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: نویسندگان: Rubinstein. Reuven Y, Kroese. Dirk P سری: Wiley Series in Probability and Statistics ISBN (شابک) : 9781118632161, 1118632168 ناشر: John Wiley & Sons, Inc سال نشر: 2016 تعداد صفحات: 435 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 6 مگابایت
کلمات کلیدی مربوط به کتاب شبیه سازی و روش مونت کارلو ، چاپ سوم: علوم، ریاضیات
در صورت تبدیل فایل کتاب Simulation and the Monte Carlo Method, Third Edition 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 شبیه سازی و روش مونت کارلو ، چاپ سوم 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 نسخه جدید در دسترس، موضوعات اصلی شبیهسازی مونت کارلو
را که در 30 سال گذشته به وجود آمدهاند بررسی میکند و پایهای
مناسب برای حل مسئله ارائه میدهد
شبیهسازی و روش مونت کارلو، ویرایش سومآخرین پیشرفتها در
این زمینه را منعکس میکند و گزارشی کاملاً بهروز و جامع از
تئوری، روشها و کاربردهای پیشرفتهای که در Monte ظهور کردهاند
ارائه میکند. شبیه سازی کارلو از زمان انتشار اولین نسخه کلاسیک
بیش از ربع قرن پیش. در حالی که رویکرد قابل دسترس و شهودی خود را
حفظ می کند، این نسخه اصلاح شده دارای انبوهی از اطلاعات به روز
است که درک عمیق تر از حل مسئله را در طیف گسترده ای از حوزه های
موضوعی، مانند مهندسی، آمار، علوم کامپیوتر، ریاضیات و علوم
فیزیکی و زیستی. کتاب با مقدمه ای مدرن شروع می شود که به مفاهیم
اساسی احتمال، فرآیندهای مارکوف و بهینه سازی محدب می پردازد. فصل
های بعدی تغییرات شگرفی را که در زمینه روش مونت کارلو رخ داده
است، با پوشش بسیاری از موضوعات مدرن از جمله: زنجیره مارکوف مونت
کارلو، تکنیک های کاهش واریانس مانند اهمیت (دوباره) نمونه گیری،
و روش نسبت درستنمایی تبدیل، بحث می کند. روش تابع امتیاز برای
تحلیل حساسیت، روش تقریب تصادفی و روش همتای تصادفی برای
بهینهسازی مونت کارلو، روش آنتروپی متقاطع برای تخمین رویدادهای
نادر و بهینهسازی ترکیبی، و استفاده از تکنیکهای مونت کارلو
برای شمارش مسائل. طیف گستردهای از تمرینها در پایان هر فصل و
همچنین نمونههای سخاوتمندانهای از نمونههای کاربردی ارائه شده
است.
ویرایش سومفصل جدیدی در مورد بسیار متنوع ارائه میشود.
روش تقسیم، با کاربردهایی برای تخمین، شمارش، نمونهبرداری و
بهینهسازی رویدادهای نادر. فصل دوم روش شمارش تصادفی را معرفی
میکند، که یک روش مونت کارلو سریع متوالی برای جستجوی درخت است.
علاوه بر این، نسخه سوم دارای مطالب جدیدی در
- تولید اعداد تصادفی، از جمله مولدهای چندگانه بازگشتی و
Mersenne Twister
است.
- شبیه سازی فرآیندهای گاوسی، حرکت براونی و فرآیندهای
انتشار
- روش مونت کارلو چند سطحی
- پیشرفت های جدید روش آنتروپی متقابل (CE)، از جمله روش CE
\"بهبود\" که از نمونه برداری از توزیع واریانس صفر برای یافتن
پارامترهای نمونه برداری اهمیت بهینه استفاده می کند
- بیش از 100 الگوریتم در شبه کد مدرن با کنترل جریان
- بیش از 25 تمرین جدید
شبیه سازی و روش مونت کارلو، ویرایش سومیک متن عالی برای
دوره های فوق لیسانس و شروع دوره های کارشناسی ارشد در شبیه سازی
تصادفی و مونت کارلو است. تکنیک. این کتاب همچنین به عنوان یک
مرجع ارزشمند برای متخصصانی است که مایلند به درک رسمی تری از روش
مونت کارلو دست یابند. در دانشکده مهندسی صنایع و مدیریت در موسسه
فناوری Technion-Israel. او به عنوان مشاور در بسیاری از
سازمانهای بزرگ مانند IBM، Motorola و NEC خدمت کرد. نویسنده بیش
از 100 مقاله و شش کتاب، دکتر روبینشتاین همچنین مخترع روش محبوب
تابع امتیاز در تحلیل شبیهسازی و روشهای متقابل آنتروپی عمومی
برای بهینهسازی و شمارش ترکیبی بود.
