دانلود کتاب Markov Decision Processes With Their Applications

ترجمه فارسی توضیحات (ترجمه ماشینی)

فرآیندهای تصمیم گیری مارکوف با کاربردهای آنها

فرایندهای تصمیم مارکوف (MDP) که برنامه ریزی پویا تصادفی نیز نامیده می شود، برای اولین بار در دهه 1960 مورد مطالعه قرار گرفت. MDP ها را می توان برای مدل سازی و حل مسائل تصمیم گیری پویا که چند دوره ای هستند و در شرایط تصادفی رخ می دهند، استفاده کرد. سه شاخه اساسی در MDP ها وجود دارد: MDP های زمان گسسته، MDP های زمان پیوسته و فرآیندهای تصمیم گیری نیمه مارکوف. با شروع از این سه شاخه، بسیاری از مدل‌های MDP تعمیم‌یافته برای مسائل مختلف عملی اعمال شده‌اند. این مدل ها شامل MDP های تا حدی قابل مشاهده، MDP های تطبیقی، MDP ها در محیط های تصادفی و MDP هایی با اهداف متعدد، محدودیت ها یا پارامترهای غیردقیق هستند.

فرایندهای تصمیم مارکوف با کاربردهایشان MDP ها و کاربردهای آنها را در کنترل بهینه سیستم های رویداد گسسته (DES)، جایگزینی بهینه و تخصیص بهینه بررسی می کند. در حراج های آنلاین متوالی این کتاب چهار موضوع اصلی را ارائه می‌کند که برای مطالعه مسائل کنترل بهینه استفاده می‌شود:

*روش‌شناسی جدید برای MDPها با معیار پاداش کل تخفیف‌یافته؛

*تبدیل MDPهای زمان پیوسته و فرآیندهای تصمیم گیری نیمه مارکوف به مدل MDPهای گسسته زمان، در نتیجه کاربرد MDPها را ساده می کند.

*MDPها در محیط های تصادفی، که تا حد زیادی منطقه ای را که می توان MDP ها را اعمال کرد گسترش می دهد؛

*کاربرد MDP ها در کنترل بهینه سیستم های رویداد گسسته، جایگزینی بهینه، و تخصیص بهینه در حراج های آنلاین متوالی. .

این کتاب برای محققان، ریاضیدانان، دانشجویان کارشناسی ارشد پیشرفته و مهندسانی که به کنترل بهینه، تحقیقات عملیاتی، ارتباطات، تولید، اقتصاد و تجارت الکترونیک علاقه مند هستند، در نظر گرفته شده است. /P>

Markov Decision Processes With Their Applications

Markov decision processes (MDPs), also called stochastic dynamic programming, were first studied in the 1960s. MDPs can be used to model and solve dynamic decision-making problems that are multi-period and occur in stochastic circumstances. There are three basic branches in MDPs: discrete-time MDPs, continuous-time MDPs and semi-Markov decision processes. Starting from these three branches, many generalized MDPs models have been applied to various practical problems. These models include partially observable MDPs, adaptive MDPs, MDPs in stochastic environments, and MDPs with multiple objectives, constraints or imprecise parameters.

Markov Decision Processes With Their Applications examines MDPs and their applications in the optimal control of discrete event systems (DESs), optimal replacement, and optimal allocations in sequential online auctions. The book presents four main topics that are used to study optimal control problems:

*a new methodology for MDPs with discounted total reward criterion;

*transformation of continuous-time MDPs and semi-Markov decision processes into a discrete-time MDPs model, thereby simplifying the application of MDPs;

*MDPs in stochastic environments, which greatly extends the area where MDPs can be applied;

*applications of MDPs in optimal control of discrete event systems, optimal replacement, and optimal allocation in sequential online auctions.

This book is intended for researchers, mathematicians, advanced graduate students, and engineers who are interested in optimal control, operation research, communications, manufacturing, economics, and electronic commerce.