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: 3 نویسندگان: Ashok D. Belegundu, Tirupathi R. Chandrupatla سری: ISBN (شابک) : 1108424880, 9781108424882 ناشر: Cambridge University Press سال نشر: 2019 تعداد صفحات: 465 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 24 مگابایت
در صورت تبدیل فایل کتاب Optimization Concepts and Applications in Engineering 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 مفاهیم و کاربردهای بهینه سازی در مهندسی 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.
سازمانها و کسبوکارها به سمت تعالی تلاش میکنند و راهحلهای مشکلات بیشتر بر اساس قضاوت و تجربه است. با این حال، افزایش رقابت و تقاضای مصرف کننده ایجاب می کند که راه حل ها بهینه باشند و نه فقط امکان پذیر باشند. تئوری به الگوریتم ها منتهی می شود. الگوریتم ها باید به کدهای کامپیوتری ترجمه شوند. مسائل مهندسی نیاز به مدل سازی دارند. راه حل های بهینه با استفاده از تئوری و رایانه به دست می آیند و سپس تفسیر می شوند. این کتاب درسی که در ویرایش سوم خود تجدید نظر و گسترش یافته است، تئوری، مدلسازی، توسعه روشهای عددی و حل مسئله را ادغام میکند، بنابراین دانشآموزان را برای اعمال بهینهسازی در مسائل دنیای واقعی آماده میکند. این متن طیف گستردهای از مسائل بهینهسازی را با استفاده از: تکنیکهای غیرمحدود، محدود، گرادیان و غیر گرادیان پوشش میدهد. مفاهیم دوگانگی؛ بهینه سازی چند هدفه؛ برنامه نویسی خطی، عدد صحیح، هندسی و پویا با برنامه های کاربردی. و بهینه سازی مبتنی بر المان محدود. این برای دوره های پیشرفته کارشناسی یا کارشناسی ارشد در طراحی بهینه سازی و برای مهندسان شاغل ایده آل است.
Organizations and businesses strive toward excellence, and solutions to problems are based mostly on judgment and experience. However, increased competition and consumer demands require that the solutions be optimum and not just feasible. Theory leads to algorithms. Algorithms need to be translated into computer codes. Engineering problems need to be modeled. Optimum solutions are obtained using theory and computers, and then interpreted. Revised and expanded in its third edition, this textbook integrates theory, modeling, development of numerical methods, and problem solving, thus preparing students to apply optimization to real-world problems. This text covers a broad variety of optimization problems using: unconstrained, constrained, gradient, and non-gradient techniques; duality concepts; multi-objective optimization; linear, integer, geometric, and dynamic programming with applications; and finite element-based optimization. It is ideal for advanced undergraduate or graduate courses in optimization design and for practicing engineers.
Contents Preface 1 Preliminary Concepts 1.1 Introduction 1.2 Historical Sketch 1.3 The Nonlinear Programming Problem 1.4 Optimization Problem Modeling 1.5 Graphical Solution of One- and Two-Variable Problems 1.6 Existence of a Minimum and a Maximum: Weierstrass Theorem 1.7 Quadratic Forms and Positive Definite Matrices 1.8 Cn Continuity of a Function 1.9 Gradient Vector, Hessian Matrix, and their Numerical Evaluation using Divided Differences 1.10 Taylor’s Theorem, Linear and Quadratic Approximations 1.11 Miscellaneous Topics Chapter 1 Problems Chapter 1 Computer Programs Bibliography A Few Leads to Optimization Software Some Optimization Conferences Some Optimization Specific Journals 2 One-Dimensional Unconstrained Minimization 2.1 Introduction 2.2 Theory Related to Single-Variable (Univariate) Minimization 2.3 Unimodality and Bracketing the Minimum 2.4 Fibonacci Method 2.5 Golden Section Search Method 2.6 Polynomial-Based Methods 2.7 Optimization of Non-unimodal Functions 2.8 Using MATLAB 2.9 Zero of a Function Chapter 2 Problems Chapter 2 Computer Programs Bibliography 3 Unconstrained Optimization 3.1 Introduction 3.2 Necessary and Sufficient Conditions for Optimality 3.3 Convexity 3.4 Basic Concepts: Starting Design, Direction Vector, and Step Size 3.5 The Steepest