最新章節

• 索引
• 參考文獻
• 附錄D 練習參考答案
• 附錄C 數學概念
• 附錄B 測試函數
• 附錄A Julia

• 索引 更新時間：2023-01-06 17:32:25
• 參考文獻
• 附錄D 練習參考答案
• 附錄C 數學概念
• 附錄B 測試函數
• 附錄A Julia
• 21.10 練習
• 21.9 小結
• 21.8 同步分析和設計
• 21.7 協同優化
• 21.6 單學科可行性
• 21.5 順序優化
• 21.4 多學科設計可行性
• 21.3 架構
• 21.2 跨學科兼容性
• 21.1 學科分析
• 第21章 多學科設計優化
• 20.7 練習
• 20.6 小結
• 20.5 概率原型樹
• 20.4 概率語法
• 20.3 語法進化
• 20.2 遺傳編程
• 20.1 語法
• 第20章 表達式優化
• 19.8 練習
• 19.7 小結
• 19.6 蟻群優化
• 19.5 動態規劃
• 19.4 分支限界法
• 19.3 切割平面
• 19.2 四舍五入
• 19.1 整數規劃
• 第19章 離散優化
• 18.6 練習
• 18.5 小結
• 18.4 貝葉斯蒙特卡羅
• 18.3.3 多元情況
• 18.3.2 系數
• 18.3.1 一元情況
• 18.3 多項式混沌
• 18.2 泰勒逼近
• 18.1 抽樣方法
• 第18章 不確定性傳播
• 17.5 練習
• 17.4 小結
• 17.3.5 條件風險價值
• 17.3.4 風險價值
• 17.3.3 統計可行性
• 17.3.2 方差
• 17.3.1 期望值
• 17.3 概率不確定性
• 17.2.2 信息差距決策理論
• 17.2.1 極小極大方法
• 17.2 基于集合的不確定性
• 17.1 不確定性
• 第17章 不確定性下的優化
• 16.8 練習
• 16.7 小結
• 16.6 安全優化
• 16.5 預期改進探索
• 16.4 改進探索的概率
• 16.3 置信下界的探索
• 16.2 基于誤差的探索
• 16.1 基于預測的探索
• 第16章 代理優化
• 15.8 練習
• 15.7 小結
• 15.6 擬合高斯過程
• 15.5 噪聲測量
• 15.4 梯度測量
• 15.3 預測
• 15.2 高斯過程
• 15.1 高斯分布
• 第15章 概率代理模型
• 14.7 練習
• 14.6 小結
• 14.5.3 自舉法
• 14.5.2 交叉驗證
• 14.5.1 保留法
• 14.5 模型選擇
• 14.4 擬合噪聲目標函數
• 14.3.3 徑向基函數
• 14.3.2 正弦基函數
• 14.3.1 多項式基函數
• 14.3 基函數
• 14.2 線性模型
• 14.1 擬合代理模型
• 第14章 代理模型
• 13.9 習題
• 13.8 小結
• 13.7.3 Sobol序列
• 13.7.2 哈爾頓序列
• 13.7.1 加性遞歸
• 13.7 準隨機序列
• 13.6 空間填充子集
• 13.5.3 Morris-Mitchell標準
• 13.5.2 成對距離
• 13.5.1 差異
• 13.5 空間填充指標
• 13.4 分層抽樣
• 13.3 均勻投影計劃
• 13.2 隨機抽樣
• 13.1 全因子
• 第13章 抽樣計劃
• 12.7 練習
• 12.6 小結
• 12.5.3 設計選擇
• 12.5.2 配對查詢選擇
• 12.5.1 模型識別
• 12.5 偏好誘導
• 12.4.4 生態位技術
• 12.4.3 帕累托過濾器
• 12.4.2 非支配排名
• 12.4.1 子種群
• 12.4 多目標種群方法
• 12.3.5 指數加權準則
• 12.3.4 加權最小-最大值法
