که قبلاً به فرم کتاب نرسیده است. مطالب پس زمینه در مورد محدب و توابع نیمه تمایز در یک تنظیمات مادرزادی برای دانشجویان فارغ التحصیل به دست می آید. فصل 2: ​​محدب و نابرابری ؛ فصل 3: تجزیه و تحلیل غیرقانونی ؛ فصل چهارم: عمده سازی و جزئی سازی ؛ فصل 5: الگوریتم های پروگزیمال ؛ فصل 6: رگرسیون و تحلیل چند متغیره ؛ فصل 7: همگرایی و شتاب ؛ پیوست A: پیشینه ریاضی.

MM Optimization Algorithms offers an overview of the MM principle, a device for deriving optimization algorithms satisfying the ascent or descent property. These algorithms can separate the variables of a problem, avoid large matrix inversions, linearize a problem, restore symmetry, deal with equality and inequality constraints gracefully, and turn a nondifferentiable problem into a smooth problem.

The author presents the first extended treatment of MM algorithms, which are ideal for high-dimensional optimization problems in data mining, imaging, and genomics; derives numerous algorithms from a broad diversity of application areas, with a particular emphasis on statistics, biology, and data mining; and summarizes a large amount of literature that has not reached book form before.

Audience: This book is intended for those interested in high-dimensional optimization. Background material on convexity and semidifferentiable functions is derived in a setting congenial to graduate students.

Contents: Chapter 1: Beginning Examples; Chapter 2: Convexity and Inequalities; Chapter 3: Nonsmooth Analysis; Chapter 4: Majorization and Minorization; Chapter 5: Proximal Algorithms; Chapter 6: Regression and Multivariate Analysis; Chapter 7: Convergence and Acceleration; Appendix A: Mathematical Background.

00
01
02
03
04
05
06
07
08
09