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: نویسندگان: Didier Henrion, Milan Korda, Jean Bernard Lasserre سری: ISBN (شابک) : 1786348535, 9781786348531 ناشر: World Scientific Publishing Europe Ltd سال نشر: 2020 تعداد صفحات: 248 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 14 Mb
در صورت تبدیل فایل کتاب Moment-SOS Hierarchy, The: Lectures in Probability, Statistics, Computational Geometry, Control and Nonlinear Pdes (Optimization and Its Applications) 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 Moment-SOS Hierarchy، The: سخنرانی در احتمال، آمار، هندسه محاسباتی، کنترل و Pdes غیرخطی (بهینه سازی و کاربردهای آن) 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.
سلسله مراتب Moment-SOS یک روش قدرتمند است که برای حل مسئله لحظه تعمیم یافته (GMP) استفاده می شود که در آن لیست برنامه های کاربردی در حوزه های مختلف علوم و مهندسی تقریباً بی پایان است. در ابتدا برای حل مسائل بهینه سازی چند جمله ای (ساده ترین مثال GMP) طراحی شده بود، برای حل هر نمونه ای از GMP که شرح آن فقط شامل توابع و مجموعه های نیمه جبری است، کاربرد دارد. این شامل حل دنباله ای (سلسله مراتبی) از آرامش های محدب مسئله اولیه است و هر آرام سازی محدب یک برنامه نیمه معین است که اندازه آن در سلسله مراتب افزایش می یابد. هدف این کتاب توصیف یکپارچه و دقیق چگونگی این روش شناسی است. برای حل مسائل مختلف در زمینه های مختلف از بهینه سازی، احتمال، آمار، پردازش سیگنال، هندسه محاسباتی، کنترل، کنترل بهینه و تجزیه و تحلیل یک کلاس خاص از PDE های غیرخطی کاربرد دارد. برای هر کاربرد، این روش شناسی غیر متعارف با رویکردهای سنتی متفاوت است و دیدگاهی غیرعادی ارائه می دهد. هر فصل به یک برنامه خاص اختصاص داده شده است، جایی که روش شناسی به طور کامل شرح داده شده و بر روی چند مثال مناسب نشان داده شده است. این توضیح در سطح مناسبی از جزئیات نگهداری می شود تا به سطوح مختلف خوانندگانی که لزوماً با این ابزارها آشنا نیستند، کمک کند تا بهتر بدانند و این روش شناسی را درک کنید.
The Moment-SOS hierarchy is a powerful methodology that is used to solve the Generalized Moment Problem (GMP) where the list of applications in various areas of Science and Engineering is almost endless. Initially designed for solving polynomial optimization problems (the simplest example of the GMP), it applies to solving any instance of the GMP whose description only involves semi-algebraic functions and sets. It consists of solving a sequence (a hierarchy) of convex relaxations of the initial problem, and each convex relaxation is a semidefinite program whose size increases in the hierarchy.The goal of this book is to describe in a unified and detailed manner how this methodology applies to solving various problems in different areas ranging from Optimization, Probability, Statistics, Signal Processing, Computational Geometry, Control, Optimal Control and Analysis of a certain class of nonlinear PDEs. For each application, this unconventional methodology differs from traditional approaches and provides an unusual viewpoint. Each chapter is devoted to a particular application, where the methodology is thoroughly described and illustrated on some appropriate examples.The exposition is kept at an appropriate level of detail to aid the different levels of readers not necessarily familiar with these tools, to better know and understand this methodology.
