ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

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 Self-regularity: A new paradigm for primal-dual interior-point algorithms

دانلود کتاب خودتنظیمی: یک الگوی جدید برای الگوریتم های اصلی نقطه اصلی داخلی

Self-regularity: A new paradigm for primal-dual interior-point algorithms

مشخصات کتاب

Self-regularity: A new paradigm for primal-dual interior-point algorithms

دسته بندی: الگوریتم ها و ساختارهای داده
ویرایش: PUP 
نویسندگان: , ,   
سری: Princeton Series in Applied Mathematics 
ISBN (شابک) : 9780691091921, 0691091935 
ناشر: Princeton University Press 
سال نشر: 2002 
تعداد صفحات: 202 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 851 کیلوبایت 

قیمت کتاب (تومان) : 33,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 7


در صورت تبدیل فایل کتاب Self-regularity: A new paradigm for primal-dual interior-point algorithms 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 خودتنظیمی: یک الگوی جدید برای الگوریتم های اصلی نقطه اصلی داخلی 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 خودتنظیمی: یک الگوی جدید برای الگوریتم های اصلی نقطه اصلی داخلی

تحقیقات بر روی روش‌های نقطه داخلی (IPMs) در دو دهه گذشته بر حوزه برنامه‌ریزی ریاضی تسلط داشته است. دو رویکرد متضاد در تجزیه و تحلیل و اجرای IPMها، روش‌های به‌روزرسانی کوچک و به‌روزرسانی بزرگ هستند، اگرچه تا کنون شکاف بدنامی بین عملکرد تئوری و عملی این دو استراتژی وجود داشته است. این کتاب به پل زدن آن شکاف نزدیک می شود و چارچوب جدیدی برای نظریه IPM های اولیه-دوگانه بر اساس مفهوم خود نظمی یک تابع ارائه می کند.

نویسندگان با بهینه‌سازی خطی، مسائل تکمیلی غیرخطی، بهینه‌سازی نیمه معین و مسائل بهینه‌سازی مخروطی مرتبه دوم سر و کار دارند. این چارچوب همچنین کلاس های بزرگی از مسائل مکمل خطی و بهینه سازی محدب را پوشش می دهد. الگوریتم در نظر گرفته شده را می توان به عنوان روش دنبال کردن مسیر یا روش کاهش پتانسیل تفسیر کرد. با شروع از یک نقطه کاملاً امکان پذیر اولیه-دوگانه، الگوریتم یک جهت جستجو را انتخاب می کند که توسط برخی از سیستم های نوع نیوتنی که از مجاورت خود منظم به دست آمده است، تعریف شده است. سپس تکرار به‌روزرسانی می‌شود و تکرارها در محله خاصی از مسیر مرکزی می‌مانند تا زمانی که راه‌حل تقریبی برای مشکل پیدا شود. با کاوش گسترده برخی از ویژگی‌های جالب توابع خود منظم، نویسندگان دریافتند که پیچیدگی IPM‌های به‌روزرسانی بزرگ می‌تواند خودسرانه به بهترین مرزهای تکرار شناخته شده IPM نزدیک شود.

محققان و دانشجویان تحصیلات تکمیلی در تمام زمینه های بهینه سازی خطی و غیرخطی، این کتاب را کمکی مهم و ارزشمند برای کار خود می دانند.


توضیحاتی درمورد کتاب به خارجی

Research on interior-point methods (IPMs) has dominated the field of mathematical programming for the last two decades. Two contrasting approaches in the analysis and implementation of IPMs are the so-called small-update and large-update methods, although, until now, there has been a notorious gap between the theory and practical performance of these two strategies. This book comes close to bridging that gap, presenting a new framework for the theory of primal-dual IPMs based on the notion of the self-regularity of a function.

The authors deal with linear optimization, nonlinear complementarity problems, semidefinite optimization, and second-order conic optimization problems. The framework also covers large classes of linear complementarity problems and convex optimization. The algorithm considered can be interpreted as a path-following method or a potential reduction method. Starting from a primal-dual strictly feasible point, the algorithm chooses a search direction defined by some Newton-type system derived from the self-regular proximity. The iterate is then updated, with the iterates staying in a certain neighborhood of the central path until an approximate solution to the problem is found. By extensively exploring some intriguing properties of self-regular functions, the authors establish that the complexity of large-update IPMs can come arbitrarily close to the best known iteration bounds of IPMs.

Researchers and postgraduate students in all areas of linear and nonlinear optimization will find this book an important and invaluable aid to their work.





نظرات کاربران