Avis des lecteurs
Résumé:Le livre fournit une vue d'ensemble des algorithmes d'optimisation avec des explications claires et des extraits de code pratiques en Julia. Bien qu'il soit apprécié pour sa clarté et la progression des sujets, il manque de profondeur dans certains domaines et omet certains algorithmes, ce qui en fait plus une étude qu'un guide détaillé.
Avantages:⬤ Couverture complète d'environ 100 algorithmes d'optimisation avec clarté et concision.
⬤ Fournit toutes les informations de base nécessaires, y compris les bases du calcul et de l'algèbre linéaire.
⬤ Inclut des extraits de code Julia pratiques et des ressources en ligne.
⬤ Accessible aux lecteurs du premier cycle universitaire et comprenant des exercices avec solutions.
⬤ Permet de rafraîchir et d'élargir la compréhension de nombreux concepts d'optimisation importants.
⬤ Manque d'exploration en profondeur et de rigueur dans les explications de certains algorithmes.
⬤ Certains sujets et algorithmes importants, comme Levenberg-Marquardt et MCMC, sont absents.
⬤ Le code est exclusivement en Julia, ce qui peut ne pas être convivial pour tout le monde.
⬤ Pas de chapitre de synthèse final ; les lecteurs doivent synthétiser l'information de manière indépendante.
⬤ Certains utilisateurs ont trouvé l'implémentation de Julia trop abstraite, ce qui l'a rendue difficile à suivre.
(basé sur 21 avis de lecteurs)
Titre original :
Algorithms for Optimization
Contenu du livre :
Une introduction complète à l'optimisation avec un accent sur les algorithmes pratiques pour la conception de systèmes d'ingénierie.
Ce livre propose une introduction complète à l'optimisation en mettant l'accent sur les algorithmes pratiques. Il aborde l'optimisation du point de vue de l'ingénierie, l'objectif étant de concevoir un système qui optimise un ensemble de paramètres soumis à des contraintes. Les lecteurs découvriront des approches informatiques pour une série de défis, y compris la recherche dans des espaces de haute dimension, le traitement de problèmes où il y a plusieurs objectifs concurrents, et la prise en compte de l'incertitude dans les mesures. Des figures, des exemples et des exercices transmettent l'intuition qui sous-tend les approches mathématiques. Le texte fournit des implémentations concrètes dans le langage de programmation Julia.
Les sujets couverts incluent les dérivés et leur généralisation à des dimensions multiples ; la descente locale et les méthodes du premier et du second ordre qui informent la descente locale ; les méthodes stochastiques, qui introduisent le hasard dans le processus d'optimisation ; l'optimisation linéaire sous contrainte, lorsque la fonction objectif et les contraintes sont linéaires ; les modèles de substitution, les modèles de substitution probabilistes, et l'utilisation de modèles de substitution probabilistes pour guider l'optimisation ; l'optimisation sous incertitude ; la propagation de l'incertitude ; l'optimisation de l'expression ; et l'optimisation de la conception pluridisciplinaire. Les annexes proposent une introduction au langage Julia, des fonctions de test pour évaluer la performance des algorithmes et des concepts mathématiques utilisés dans la dérivation et l'analyse des méthodes d'optimisation discutées dans le texte. Ce livre peut être utilisé par les étudiants de premier cycle et les étudiants diplômés en mathématiques, statistiques, informatique, tout domaine de l'ingénierie (y compris l'ingénierie électrique et aérospatiale), et la recherche opérationnelle, ainsi que comme référence pour les professionnels.
Autres informations sur le livre :
| ISBN : | 9780262039420 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Relié |
| Année de publication : | 2019 |
| Nombre de pages : | 520 |
Achat:
Actuellement disponible, en stock.