Contents Preface Bibliography Acknowledgements 1. Notation, Definitions and Preliminaries 1.1 Notation and definitions 1.1.1 Semidefinite programming 1.1.2 Measures and functions 1.1.3 Polynomials 1.2 Some background results 1.2.1 Conditions for existence of a representing measure 1.2.2 Putinar’s Certificate of Positivity 1.2.3 Stokes’ Theorem 1.2.4 The Christoffel function 1.3 Notes and sources Bibliography 2. Principle of the Moment-SOS Hierarchy 2.1 The Moment-SOS hierarchy 2.2 Illustration in polynomial optimization 2.3 Notes and sources Bibliography Part I. The Moment-SOS Hierarchy for Applications in Probability and Statistics 3. Volume and Gaussian Measure of Semi-Algebraic Sets 3.1 Introduction 3.2 An infinite-dimensional LP 3.3 The Moment-SOS hierarchy 3.3.1 Upper bounds on μ(Ω) 3.3.2 Lower bounds on μ(Ω) 3.4 Improving convergence by using Stokes’ Theorem 3.4.1 Additional information from Stokes’ Theorem 3.4.2 Tighter semidefinite relaxations 3.5 Some numerical experiments 3.5.1 On compact sets Ω ⊂ R2 3.5.2 On non-compact sets Ω ⊂ R2 3.6 Volume of sublevel sets of polynomials 3.7 Concluding remarks 3.8 Notes and sources Bibliography 4. Lebesgue Decomposition of a Measure 4.1 Introduction 4.2 Lebesgue decomposition and convex optimization 4.2.1 Lebesgue decomposition as a convex optimization problem 4.3 A numerical approximation scheme 4.3.1 The Moment-SOS hierarchy 4.3.2 Recovering an (atomic) singular part 4.3.3 Some numerical experiments 4.4 Concluding remarks 4.5 Notes and sources Bibliography 5. Super Resolution on Semi-Algebraic Domains 5.1 Introduction 5.2 Super resolution as an instance of GMP 5.2.1 The Moment-SOS hierarchy 5.2.2 The Moment-SOS hierarchy in action 5.3 Examples 5.4 Concluding remarks 5.5 Notes and sources Bibliography 6. Sparse Polynomial Interpolation 6.1 Introduction 6.2 Sparse interpolation as a super-resolution problem 6.2.1 A uniqueness result 6.3 The Moment-SOS hierarchy 6.3.1 A rigorous compressed sensing LP approach 6.4 Numerical experiments 6.5 Notes and sources Bibliography 7. Representation of (Probabilistic) Chance-Constraints 7.1 Introduction 7.2 An infinite-dimensional LP 7.3 The Moment-SOS hierarchy 7.3.1 Outer approximations 7.3.2 Inner approximations 7.3.3 Accelerating convergence 7.3.4 Numerical examples 7.4 Concluding remarks 7.5 Notes and sources Bibliography 8. Approximate Optimal Design 8.1 Introduction 8.2 The ideal approximate optimal design problem 8.3 The Moment-SOS hierarchy for optimal design 8.3.1 The first step 8.3.2 The second step 8.4 Numerical experiments 8.5 Concluding remarks 8.6 Notes and sources Bibliography Part II. The Moment-SOS Hierarchy for Applications in Control, Optimal Control and Non-Linear Partial Differential Equations 9. Optimal Control 9.1 Introduction 9.2 Polynomial optimal control 9.3 LP formulation 9.3.1 Relaxed controls 9.3.2 Occupation measure 9.3.3 Primal LP on measures 9.3.4 Dual LP on functions 9.4 Approximation results 9.4.1 Lower bound on value function 9.4.2 Uniform approximation of the value function along trajectories 9.5 Optimal control over a set of initial conditions 9.6 A numerical scheme via the Moment-SOS hierarchy 9.7 Numerical illustrations 9.7.1 Uniform approximation along an optimal trajectory 9.7.2 Uniform approximation over a set 9.8 Notes and sources Bibliography 10. Convex Computation of Region of Attraction and Reachable Set 10.1 Introduction 10.2 Occupation measures and Liouville equation 10.3 Infinite dimensional LP characterization of ROA 10.3.1 Dual LP 10.4 Finite-dimensional SDP approximations 10.4.1 Outer approximation 10.5 Numerical examples 10.5.1 Van der Pol oscillator 10.5.2 Double integrator 10.5.3 Acrobot 10.6 Notes and sources Bibliography 11. Non-Linear Partial Differential Equations 11.1 Introduction 11.2 Notions of solutions 11.2.1 Weak and entropy solutions 11.2.2 Measure-valued solutions 11.2.3 An emphasis on compact sets 11.3 A convex optimization approach for mv solutions on compact sets 11.3.1 Moment constraints for the entropy mv solution 11.3.1.2 Second step: enforcing (11.16) by moment constraints 11.3.2 The Generalized Moment Problem 11.3.3 Interpretation of the moment solutions 11.4 The Riemann problem for the Burgers equation 11.4.1 Shock waves 11.4.2 Rarefaction waves 11.5 Notes and sources Bibliography 12. Miscellaneous 12.1 Scalability and sparsity 12.1.1 Structured sparsity pattern 12.1.2 A sparse Moment-SOS hierarchy for optimization 12.1.3 An alternative sparse Positivstellensatz 12.2 A distinguished SOS: The Christoffel polynomial 12.3 Notes and sources Bibliography Glossary Index