دانلود کتاب Stochastic Learning and Optimization: A Sensitivity-Based Approach

ترجمه فارسی توضیحات (ترجمه ماشینی)

یادگیری تصادفی و بهینه سازی: رویکردی مبتنی بر حساسیت

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: A Sensitivity-Based Approach

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.