• 12.3.3 加權指數和
• 12.3.2 目標編程
• 12.3.1 加權和法
• 12.3 權重法
• 12.2.2 詞典約束法
• 12.2.1 目標約束法
• 12.2 約束方法
• 12.1.3 帕累托邊界生成
• 12.1.2 帕累托邊界
• 12.1.1 優勢位置
• 12.1 帕累托最優
• 第12章 多目標優化
• 11.5 練習
• 11.4 小結
• 11.3 對偶驗證
• 11.2.4 初始化階段
• 11.2.3 優化階段
• 11.2.2 一階必要條件
• 11.2.1 頂點
• 11.2 單純形算法
• 11.1.3 等式形式
• 11.1.2 標準形式
• 11.1.1 一般形式
• 11.1 問題表述
• 第11章 線性約束優化
• 10.11 練習
• 10.10 小結
• 10.9 內點法
• 10.8 增廣拉格朗日法
• 10.7 懲罰方法
• 10.6 對偶性
• 10.5 不等式約束
• 10.4 拉格朗日乘數法
• 10.3 消除約束的轉換
• 10.2 約束類型
• 10.1 約束優化
• 第10章 約束
• 9.9 練習
• 9.8 小結
• 9.7 混合方法
• 9.6 布谷鳥搜索
• 9.5 螢火蟲算法
• 9.4 粒子群優化
• 9.3 微分進化
• 9.2.5 變異
• 9.2.4 交叉
• 9.2.3 選擇
• 9.2.2 初始化
• 9.2.1 染色體
• 9.2 遺傳算法
• 9.1 初始化
• 第9章 種群方法
• 8.8 練習
• 8.7 小結
• 8.6 自適應協方差矩陣
• 8.5 自然進化策略
• 8.4 交叉熵法
• 8.3 模擬退火
• 8.2 網格自適應直接搜索
• 8.1 噪聲下降
• 第8章 隨機方法
• 7.8 練習
• 7.7 小結
• 7.6.3 實施
• 7.6.2 多變量DIRECT
• 7.6.1 單變量DIRECT
• 7.6 分割矩形法
• 7.5 尼爾德-米德單純形法
• 7.4 廣義模式搜索法
• 7.3 胡可-吉夫斯搜索法
• 7.2 鮑威爾搜索法
• 7.1 循環坐標搜索
• 第7章 直接方法
• 6.5 練習
• 6.4 小結
• 6.3 擬牛頓法
• 6.2 割線法
• 6.1 牛頓法
• 第6章 二階方法
• 5.11 練習
• 5.10 小結
• 5.9 超梯度下降
• 5.8 Adam
• 5.7 Adadelta
• 5.6 RMSProp
• 5.5 Adagrad方法
• 5.4 Nesterov動量
• 5.3 動量
• 5.2 共軛梯度
• 5.1 梯度下降
• 第5章 一階方法
• 4.7 練習
• 4.6 小結
• 4.5 終止條件
• 4.4 信賴域方法
• 4.3 近似線搜索
• 4.2 線搜索
• 4.1 下降方向迭代
• 第4章 局部下降
• 3.9 練習
• 3.8 小結
• 3.7 二分法
• 3.6 Shubert-Piyavskii方法
• 3.5 二次擬合搜索
• 3.4 黃金分割搜索
• 3.3 斐波那契搜索
• 3.2 確定初始包圍
• 3.1 單模態
• 第3章 包圍
• 2.6 練習
• 2.5 小結
• 2.4.2 反向累積
• 2.4.1 前向累積
• 2.4 自動微分
• 2.3.2 復數步長法
• 2.3.1 有限差分法
• 2.3 數值微分
• 2.2 多維導數
• 2.1 導數
• 第2章 導數和梯度
• 1.10 練習
• 1.9 小結
• 1.8 概述
• 1.7 等高線圖
• 1.6.2 多元問題
• 1.6.1 一元問題
• 1.6 局部極小值的條件
• 1.5 極值點
• 1.4 約束
• 1.3 基本優化問題
• 1.2 優化過程
• 1.1 優化算法的歷史
• 第1章 引言
• 致謝
