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: 1st ed. 2020
نویسندگان: Xi-Ren Cao
سری: Communications and Control Engineering
ISBN (شابک) : 3030418456, 9783030418458
ناشر: Springer
سال نشر: 2020
تعداد صفحات: 376
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 5 مگابایت
در صورت تبدیل فایل کتاب Relative Optimization of Continuous-Time and Continuous-State Stochastic Systems 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 نسبی سیستم های تصادفی زمان پیوسته و حالت پیوسته 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.
این تک نگاری رویکرد بهینه سازی نسبی را برای سیستم های دینامیکی زمان پیوسته و حالت پیوسته ناهمگن زمان اعمال می کند. این رویکرد به طور شهودی واضح است و نیازی به دانش عمیق ریاضیات معادلات دیفرانسیل جزئی ندارد. موضوعات تحت پوشش دارای ویژگی های متمایز زیر هستند: میانگین بلندمدت بدون انتخاب کم، توابع مقدار غیر صاف بدون راه حل ویسکوزیته، فرآیندهای انتشار با نقاط انحطاط، بهینه سازی چند کلاسه با طبقه بندی حالت، و بهینه سازی بدون برنامه ریزی پویا.
این کتاب با مقدمه ای بر بهینه سازی نسبی، از جمله مقایسه با رویکرد سنتی برنامه نویسی پویا، آغاز می شود. سپس این متن فرآیند مارکوف را مطالعه میکند و بر مسائل بهینهسازی افق نامتناهی تمرکز میکند و به بحث در مورد کنترل بهینه فرآیندهای انتشار با توابع مقدار نیمه صاف و نقاط منحط و بهینهسازی فرآیندهای انتشار چند بعدی میپردازد. این کتاب با مروری کوتاه بر بهینهسازی مبتنی بر مشتق عملکرد به پایان میرسد.
از جمله ملاحظات جدید مهمتر ارائه شده عبارتند از:
این کتاب به طور یکسان مورد توجه محققان و دانشجویان در زمینه کنترل تصادفی و بهینهسازی عملکرد خواهد بود.
This monograph applies the relative optimization approach to time nonhomogeneous continuous-time and continuous-state dynamic systems. The approach is intuitively clear and does not require deep knowledge of the mathematics of partial differential equations. The topics covered have the following distinguishing features: long-run average with no under-selectivity, non-smooth value functions with no viscosity solutions, diffusion processes with degenerate points, multi-class optimization with state classification, and optimization with no dynamic programming.
The book begins with an introduction to relative optimization, including a comparison with the traditional approach of dynamic programming. The text then studies the Markov process, focusing on infinite-horizon optimization problems, and moves on to discuss optimal control of diffusion processes with semi-smooth value functions and degenerate points, and optimization of multi-dimensional diffusion processes. The book concludes with a brief overview of performance derivative-based optimization.
Among the more important novel considerations presented are:
The book will be of interest to researchers and students in the field of stochastic control and performance optimization alike.
Preface Acknowledgements Contents Notation and Terminology 1 Introduction 1.1 A Brief Introduction to Relative Optimization 1.2 Relative Optimization Versus Dynamic Programming 1.2.1 The Optimization Problem 1.2.2 Dynamic Programming 1.2.3 Relative Optimization 1.2.4 Comparison of Two Approaches 1.2.5 Intuitive Explanations 1.3 Main Results of the Book 1.4 Philosophical and Historical Remarks 1.4.1 A Philosophical View on Relative Optimization 1.4.2 History of Development References 2 Optimal Control of Markov Processes: Infinite-Horizon 2.1 Introduction 2.2 The Markov Process 2.3 Optimization of Long-Run Average 2.3.1 State Comparability and Performance Potentials 2.3.2 Conditions for State Comparability 2.3.3 Performance-Difference Formula 2.3.4 Performance Optimization 2.4 Bias Optimality 2.4.1 Bias Potential 2.4.2 The Bias-Difference Formula 2.4.3 The Space of Average Optimal Policies 2.4.4 Bias Optimality