دکتر دیرک پی کروساستاد ریاضیات و آمار در دانشکده ریاضیات
و فیزیک دانشگاه کوئینزلند استرالیا. او بیش از 100 مقاله و چهار
کتاب در زمینههای مختلف در زمینههای احتمال کاربردی و آمار
منتشر کرده است، از جمله روشهای مونت کارلو، آنتروپی متقابل،
الگوریتمهای تصادفی، نظریه ترافیک از راه دور، قابلیت اطمینان،
آمار محاسباتی، احتمال کاربردی و مدلسازی تصادفی. .
This accessible new edition explores the major topics in
Monte Carlo simulation that have arisen over the past 30 years
and presents a sound foundation for problem solving
Simulation and the Monte Carlo Method, Third
Editionreflects the latest developments in the field and
presents a fully updated and comprehensive account of the
state-of-the-art theory, methods and applications that have
emerged in Monte Carlo simulation since the publication of the
classic First Edition over more than a quarter of a century
ago. While maintaining its accessible and intuitive approach,
this revised edition features a wealth of up-to-date
information that facilitates a deeper understanding of problem
solving across a wide array of subject areas, such as
engineering, statistics, computer science, mathematics, and the
physical and life sciences. The book begins with a modernized
introduction that addresses the basic concepts of probability,
Markov processes, and convex optimization. Subsequent chapters
discuss the dramatic changes that have occurred in the field of
the Monte Carlo method, with coverage of many modern topics
including: Markov Chain Monte Carlo, variance reduction
techniques such as importance (re-)sampling, and the transform
likelihood ratio method, the score function method for
sensitivity analysis, the stochastic approximation method and
the stochastic counter-part method for Monte Carlo
optimization, the cross-entropy method for rare events
estimation and combinatorial optimization, and application of
Monte Carlo techniques for counting problems. An extensive
range of exercises is provided at the end of each chapter, as
well as a generous sampling of applied examples.
TheThird Editionfeatures a new chapter on the highly
versatile splitting method, with applications to rare-event
estimation, counting, sampling, and optimization. A second new
chapter introduces the stochastic enumeration method, which is
a new fast sequential Monte Carlo method for tree search. In
addition, theThird Editionfeatures new material on
- Random number generation, including multiple-recursive
generators and the Mersenne Twister
- Simulation of Gaussian processes, Brownian motion, and
diffusion processes
- Multilevel Monte Carlo method
- New enhancements of the cross-entropy (CE) method, including
the "improved" CE method, which uses sampling from the
zero-variance distribution to find the optimal importance
sampling parameters
- Over 100 algorithms in modern pseudo code with flow
control
- Over 25 new exercises
Simulation and the Monte Carlo Method, Third Editionis
an excellent text for upper-undergraduate and beginning
graduate courses in stochastic simulation and Monte Carlo
techniques. The book also serves as a valuable reference for
professionals who would like to achieve a more formal
understanding of the Monte Carlo method.
Reuven Y. Rubinstein, DSc,was Professor Emeritus in the
Faculty of Industrial Engineering and Management at
Technion-Israel Institute of Technology. He served as a
consultant at numerous large-scale organizations, such as IBM,
Motorola, and NEC. The author of over 100 articles and six
books, Dr. Rubinstein was also the inventor of the popular
score-function method in simulation analysis and generic
cross-entropy methods for combinatorial optimization and
counting.
Dirk P. Kroese, PhD,is a Professor of Mathematics and
Statistics in the School of Mathematics and Physics of The
University of Queensland, Australia. He has published over 100
articles and four books in a wide range of areas in applied
probability and statistics, including Monte Carlo methods,
cross-entropy, randomized algorithms, tele-traffic c theory,
reliability, computational statistics, applied probability, and
stochastic modeling.
