ترجمه فارسی توضیحات (ترجمه ماشینی)
بهینه سازی ترکیبی تصادفی آنلاین
تصمیم گیری آنلاین تحت عدم قطعیت و محدودیت های زمانی یکی از چالش برانگیزترین مشکلات برای عوامل هوشمند قوی است. در دنیایی که به طور فزاینده ای پویا، به هم پیوسته و در زمان واقعی است، سیستم های هوشمند باید به صورت پویا با عدم قطعیت ها سازگار شوند، برنامه های موجود را برای پاسخگویی به درخواست ها و رویدادهای جدید به روز کنند و تصمیمات با کیفیت بالا را تحت محدودیت های زمانی شدید تولید کنند. چنین برنامه های تصمیم گیری آنلاین به طور فزاینده ای رایج می شوند: برای مثال، اعزام آمبولانس و مسیر تخلیه اضطراری شهر، ذاتاً مشکلات تصمیم گیری آنلاین هستند. برنامه های دیگر شامل برنامه ریزی بسته برای ارتباطات اینترنتی و سیستم های رزرو می باشد. این کتاب یک چارچوب جدید، بهینه‌سازی تصادفی آنلاین، برای رسیدگی به این چالش ارائه می‌کند. این چارچوب فرض می‌کند که توزیع درخواست‌های آینده، یا تقریبی از آن‌ها، برای نمونه‌گیری در دسترس است، همانطور که در بسیاری از برنامه‌هایی که داده‌های تاریخی یا مدل‌های پیش‌بینی را در دسترس قرار می‌دهند، چنین است. علاوه بر این فرض می‌کند که توزیع درخواست‌های آتی مستقل از تصمیمات فعلی است، که در انواع برنامه‌ها نیز وجود دارد و مزایای محاسباتی قابل توجهی دارد. این کتاب چندین الگوریتم تصادفی آنلاین را ارائه می‌کند که چارچوب را پیاده‌سازی می‌کنند، ضمانت‌های عملکردی را ارائه می‌دهد و کاربردهای متنوعی را نشان می‌دهد. در مورد چگونگی کاهش برخی از مفروضات در استفاده از نمونه برداری تاریخی و یادگیری ماشین بحث می کند و مسائل مختلف الگوریتمی اساسی را تجزیه و تحلیل می کند. و در نهایت، این کتاب محدودیت های احتمالی چارچوب را مورد بحث قرار می دهد و مسیرهایی را برای تحقیقات آینده پیشنهاد می کند.
Online decision making under uncertainty and time constraints represents one of the most challenging problems for robust intelligent agents. In an increasingly dynamic, interconnected, and real-time world, intelligent systems must adapt dynamically to uncertainties, update existing plans to accommodate new requests and events, and produce high-quality decisions under severe time constraints. Such online decision-making applications are becoming increasingly common: ambulance dispatching and emergency city-evacuation routing, for example, are inherently online decision-making problems; other applications include packet scheduling for Internet communications and reservation systems. This book presents a novel framework, online stochastic optimization, to address this challenge. This framework assumes that the distribution of future requests, or an approximation thereof, is available for sampling, as is the case in many applications that make either historical data or predictive models available. It assumes additionally that the distribution of future requests is independent of current decisions, which is also the case in a variety of applications and holds significant computational advantages. The book presents several online stochastic algorithms implementing the framework, provides performance guarantees, and demonstrates a variety of applications. It discusses how to relax some of the assumptions in using historical sampling and machine learning and analyzes different underlying algorithmic problems. And finally, the book discusses the framework’s possible limitations and suggests directions for future research.
نقد و بررسی‌ها
هیچ دیدگاهی برای این محصول نوشته نشده است.