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
دسته بندی: آموزشی ویرایش: 1 نویسندگان: Xi-Ren Cao سری: International Series on Discrete Event Dynamic Systems ISBN (شابک) : 9780387367873, 0387690824 ناشر: Springer سال نشر: 2007 تعداد صفحات: 575 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 Stochastic Learning and Optimization: A Sensitivity-Based Approach 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 یادگیری تصادفی و بهینه سازی: رویکردی مبتنی بر حساسیت 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.
یادگیری تصادفی و بهینهسازی موضوعی چند رشتهای است که کاربردهای گستردهای در مشکلات مهندسی، اجتماعی و مالی مدرن، از جمله مواردی در اینترنت و ارتباطات بیسیم، تولید، روباتیک، لجستیک، سیستمهای زیست پزشکی و علوم سرمایهگذاری دارد. این کتاب از جنبه های زیر بی نظیر است. 1. (چهار حوزه در یک کتاب) این کتاب رشته های مختلف در یادگیری و بهینه سازی را پوشش می دهد، از جمله تجزیه و تحلیل اغتشاش (PA) سیستم های دینامیکی رویداد گسسته، فرآیندهای تصمیم مارکوف (MDP)، یادگیری تقویتی (RL) و کنترل تطبیقی. ، در یک چارچوب یکپارچه 2. (یک رویکرد ساده به MDP) این کتاب نظریه MDP را از طریق یک رویکرد ساده بر اساس فرمول های تفاوت عملکرد معرفی می کند. این رویکرد منجر به نتایجی برای بهینگی n-bias با معیارهای متوسط هزینه بلندمدت و بهینه Blackwell بدون تنزیل می شود. 3. (بهینهسازی مبتنی بر رویداد) این کتاب رویکرد بهینهسازی مبتنی بر رویداد را معرفی میکند که اخیراً توسعه یافته است، که با استفاده از ویژگیهای خاص سیستم، مسیر تحقیقاتی را در غلبه بر یا کاهش مشکلات ناشی از نفرین مسئله ابعادی باز میکند. 4. (ساخت نمونه مسیر) این کتاب بر تفاسیر فیزیکی بر اساس ساخت مسیر نمونه تاکید دارد.
Stochastic learning and optimization is a multidisciplinary subject that has wide applications in modern engineering, social, and financial problems, including those in Internet and wireless communications, manufacturing, robotics, logistics, biomedical systems, and investment science. This book is unique in the following aspects. 1. (Four areas in one book) This book covers various disciplines in learning and optimization, including perturbation analysis (PA) of discrete-event dynamic systems, Markov decision processes (MDP)s), reinforcement learning (RL), and adaptive control, within a unified framework. 2. (A simple approach to MDPs) This book introduces MDP theory through a simple approach based on performance difference formulas. This approach leads to results for the n-bias optimality with long-run average-cost criteria and Blackwell's optimality without discounting. 3. (Event-based optimization) This book introduces the recently developed event-based optimization approach, which opens up a research direction in overcoming or alleviating the difficulties due to the curse of dimensionality issue by utilizing the system's special features. 4. (Sample-path construction) This book emphasizes physical interpretations based on the sample-path construction.
Front Matter....Pages I-XIX
Front Matter....Pages 1-1
Introduction....Pages 1-48
Front Matter....Pages 49-49
Perturbation Analysis....Pages 51-146
Learning and Optimization with Perturbation Analysis....Pages 147-182
Markov Decision Processes....Pages 183-252
Sample-Path-Based Policy Iteration....Pages 253-287
Reinforcement Learning....Pages 289-340
Adaptive Control Problems as MDPs....Pages 341-383
Front Matter....Pages 385-385
Event-Based Optimization of Markov Systems....Pages 387-454
Constructing Sensitivity Formulas....Pages 455-486
Back Matter....Pages 489-566