• 前言
• 譯者序
• 作者簡介
• 彩插
• 版權頁
• 封面

• 封面
• 版權頁
• 彩插
• 作者簡介
• 譯者序
• 前言
• 致謝
• 第1章 引言
• 1.1 優化算法的歷史
• 1.2 優化過程
• 1.3 基本優化問題
• 1.4 約束
• 1.5 極值點
• 1.6 局部極小值的條件
• 1.6.1 一元問題
• 1.6.2 多元問題
• 1.7 等高線圖
• 1.8 概述
• 1.9 小結
• 1.10 練習
• 第2章 導數和梯度
• 2.1 導數
• 2.2 多維導數
• 2.3 數值微分
• 2.3.1 有限差分法
• 2.3.2 復數步長法
• 2.4 自動微分
• 2.4.1 前向累積
• 2.4.2 反向累積
• 2.5 小結
• 2.6 練習
• 第3章 包圍
• 3.1 單模態
• 3.2 確定初始包圍
• 3.3 斐波那契搜索
• 3.4 黃金分割搜索
• 3.5 二次擬合搜索
• 3.6 Shubert-Piyavskii方法
• 3.7 二分法
• 3.8 小結
• 3.9 練習
• 第4章 局部下降
• 4.1 下降方向迭代
• 4.2 線搜索
• 4.3 近似線搜索
• 4.4 信賴域方法
• 4.5 終止條件
• 4.6 小結
• 4.7 練習
• 第5章 一階方法
• 5.1 梯度下降
• 5.2 共軛梯度
• 5.3 動量
• 5.4 Nesterov動量
• 5.5 Adagrad方法
• 5.6 RMSProp
• 5.7 Adadelta
• 5.8 Adam
• 5.9 超梯度下降
• 5.10 小結
• 5.11 練習
• 第6章 二階方法
• 6.1 牛頓法
• 6.2 割線法
• 6.3 擬牛頓法
• 6.4 小結
• 6.5 練習
• 第7章 直接方法
• 7.1 循環坐標搜索
• 7.2 鮑威爾搜索法
• 7.3 胡可-吉夫斯搜索法
• 7.4 廣義模式搜索法
• 7.5 尼爾德-米德單純形法
• 7.6 分割矩形法
• 7.6.1 單變量DIRECT
• 7.6.2 多變量DIRECT
• 7.6.3 實施
• 7.7 小結
• 7.8 練習
• 第8章 隨機方法
• 8.1 噪聲下降
• 8.2 網格自適應直接搜索
• 8.3 模擬退火
• 8.4 交叉熵法
• 8.5 自然進化策略
• 8.6 自適應協方差矩陣
• 8.7 小結
• 8.8 練習
• 第9章 種群方法
• 9.1 初始化
• 9.2 遺傳算法
• 9.2.1 染色體
• 9.2.2 初始化
• 9.2.3 選擇
• 9.2.4 交叉
• 9.2.5 變異
• 9.3 微分進化
• 9.4 粒子群優化
• 9.5 螢火蟲算法
• 9.6 布谷鳥搜索
• 9.7 混合方法
• 9.8 小結
• 9.9 練習
• 第10章 約束
• 10.1 約束優化
• 10.2 約束類型
• 10.3 消除約束的轉換
• 10.4 拉格朗日乘數法
• 10.5 不等式約束
• 10.6 對偶性
• 10.7 懲罰方法
• 10.8 增廣拉格朗日法
• 10.9 內點法
• 10.10 小結
• 10.11 練習
• 第11章 線性約束優化
• 11.1 問題表述
• 11.1.1 一般形式
• 11.1.2 標準形式
• 11.1.3 等式形式
• 11.2 單純形算法
• 11.2.1 頂點
• 11.2.2 一階必要條件
• 11.2.3 優化階段
• 11.2.4 初始化階段
• 11.3 對偶驗證
• 11.4 小結
• 11.5 練習
• 第12章 多目標優化
• 12.1 帕累托最優
• 12.1.1 優勢位置
• 12.1.2 帕累托邊界
• 12.1.3 帕累托邊界生成
• 12.2 約束方法
• 12.2.1 目標約束法