Conditions 2.5 Optimization of Multi-class Markov Processes 2.5.1 State Classification 2.5.2 Performance-Difference Formula 2.5.3 Performance Optimization 2.6 Optimization of Discounted Rewards 2.7 Special Cases, Extensions, and Discussions References 3 Optimal Control of Diffusion Processes 3.1 Fundamental Mathematics 3.1.1 Stochastic Differential Equations 3.1.2 Stochastic Calculus 3.1.3 Solutions to Stochastic Differential Equations 3.1.4 Application in Finance: The Black–Scholes Equation 3.2 Stochastic Calculus with Non-smooth Features 3.2.1 Local Time, Ito–Tanaka Formula, and the Skorokhod Problem 3.2.2 Stochastic Calculus for Semi-smooth Functions 3.2.3 The One-Dimensional System 3.2.4 Stochastic Calculus in Relative Time 3.3 Long-Run Average Optimization (Single Class) 3.3.1 Performance-Difference Formula 3.3.2 Performance Optimization 3.4 Finite-Horizon Control Problems 3.4.1 Main Results 3.4.2 When the Value Function Cannot Be Reached 3.4.3 Time-Dependent Problems 3.5 Optimal Stopping 3.5.1 A General Formulation 3.5.2 Pure Optimal Stopping 3.5.3 Illustrative Examples 3.6 Singular Control 3.6.1 Formulated with Reflecting Points 3.6.2 Optimality Conditions References 4 Degenerate Diffusion Processes 4.1 Multi-class Structure of Degenerate Diffusion Processes 4.1.1 Transient and Recurrent States 4.1.2 W-Ergodic and Branching States 4.2 Semi-smoothness of Potential Functions 4.2.1 Motivating Examples 4.2.2 The Proof of Semi-smoothness with Finite Horizon 4.2.3 Potential Functions for Long-Run Average 4.2.4 Extensions 4.3 Optimization of Degenerate Processes 4.3.1 Long-Run Average 4.3.2 Finite Horizon 4.3.3 Optimal Stopping 4.3.4 Singular Control References 5 Multi-dimensional Diffusion Processes 5.1 Optimal Control with Smooth Performance Functions 5.1.1 Multi-dimensional Diffusion Processes and Ito Formula 5.1.2 Control Problems 5.2 Calculus of Semi-smooth Functions 5.2.1 Definitions 5.2.2 Smooth Quadrants and Taylor Expansion 5.2.3 Properties of Semi-smooth Functions 5.3 Stochastic Calculus of Semi-smooth Functions 5.3.1 Tanaka Formula 5.3.2 Calculus in Relative Time 5.4 Control Problems with Semi-smooth Performance Functions 5.4.1 System Dynamics on Degenerate Curves 5.4.2 Semi-smoothness of Performance Functions 5.4.3 Finite-Horizon Stochastic Control 5.5 Discussions References 6 Performance-Derivative-Based Optimization 6.1 First-Order Optimality Condition 6.2 Optimization with Distorted Probability References Appendix A Stochastic Diffusions A.1 Brownian Motions A.1.1 The Preliminaries A.1.1.1 Mathematical Definition of Brownian Motion A.1.2 Probability Distributions A.1.2.1 Probabilities of First Passage Times A.1.2.2 Probability of the Maximum A.1.3 Total and Quadratic Variations A.1.3.1 Total Variation A.1.3.2 Quadratic Variation A.2 Stochastic Calculus A.2.1 Stochastic Integrations A.2.1.1 Definition A.2.1.2 Stochastic Differentials A.2.1.3 Stochastic Differential Equations A.2.2 Ito Formula A.3 Diffusion Processes as Markov Processes A.3.1 Infinitesimal Generator A.3.1.1 Dynkin's Formula A.4 Fokker–Planck Equation Appendix B Stochastic Calculus with Non-smooth Features B.1 Reflected Brownian Motion and Skorokhod Problem B.1.1 Definition B.1.2 Local Time B.2 Reflected Diffusion Processes B.2.1 Solution to (B.13) B.2.2 The Order of E[d ξ(t)] B.3 More than One Reflecting Points B.4 Stochastic Calculus for Semi-smooth Functions B.4.1 Ito–Tanaka Formula for Semi-smooth Functions B.4.2 Intuitive Explanation B.4.2.1 First-Order Non-smoothness B.4.2.2 Second-Order Semi-smooth Functions B.4.2.3 At the Boundary Point Appendix C Solutions C.1 Problems of Chap. 3摥映數爠eflinkch:scdp33 C.2 Problems of Chap. 5摥映數爠eflinkch:multi55 Index