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 Online Stochastic Combinatorial Optimization

دانلود کتاب بهینه سازی ترکیبی تصادفی آنلاین

مشخصات کتاب

Online Stochastic Combinatorial Optimization

دسته بندی: احتمال
ویرایش:  
نویسندگان: Pascal Van Hentenryck. Russell Bent  
سری:  
ISBN (شابک) : 9780262220804, 0262220806 
ناشر: MIT Press 
سال نشر: 2006 
تعداد صفحات: 247 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 2 مگابایت

قیمت کتاب (تومان) : 53,000

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 12

در صورت تبدیل فایل کتاب Online Stochastic Combinatorial Optimization 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 ترکیبی تصادفی آنلاین 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 بهینه سازی ترکیبی تصادفی آنلاین

تصمیم گیری آنلاین تحت عدم قطعیت و محدودیت های زمانی یکی از چالش برانگیزترین مشکلات برای عوامل هوشمند قوی است. در دنیایی که به طور فزاینده ای پویا، به هم پیوسته و در زمان واقعی است، سیستم های هوشمند باید به صورت پویا با عدم قطعیت ها سازگار شوند، برنامه های موجود را برای پاسخگویی به درخواست ها و رویدادهای جدید به روز کنند و تصمیمات با کیفیت بالا را تحت محدودیت های زمانی شدید تولید کنند. چنین برنامه های تصمیم گیری آنلاین به طور فزاینده ای رایج می شوند: برای مثال، اعزام آمبولانس و مسیر تخلیه اضطراری شهر، ذاتاً مشکلات تصمیم گیری آنلاین هستند. برنامه های دیگر شامل برنامه ریزی بسته برای ارتباطات اینترنتی و سیستم های رزرو می باشد. این کتاب یک چارچوب جدید، بهینه‌سازی تصادفی آنلاین، برای رسیدگی به این چالش ارائه می‌کند. این چارچوب فرض می‌کند که توزیع درخواست‌های آینده، یا تقریبی از آن‌ها، برای نمونه‌گیری در دسترس است، همانطور که در بسیاری از برنامه‌هایی که داده‌های تاریخی یا مدل‌های پیش‌بینی را در دسترس قرار می‌دهند، چنین است. علاوه بر این فرض می‌کند که توزیع درخواست‌های آتی مستقل از تصمیمات فعلی است، که در انواع برنامه‌ها نیز وجود دارد و مزایای محاسباتی قابل توجهی دارد. این کتاب چندین الگوریتم تصادفی آنلاین را ارائه می‌کند که چارچوب را پیاده‌سازی می‌کنند، ضمانت‌های عملکردی را ارائه می‌دهد و کاربردهای متنوعی را نشان می‌دهد. در مورد چگونگی کاهش برخی از مفروضات در استفاده از نمونه برداری تاریخی و یادگیری ماشین بحث می کند و مسائل مختلف الگوریتمی اساسی را تجزیه و تحلیل می کند. و در نهایت، این کتاب محدودیت های احتمالی چارچوب را مورد بحث قرار می دهد و مسیرهایی را برای تحقیقات آینده پیشنهاد می کند.

توضیحاتی درمورد کتاب به خارجی

Online decision making under uncertainty and time constraints represents one of the most challenging problems for robust intelligent agents. In an increasingly dynamic, interconnected, and real-time world, intelligent systems must adapt dynamically to uncertainties, update existing plans to accommodate new requests and events, and produce high-quality decisions under severe time constraints. Such online decision-making applications are becoming increasingly common: ambulance dispatching and emergency city-evacuation routing, for example, are inherently online decision-making problems; other applications include packet scheduling for Internet communications and reservation systems. This book presents a novel framework, online stochastic optimization, to address this challenge. This framework assumes that the distribution of future requests, or an approximation thereof, is available for sampling, as is the case in many applications that make either historical data or predictive models available. It assumes additionally that the distribution of future requests is independent of current decisions, which is also the case in a variety of applications and holds significant computational advantages. The book presents several online stochastic algorithms implementing the framework, provides performance guarantees, and demonstrates a variety of applications. It discusses how to relax some of the assumptions in using historical sampling and machine learning and analyzes different underlying algorithmic problems. And finally, the book discusses the framework's possible limitations and suggests directions for future research.

فهرست مطالب

Contents......Page 3
Preface......Page 7
From A Priori to Online Stochastic Optimization......Page 11
Online Stochastic Combinatorial Optimization......Page 12
Online Anticipatory Algorithms......Page 14
Online Stochastic Combinatorial Optimization in Context......Page 15
Organization and Themes......Page 23
--- Sequencial Decision Making......Page 0
The Generic Ofﬂine Problem......Page 26
The Generic Online Algorithm......Page 27
Properties of Online Stochastic Scheduling......Page 29
Oblivious Algorithms......Page 30
The Expectation Algorithm......Page 31
The Consensus Algorithm......Page 33
The Regret Algorithm......Page 34
Immediate Decision Making......Page 37
The Suboptimality Approximation Problem......Page 38
Notes and Further Reading......Page 40
Expected Loss......Page 41
Local Errors......Page 42
Bounding Local Errors......Page 44
The Theoretical Results......Page 46
Discussion on the Theoretical Assumptions......Page 47
Notes and Further Reading......Page 49
The Packet Scheduling Problem......Page 50
The Optimization Algorithm......Page 51
The Greedy Algorithm is Competitive......Page 55
The Suboptimality Approximation......Page 56
Experimental Setting......Page 58
Experimental Results......Page 59
The Anticipativity Assumption......Page 65
Notes and Further Reading......Page 71
The Ofﬂine Reservation Problem......Page 73
The Online Problem......Page 74
The Generic Online Algorithm......Page 75
The Consensus Algorithm......Page 76
The Regret Algorithm......Page 77
Cancellations......Page 79
Online Multiknapsack with Deadlines......Page 80
The Suboptimality Approximation......Page 82
Experimental Results......Page 90
Notes and Further Reading......Page 99
Vehicle Dispatching and Routing......Page 101
Large Neighborhood Search......Page 105
Notes and Further Reading......Page 110
Online Stochastic Vehicle Routing......Page 111
Online Single Vehicle Routing......Page 114
Service Guarantees......Page 116
A Waiting Strategy......Page 118
A Relocation Strategy......Page 119
Multiple Pointwise Decisions......Page 120
Notes and Further Reading......Page 123
The Online Vehicle Dispatching Problems......Page 124
Setting of the Algorithms......Page 125
Experimental Results......Page 126
Visualizations of the Algorithms......Page 135
Notes and Further Reading......Page 146
The Online Instances......Page 150
Experimental Setting......Page 152
Experimental Results......Page 153
Notes and Further Reading......Page 162
The Learning Framework......Page 166
Hidden Markov Models......Page 167
Learning Hidden Markov Models......Page 169
Notes and Further Reading......Page 177
Historical Averaging......Page 179
Historical Sampling......Page 180
Motivation......Page 185
Decision-Chance versus Chance-Decision......Page 186
Equivalence of MDCPs and MCDPs......Page 188
Online Anticipatory Algorithms......Page 191
The Approximation Theorem for Anticipative MCDPs......Page 194
The Anticipativity Assumption......Page 200
Beyond Anticipativity......Page 202
The General Approximation Theorem for MCDPs......Page 206
Notes and Further Reading......Page 210
Refs......Page 211
Index......Page 220