SIMULATION AND THE MONTE CARLO METHOD......Page 3
CONTENTS......Page 9
PREFACE......Page 15
ACKNOWLEDGMENTS......Page 19
1.2 RANDOM EXPERIMENTS......Page 21
1.3 CONDITIONAL PROBABILITY AND INDEPENDENCE......Page 22
1.4 RANDOM VARIABLES AND PROBABILITY DISTRIBUTIONS......Page 24
1.5 SOME IMPORTANT DISTRIBUTIONS......Page 25
1.6 EXPECTATION......Page 26
1.7 JOINT DISTRIBUTIONS......Page 27
1.8 FUNCTIONS OF RANDOM VARIABLES......Page 31
1.8.1 Linear Transformations......Page 32
1.8.2 General Transformations......Page 33
1.9 TRANSFORMS......Page 34
1.10 JOINTLY NORMAL RANDOM VARIABLES......Page 35
1.11 LIMIT THEOREMS......Page 36
1.12 POISSON PROCESSES......Page 37
1.13.1 Markov Chains......Page 39
1.13.2 Classification of States......Page 41
1.13.3 Limiting Behavior......Page 42
1.13.4 Reversibility......Page 44
1.13.5 Markov Jump Processes......Page 45
1.14 GAUSSIAN PROCESSES......Page 47
1.15 INFORMATION......Page 48
1.15.1 Shannon Entropy......Page 49
1.15.2 Kullback–Leibler Cross-Entropy......Page 51
1.15.3 Maximum Likelihood Estimator and Score Function......Page 52
1.15.4 Fisher Information......Page 53
1.16 CONVEX OPTIMIZATION AND DUALITY......Page 54
1.16.1 Lagrangian Method......Page 55
1.16.2 Duality......Page 57
PROBLEMS......Page 61
REFERENCES......Page 66
2.2 RANDOM NUMBER GENERATION......Page 69
2.2.1 Multiple Recursive Generators......Page 71
2.2.2 Modulo 2 Linear Generators......Page 72
2.3.1 Inverse-Transform Method......Page 75
2.3.2 Alias Method......Page 77
2.3.3 Composition Method......Page 78
2.3.4 Acceptance–Rejection Method......Page 79
2.4.1 Generating Continuous Random Variables......Page 82
2.4.2 Generating Discrete Random Variables......Page 87
2.5 RANDOM VECTOR GENERATION......Page 90
2.5.1 Vector Acceptance–Rejection Method......Page 91
2.5.2 Generating Variables from a Multinormal Distribution......Page 92
2.5.3 Generating Uniform Random Vectors over a Simplex......Page 93
2.5.4 Generating Random Vectors Uniformly Distributed over a Unit Hyperball and Hypersphere......Page 94
2.6 GENERATING POISSON PROCESSES......Page 95
2.7 GENERATING MARKOV CHAINS AND MARKOV JUMP PROCESSES......Page 97
2.7.1 Random Walk on a Graph......Page 98
2.7.2 Generating Markov Jump Processes......Page 99
2.8 GENERATING GAUSSIAN PROCESSES......Page 100
2.9 GENERATING DIFFUSION PROCESSES......Page 101
2.10 GENERATING RANDOM PERMUTATIONS......Page 103
PROBLEMS......Page 105
REFERENCES......Page 109
3.1 INTRODUCTION......Page 111
3.2 SIMULATION MODELS......Page 112
3.2.1 Classification of Simulation Models......Page 114
3.3 SIMULATION CLOCK AND EVENT LIST FOR DEDS......Page 115
3.4.1 Tandem Queue......Page 117
3.4.2 Repairman Problem......Page 121
PROBLEMS......Page 123
REFERENCES......Page 126
4.1 INTRODUCTION......Page 127
4.2 ESTIMATORS AND CONFIDENCE INTERVALS......Page 128
4.3 STATIC SIMULATION MODELS......Page 130
4.4 DYNAMIC SIMULATION MODELS......Page 132
4.4.2 Steady-State Simulation......Page 134
4.5 BOOTSTRAP METHOD......Page 146
PROBLEMS......Page 147
REFERENCES......Page 150
5.1 INTRODUCTION......Page 153
5.2 COMMON AND ANTITHETIC RANDOM VARIABLES......Page 154
5.3 CONTROL VARIABLES......Page 157
5.4 CONDITIONAL MONTE CARLO......Page 159
5.4.1 Variance Reduction for Reliability Models......Page 161
5.5 STRATIFIED SAMPLING......Page 164
5.6 MULTILEVEL MONTE CARLO......Page 166
5.7.1 Weighted Samples......Page 169
5.7.2 Variance Minimization Method......Page 170
5.7.3 Cross-Entropy Method......Page 174
5.8 SEQUENTIAL IMPORTANCE SAMPLING......Page 179
5.9 SEQUENTIAL IMPORTANCE RESAMPLING......Page 185
5.10 NONLINEAR FILTERING FOR HIDDEN MARKOV MODELS......Page 187
5.11 TRANSFORM LIKELIHOOD RATIO METHOD......Page 191
5.12 PREVENTING THE DEGENERACY OF IMPORTANCE SAMPLING......Page 194
