Facebook Twitter Pinterest <Einbetten>
  • Alle Preisangaben inkl. USt
Derzeit nicht auf Lager.
Bestellen Sie jetzt und wir liefern, sobald der Artikel verfügbar ist. Sie erhalten von uns eine E-Mail mit dem voraussichtlichen Lieferdatum, sobald uns diese Information vorliegt. Ihr Konto wird erst dann belastet, wenn wir den Artikel verschicken.
Verkauf und Versand durch Amazon. Geschenkverpackung verfügbar.
Simulation-Based Optimiza... ist in Ihrem Einkaufwagen hinzugefügt worden

Lieferort:
Um Adressen zu sehen, bitte
Oder
Bitte tragen Sie eine deutsche PLZ ein.
Oder
Gebraucht: Sehr gut | Details
Verkauft von Warehouse Deals
Zustand: Gebraucht: Sehr gut
Kommentar: Kleine Falte oder kleiner Knick am Buchrücken. Amazon-Kundenservice und Rücknahmegarantie (bis zu 30 Tagen) bei jedem Kauf.
Möchten Sie verkaufen?
Zur Rückseite klappen Zur Vorderseite klappen
Hörprobe Wird gespielt... Angehalten   Sie hören eine Hörprobe des Audible Hörbuch-Downloads.
Mehr erfahren
Alle 2 Bilder anzeigen

Simulation-Based Optimization: Parametric Optimization Techniques and Reinforcement Learning (Operations Research/Computer Science Interfaces Series) (Englisch) Gebundene Ausgabe – 30. Juni 2003


Alle 6 Formate und Ausgaben anzeigen Andere Formate und Ausgaben ausblenden
Preis
Neu ab Gebraucht ab
Kindle Edition
Gebundene Ausgabe, 30. Juni 2003
EUR 181,89
EUR 25,27 EUR 6,49
4 neu ab EUR 25,27 3 gebraucht ab EUR 6,49
click to open popover

Es wird kein Kindle Gerät benötigt. Laden Sie eine der kostenlosen Kindle Apps herunter und beginnen Sie, Kindle-Bücher auf Ihrem Smartphone, Tablet und Computer zu lesen.

  • Apple
  • Android
  • Windows Phone

Geben Sie Ihre Mobiltelefonnummer ein, um die kostenfreie App zu beziehen.

Jeder kann Kindle Bücher lesen — selbst ohne ein Kindle-Gerät — mit der KOSTENFREIEN Kindle App für Smartphones, Tablets und Computer.


Produktinformation

Produktbeschreibungen

Synopsis

"Simulation-Based Optimization: Parametric Optimization Techniques and Reinforcement Learning" introduces the evolving area of simulation-based optimization. The book's objective is two-fold: It examines the mathematical governing principles of simulation-based optimization, thereby providing the reader with the ability to model relevant real-life problems using these techniques. It also outlines the computational technology underlying these methods. Taken together these two aspects demonstrate that the mathematical and computational methods discussed in this book do work. Broadly speaking, the book has two parts: parametric (static) optimization and control (dynamic) optimization. Some of the book's special features are: an accessible introduction to reinforcement learning and parametric-optimization techniques; a step-by-step description of several algorithms of simulation-based optimization; a clear and simple introduction to the methodology of neural networks; a gentle introduction to convergence analysis of some of the methods enumerated above; and, computer programs for many algorithms of simulation-based optimization.

Buchrückseite

Simulation-Based Optimization: Parametric Optimization Techniques and Reinforcement Learning introduces the evolving area of static and dynamic simulation-based optimization. Covered in detail are model-free optimization techniques – especially designed for those discrete-event, stochastic systems which can be simulated but whose analytical models are difficult to find in closed mathematical forms.

Key features of this revised and improved Second Edition include:

· Extensive coverage, via step-by-step recipes, of powerful new algorithms for static simulation optimization, including simultaneous perturbation, backtracking adaptive search, and nested partitions, in addition to traditional methods, such as response surfaces, Nelder-Mead search, and meta-heuristics (simulated annealing, tabu search, and genetic algorithms)

· Detailed coverage of the Bellman equation framework for Markov Decision Processes (MDPs), along with dynamic programming (value and policy iteration) for  discounted, average, and total reward performance metrics

· An in-depth consideration of dynamic simulation optimization via temporal differences and Reinforcement Learning: Q-Learning, SARSA, and R-SMART algorithms, and policy search, via API, Q-P-Learning, actor-critics, and learning automata

· A special examination of neural-network-based function approximation for Reinforcement Learning, semi-Markov decision processes (SMDPs), finite-horizon problems, two time scales, case studies for industrial tasks, computer codes (placed online), and convergence proofs, via Banach fixed point theory and Ordinary Differential Equations

Themed around three areas in separate sets of chapters – Static Simulation Optimization, Reinforcement Learning, and Convergence Analysis – this book is written for researchers and students in the fields of engineering (industrial, systems, electrical, and computer), operations research, computer science, and applied mathematics.

-- Dieser Text bezieht sich auf eine andere Ausgabe: Gebundene Ausgabe.

Alle Produktbeschreibungen

Kundenrezensionen

Noch keine Kundenrezensionen vorhanden.
Sagen Sie Ihre Meinung zu diesem Artikel

Die hilfreichsten Kundenrezensionen auf Amazon.com

Amazon.com: 5,0 von 5 Sternen 3 Rezensionen
Eine Person fand diese Informationen hilfreich.
5,0 von 5 SternenThe language used is very simple and one best thing about the book is that the flow of ...
am 21. Mai 2017 - Veröffentlicht auf Amazon.com
Eine Person fand diese Informationen hilfreich.
5,0 von 5 SternenThe material was described beautifully and in a straight-forward way
am 21. Mai 2017 - Veröffentlicht auf Amazon.com
Eine Person fand diese Informationen hilfreich.
5,0 von 5 SternenThe students loved it. It was comprehensive
am 21. Mai 2017 - Veröffentlicht auf Amazon.com
Verifizierter Kauf
Möchten Sie weitere Produkte entdecken? Weitere Informationen finden Sie auf dieser Seite: Nageldesign

Wo ist meine Bestellung?

Versand & Rücknahme

Brauchen Sie Hilfe?