Przybliżony program dynamiczny

Opinie czytelników

Książka stanowi jasne i czytelne wprowadzenie do uczenia ze wzmocnieniem i programowania dynamicznego, dzięki czemu nadaje się do samodzielnej nauki. Skutecznie wyjaśnia koncepcje i oferuje dobre przykłady. Niektórzy czytelnicy zauważyli jednak problemy z wersją Kindle i preferencje dla notacji innej niż w innych tekstach.

⬤ Bardzo czytelne i jasne wyjaśnienia
⬤ zapewnia dobry przegląd uczenia się ze wzmocnieniem i programowania dynamicznego
⬤ zawiera pomocne przykłady i wskazówki dotyczące implementacji
⬤ dobrze nadaje się dla początkujących.

Problemy z formatowaniem wersji Kindle; notacja różni się od prac Bertsekasa, co może zmylić niektórych czytelników.

(na podstawie 7 opinii czytelników)

Oryginalny tytuł:

Approximate Dynamic Programmin

Zawartość książki:

Pochwała pierwszego wydania

"Wreszcie książka poświęcona programowaniu dynamicznemu i napisana w języku badań operacyjnych (OR) Ta piękna książka wypełnia lukę w bibliotekach specjalistów i praktyków OR."

-- Computing Reviews

To nowe wydanie skupia się na modelowaniu i obliczeniach dla złożonych klas przybliżonych problemów programowania dynamicznego.

Zrozumienie przybliżonego programowania dynamicznego (ADP) jest niezbędne do opracowania praktycznych i wysokiej jakości rozwiązań złożonych problemów przemysłowych, zwłaszcza gdy problemy te wiążą się z podejmowaniem decyzji w obecności niepewności. Książka Approximate Dynamic Programming, Second Edition w unikalny sposób integruje cztery różne dyscypliny - procesy decyzyjne Markova, programowanie matematyczne, symulację i statystykę - aby zademonstrować, jak skutecznie podejść, modelować i rozwiązywać szeroki zakres rzeczywistych problemów przy użyciu ADP.

Książka stanowi pomost między informatyką, symulacją i badaniami operacyjnymi, a teraz przyjmuje notację i słownictwo uczenia się ze wzmocnieniem, a także wyszukiwania stochastycznego i optymalizacji symulacyjnej. Autor nakreśla podstawowe algorytmy, które służą jako punkt wyjścia w projektowaniu praktycznych rozwiązań dla rzeczywistych problemów. Wprowadzono trzy przekleństwa wymiarowości, które wpływają na złożone problemy, a także szczegółowo omówiono wyzwania związane z implementacją. Drugie wydanie zawiera również

⬤ Nowy rozdział opisujący cztery podstawowe klasy polityk do pracy z różnorodnymi problemami optymalizacji stochastycznej: polityki krótkowzroczne, polityki typu look-ahead, aproksymacje funkcji polityki oraz polityki oparte na aproksymacjach funkcji wartości.

⬤ Nowy rozdział poświęcony wyszukiwaniu polityk, który łączy koncepcje wyszukiwania stochastycznego i optymalizacji symulacyjnej oraz wprowadza nową klasę optymalnych strategii uczenia się.

⬤ Zaktualizowane omówienie problemu eksploatacji eksploracyjnej w ADP, w tym niedawno opracowana metoda aktywnego uczenia się w obecności stanu fizycznego, wykorzystująca koncepcję gradientu wiedzy.

⬤ Nowa sekwencja rozdziałów opisujących statystyczne metody aproksymacji funkcji wartości, szacowania wartości ustalonej polityki oraz aproksymacji funkcji wartości podczas wyszukiwania optymalnych polityk.

Przedstawione omówienie ADP kładzie nacisk na modele i algorytmy, koncentrując się na powiązanych zastosowaniach i obliczeniach, jednocześnie omawiając teoretyczną stronę tematu, która bada dowody zbieżności i szybkości zbieżności. Powiązana strona internetowa zawiera bieżącą dyskusję na temat rozwijających się dziedzin dynamicznego programowania aproksymacyjnego i uczenia się ze wzmocnieniem, wraz z dodatkowymi lekturami, oprogramowaniem i zestawami danych.

Wymagająca jedynie podstawowego zrozumienia statystyki i prawdopodobieństwa, Approximate Dynamic Programming, Second Edition jest doskonałą książką dla inżynierii przemysłowej i kursów badań operacyjnych na poziomie licencjackim i magisterskim. Stanowi również cenne źródło informacji dla badaczy i profesjonalistów, którzy wykorzystują programowanie dynamiczne, programowanie stochastyczne i teorię sterowania do rozwiązywania problemów w swojej codziennej pracy.