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: 1 نویسندگان: David P. Williamson, David B. Shmoys سری: ISBN (شابک) : 0521195276, 9780521195270 ناشر: Cambridge University Press سال نشر: 2011 تعداد صفحات: 502 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 The Design of Approximation 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 طراحی الگوریتم های تقریبی 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.
مسائل بهینه سازی گسسته در همه جا وجود دارد، از مشکلات برنامه ریزی تحقیق عملیات سنتی، مانند زمان بندی، مکان تاسیسات، و طراحی شبکه. مشکلات علوم کامپیوتر در پایگاه های داده؛ به مسائل تبلیغاتی در بازاریابی ویروسی با این حال، اکثر چنین مشکلاتی NP-hard هستند. بنابراین، مگر اینکه P = NP، هیچ الگوریتم کارآمدی برای یافتن راهحلهای بهینه برای چنین مسائلی وجود ندارد. این کتاب نحوه طراحی الگوریتمهای تقریبی را نشان میدهد: الگوریتمهای کارآمدی که راهحلهای تقریباً بهینه را پیدا میکنند. این کتاب حول تکنیکهای الگوریتمی مرکزی برای طراحی الگوریتمهای تقریبی، از جمله الگوریتمهای جستجوی حریصانه و محلی، برنامهنویسی پویا، برنامهنویسی خطی و نیمه معین، و تصادفیسازی سازماندهی شده است. هر فصل در بخش اول کتاب به یک تکنیک الگوریتمی اختصاص داده شده است که سپس برای چندین مسئله مختلف اعمال می شود. بخش دوم تکنیک ها را بازبینی می کند، اما درمان های پیچیده تری از آنها ارائه می دهد. این کتاب همچنین روشهایی را برای اثبات اینکه مسائل بهینهسازی تقریبی سخت است، پوشش میدهد. این کتاب که به عنوان یک کتاب درسی برای دوره های الگوریتم در سطح فارغ التحصیل طراحی شده است، همچنین به عنوان مرجعی برای محققان علاقه مند به حل اکتشافی مسائل بهینه سازی گسسته خواهد بود.
Discrete optimization problems are everywhere, from traditional operations research planning problems, such as scheduling, facility location, and network design; to computer science problems in databases; to advertising issues in viral marketing. Yet most such problems are NP-hard. Thus unless P = NP, there are no efficient algorithms to find optimal solutions to such problems. This book shows how to design approximation algorithms: efficient algorithms that find provably near-optimal solutions. The book is organized around central algorithmic techniques for designing approximation algorithms, including greedy and local search algorithms, dynamic programming, linear and semidefinite programming, and randomization. Each chapter in the first part of the book is devoted to a single algorithmic technique, which is then applied to several different problems. The second part revisits the techniques but offers more sophisticated treatments of them. The book also covers methods for proving that optimization problems are hard to approximate. Designed as a textbook for graduate-level algorithms courses, the book will also serve as a reference for researchers interested in the heuristic solution of discrete optimization problems.
Part I. An Introduction to the Techniques: 1. An introduction to approximation algorithms 2. Greedy algorithms and local search 3. Rounding data and dynamic programming 4. Deterministic rounding of linear programs 5. Random sampling and randomized rounding of linear programs 6. Randomized rounding of semidefinite programs 7. The primal-dual method 8. Cuts and metrics Part II. Further Uses of the Techniques: 9. Further uses of greedy and local search algorithms 10. Further uses of rounding data and dynamic programming 11. Further uses of deterministic rounding of linear programs 12. Further uses of random sampling and randomized rounding of linear programs 13. Further uses of randomized rounding of semidefinite programs 14. Further uses of the primal-dual method 15. Further uses of cuts and metrics 16. Techniques in proving the hardness of approximation 17. Open problems Appendix A. Linear programming Appendix B. NP-completeness.