• 12.2.2 詞典約束法
• 12.3 權重法
• 12.3.1 加權和法
• 12.3.2 目標編程
• 12.3.3 加權指數和
• 12.3.4 加權最小-最大值法
• 12.3.5 指數加權準則
• 12.4 多目標種群方法
• 12.4.1 子種群
• 12.4.2 非支配排名
• 12.4.3 帕累托過濾器
• 12.4.4 生態位技術
• 12.5 偏好誘導
• 12.5.1 模型識別
• 12.5.2 配對查詢選擇
• 12.5.3 設計選擇
• 12.6 小結
• 12.7 練習
• 第13章 抽樣計劃
• 13.1 全因子
• 13.2 隨機抽樣
• 13.3 均勻投影計劃
• 13.4 分層抽樣
• 13.5 空間填充指標
• 13.5.1 差異
• 13.5.2 成對距離
• 13.5.3 Morris-Mitchell標準
• 13.6 空間填充子集
• 13.7 準隨機序列
• 13.7.1 加性遞歸
• 13.7.2 哈爾頓序列
• 13.7.3 Sobol序列
• 13.8 小結
• 13.9 習題
• 第14章 代理模型
• 14.1 擬合代理模型
• 14.2 線性模型
• 14.3 基函數
• 14.3.1 多項式基函數
• 14.3.2 正弦基函數
• 14.3.3 徑向基函數
• 14.4 擬合噪聲目標函數
• 14.5 模型選擇
• 14.5.1 保留法
• 14.5.2 交叉驗證
• 14.5.3 自舉法
• 14.6 小結
• 14.7 練習
• 第15章 概率代理模型
• 15.1 高斯分布
• 15.2 高斯過程
• 15.3 預測
• 15.4 梯度測量
• 15.5 噪聲測量
• 15.6 擬合高斯過程
• 15.7 小結
• 15.8 練習
• 第16章 代理優化
• 16.1 基于預測的探索
• 16.2 基于誤差的探索
• 16.3 置信下界的探索
• 16.4 改進探索的概率
• 16.5 預期改進探索
• 16.6 安全優化
• 16.7 小結
• 16.8 練習
• 第17章 不確定性下的優化
• 17.1 不確定性
• 17.2 基于集合的不確定性
• 17.2.1 極小極大方法
• 17.2.2 信息差距決策理論
• 17.3 概率不確定性
• 17.3.1 期望值
• 17.3.2 方差
• 17.3.3 統計可行性
• 17.3.4 風險價值
• 17.3.5 條件風險價值
• 17.4 小結
• 17.5 練習
• 第18章 不確定性傳播
• 18.1 抽樣方法
• 18.2 泰勒逼近
• 18.3 多項式混沌
• 18.3.1 一元情況
• 18.3.2 系數
• 18.3.3 多元情況
• 18.4 貝葉斯蒙特卡羅
• 18.5 小結
• 18.6 練習
• 第19章 離散優化
• 19.1 整數規劃
• 19.2 四舍五入
• 19.3 切割平面
• 19.4 分支限界法
• 19.5 動態規劃
• 19.6 蟻群優化
• 19.7 小結
• 19.8 練習
• 第20章 表達式優化
• 20.1 語法
• 20.2 遺傳編程
• 20.3 語法進化
• 20.4 概率語法
• 20.5 概率原型樹
• 20.6 小結
• 20.7 練習
• 第21章 多學科設計優化
• 21.1 學科分析
• 21.2 跨學科兼容性
• 21.3 架構
• 21.4 多學科設計可行性
• 21.5 順序優化
• 21.6 單學科可行性
• 21.7 協同優化
• 21.8 同步分析和設計
• 21.9 小結
• 21.10 練習
• 附錄A Julia
• 附錄B 測試函數
• 附錄C 數學概念
• 附錄D 練習參考答案
• 參考文獻
• 索引 更新時間：2023-01-06 17:32:25