PROBLEMS......Page 199
REFERENCES......Page 204
6.1 INTRODUCTION......Page 207
6.2 METROPOLIS–HASTINGS ALGORITHM......Page 208
6.3 HIT-AND-RUN SAMPLER......Page 213
6.4 GIBBS SAMPLER......Page 214
6.5.1 Ising Model......Page 217
6.5.2 Potts Model......Page 218
6.6 BAYESIAN STATISTICS......Page 220
6.7 OTHER MARKOV SAMPLERS......Page 222
6.7.1 Slice Sampler......Page 224
6.7.2 Reversible Jump Sampler......Page 225
6.8 SIMULATED ANNEALING......Page 228
6.9 PERFECT SAMPLING......Page 232
PROBLEMS......Page 234
REFERENCES......Page 239
7.1 INTRODUCTION......Page 241
7.2 SCORE FUNCTION METHOD FOR SENSITIVITY ANALYSIS OF DESS......Page 244
7.3 SIMULATION-BASED OPTIMIZATION OF DESS......Page 251
7.3.1 Stochastic Approximation......Page 252
7.3.2 Stochastic Counterpart Method......Page 257
7.4 SENSITIVITY ANALYSIS OF DEDS......Page 266
PROBLEMS......Page 272
REFERENCES......Page 275
8.1 INTRODUCTION......Page 277
8.2 ESTIMATION OF RARE-EVENT PROBABILITIES......Page 278
8.2.1 Root-Finding Problem......Page 287
8.2.2 Screening Method for Rare Events......Page 288
8.2.3 CE Method Combined with Sampling from the Zero-Variance Distribution......Page 291
8.3 CE METHOD FOR OPTIMIZATION......Page 292
8.4 MAX-CUT PROBLEM......Page 296
8.5 PARTITION PROBLEM......Page 302
8.6 TRAVELING SALESMAN PROBLEM......Page 303
8.6.1 Incomplete Graphs......Page 308
8.6.2 Node Placement......Page 309
8.6.3 Case Studies......Page 310
8.7 CONTINUOUS OPTIMIZATION......Page 311
8.8 NOISY OPTIMIZATION......Page 312
8.9 MINXENT METHOD......Page 314
PROBLEMS......Page 318
REFERENCES......Page 323
9.1 INTRODUCTION......Page 327
9.2 COUNTING SELF-AVOIDING WALKS VIA SPLITTING......Page 328
9.3 SPLITTING WITH A FIXED SPLITTING FACTOR......Page 330
9.4 SPLITTING WITH A FIXED EFFORT......Page 333
9.5 GENERALIZED SPLITTING......Page 334
9.6 ADAPTIVE SPLITTING......Page 338
9.7 APPLICATION OF SPLITTING TO NETWORK RELIABILITY......Page 341
9.8 APPLICATIONS TO COUNTING......Page 342
9.9.1 Satisfiability (SAT) Problem......Page 345
9.9.2 Independent Sets......Page 350
9.9.3 Permanent and Counting Perfect Matchings......Page 352
9.9.4 Binary Contingency Tables......Page 354
9.9.5 Vertex Coloring......Page 356
9.10 SPLITTING AS A SAMPLING METHOD......Page 357
9.11 SPLITTING FOR OPTIMIZATION......Page 360
9.11.1 Continuous Optimization......Page 363
PROBLEMS......Page 364
REFERENCES......Page 368
10.1 INTRODUCTION......Page 371
10.2 TREE SEARCH AND TREE COUNTING......Page 372
10.3 KNUTH’S ALGORITHM FOR ESTIMATING THE COST OF A TREE......Page 375
10.4 STOCHASTIC ENUMERATION......Page 377
10.4.1 Combining SE with Oracles......Page 379
10.5.1 Counting the Number of Paths in a Network......Page 380
10.5.2 Counting SATs......Page 383
10.5.3 Counting the Number of Perfect Matchings in a Bipartite Graph......Page 386
10.6 APPLICATION OF SE TO NETWORK RELIABILITY......Page 388
10.6.1 Numerical Results......Page 390
PROBLEMS......Page 393
REFERENCES......Page 395
A.1 CHOLESKY SQUARE ROOT METHOD......Page 397
A.2 EXACT SAMPLING FROM A CONDITIONAL BERNOULLI DISTRIBUTION......Page 398
A.3 EXPONENTIAL FAMILIES......Page 399
A.4 SENSITIVITY ANALYSIS......Page 402
A.4.1 Convexity Results......Page 403
A.4.2 Monotonicity Results......Page 404
A.6 DISCRETE-TIME KALMAN FILTER......Page 405
A.7 BERNOULLI DISRUPTION PROBLEM......Page 407
A.8.1 Complexity of Rare-Event Algorithms......Page 409
A.8.2 Complexity of Randomized Algorithms: FPRAS and FPAUS......Page 410
A.8.3 SATs in CNF......Page 414
A.8.4 Complexity of Stochastic Programming Problems......Page 415
PROBLEMS......Page 422
REFERENCES......Page 423
ABBREVIATIONS AND ACRONYMS......Page 425
LIST OF SYMBOLS......Page 427
INDEX......Page 429
EULA......Page 435