Descent Method 3.6 The Conjugate Gradient Method 3.7 Newton’s Method 3.8 Quasi-Newton Methods 3.9 Approximate Line Search 3.10 Using MATLAB Chapter 3 Problems Chapter 3 Computer Programs Bibliography 4 Linear Programming 4.1 Introduction 4.2 Linear Programming Problem 4.3 Problem Illustrating Modeling, Solution, Solution Interpretation, and Lagrange Multipliers 4.4 Problem Modeling 4.5 Geometric Concepts: Hyperplanes, Half-spaces, Polytopes, Extreme Points 4.6 Standard Form of an LP 4.7 The Simplex Method – Starting with LE (≤) Constraints 4.8 Treatment of GE and EQ Constraints 4.9 Revised Simplex Method 4.10 Duality in Linear Programming 4.11 The Dual Simplex Method 4.12 Criss-Cross Method 4.13 Sensitivity Analysis 4.14 Interior Approach 4.15 Quadratic Programming (QP) and the Linear Complementary Problem (LCP) Chapter 4 Problems Chapter 4 Computer Programs Bibliography 5 Constrained Minimization 5.1 Introduction 5.2 Graphical Solution of Two-Variable Problems 5.3 Use of Excel SOLVER and MATLAB 5.4 Formulation of Problems in Standard NLP Form 5.5 Necessary Conditions for Optimality 5.6 Sufficient Conditions for Optimality 5.7 Convexity 5.8 Sensitivity of Optimum Solution to Problem Parameters 5.9 Rosen’s Gradient Projection Method for Linear Constraints 5.10 Zoutendijk’s Method of Feasible Directions (Nonlinear Constraints) 5.11 The Generalized Reduced Gradient Method (Nonlinear Constraints) 5.12 Sequential Quadratic Programming (SQP) 5.13 Features and Capabilities of Methods Presented in this Chapter Chapter 5 Problems Chapter 5 Computer Programs Bibliography 6 Penalty Functions, Duality, and Geometric Programming 6.1 Introduction 6.2 Exterior Penalty Functions 6.3 Interior Penalty Functions 6.4 Extended Interior Penalty Functions 6.5 Duality 6.6 The Augmented Lagrangian Method 6.7 Geometric Programming Chapter 6 Problems Chapter 6 Computer Programs Bibliography 7 Direct Search Methods for Nonlinear Optimization 7.1 Introduction 7.2 Cyclic Coordinate Search 7.3 Hooke and Jeeves Pattern Search Method 7.4 Rosenbrock’s Method 7.5 Powell’s Method of Conjugate Directions 7.6 Nelder and Mead Simplex Method 7.7 Simulated Annealing (SA) 7.8 Genetic Algorithm (GA) 7.9 Differential Evolution (DE) 7.10 Box’s Complex Method for Constrained Problems 7.11 Transformation of Variables to Remove some Bounds and Constraints Chapter 7 Problems Chapter 7 Computer Programs Bibliography 8 Multiobjective Optimization 8.1 Introduction 8.2 Concept of Pareto Optimality 8.3 Significance and Generation of the Entire Pareto Surface 8.4 Methods to Identify a Single Best Compromise Solution Chapter 8 Problems Chapter 8 Computer Programs Bibliography 9 Integer and Discrete Programming 9.1 Introduction 9.2 Zero–One Programming 9.3 Branch and Bound Algorithm for Mixed Integers (LP-based) 9.4 Gomory Cut Method 9.5 Farkas’ Method for Discrete Nonlinear Monotone Structural Problems 9.6 Genetic Algorithm for Discrete Programming Chapter 9 Problems Chapter 9 Computer Programs Bibliography 10 Dynamic Programming 10.1 Introduction 10.2 The Dynamic Programming Problem and Approach 10.3 Problem Modeling and Computer Implementation Chapter 10 Problems Chapter 10 Computer Programs Bibliography 11 Optimization Applications for Transportation, Assignment, and Network Problems 11.1 Introduction 11.2 Transportation Problem 11.3 Assignment Problems 11.4 Network Problems Chapter 11 Problems Chapter 11 Computer Programs Bibliography 12 Finite Element and Simulation-Based Optimization 12.1 Introduction 12.2 Derivative Calculations 12.3 Sizing (i.e. Parameter) Optimization via Optimality Criteria and Nonlinear Programming Methods 12.4 Topology Optimization of Continuum Structures 12.5 Shape Optimization 12.6 Optimization With Dynamic Response Chapter 12 Problems Chapter 12 Computer Programs Bibliography Index