Optimization of Stochastic Discrete Systems and Control on Complex Networks: Computational Networks

این کتاب آخرین یافته‌ها را در مورد مدل‌های برنامه‌نویسی پویا تصادفی و حل مسائل کنترل بهینه در شبکه‌ها ارائه می‌کند. این شامل یافته های جدید نویسندگان در تعیین راه حل بهینه مسائل کنترل بهینه گسسته در شبکه ها و حل انواع بازی مسائل تصمیم مارکوف در زمینه شبکه های محاسباتی است. این کتاب ابتدا فضای حالت محدود فرآیندهای مارکوف را مطالعه کرده و روش‌ها و الگوریتم‌های موجود را برای تعیین ویژگی‌های اصلی در زنجیره‌های مارکوف، قبل از ارائه رویکردهای جدید مبتنی بر برنامه‌ریزی پویا و روش‌های ترکیبی، مرور می‌کند. فصل دوم به مدل‌های کنترل بهینه گسسته تصادفی افق نامتناهی و مسائل تصمیم مارکوف با معیارهای بهینه‌سازی با تخفیف کل متوسط ​​و مورد انتظار اختصاص دارد، در حالی که فصل سوم یک رویکرد نظری بازی ویژه به فرآیندهای تصمیم مارکوف و مسائل کنترل بهینه گسسته تصادفی توسعه می‌دهد. در پایان، فصل پایانی کتاب به مسائل کنترل تصادفی افق محدود و فرآیندهای تصمیم مارکوف اختصاص دارد. الگوریتم‌های توسعه‌یافته سهم ارزشمندی را در زمینه مهم تئوری شبکه‌های محاسباتی نشان می‌دهند.

This book presents the latest findings on stochastic dynamic programming models and on solving optimal control problems in networks. It includes the authors’ new findings on determining the optimal solution of discrete optimal control problems in networks and on solving game variants of Markov decision problems in the context of computational networks. First, the book studies the finite state space of Markov processes and reviews the existing methods and algorithms for determining the main characteristics in Markov chains, before proposing new approaches based on dynamic programming and combinatorial methods. Chapter two is dedicated to infinite horizon stochastic discrete optimal control models and Markov decision problems with average and expected total discounted optimization criteria, while Chapter three develops a special game-theoretical approach to Markov decision processes and stochastic discrete optimal control problems. In closing, the book’s final chapter is devoted to finite horizon stochastic control problems and Markov decision processes. The algorithms developed represent a valuable contribution to the important field of computational network theory.