دانلود ترجمه مقاله اندازه نمونه کارآمد در برنامه ریزی تصادفی غیرخطی (ساینس دایرکت – الزویر ۲۰۰۸) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

elsevier

 

 

این مقاله انگلیسی ISI در نشریه ساینس دایرکت (الزویر) در ۱۰ صفحه در سال ۲۰۰۸ منتشر شده و ترجمه آن ۱۹ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

اندازه نمونه کارآمد در برنامه ریزی تصادفی غیرخطی

عنوان انگلیسی مقاله:

Efficient sample sizes in stochastic nonlinear programming

 

 

مشخصات مقاله انگلیسی
فرمت مقاله انگلیسی pdf 
سال انتشار ۲۰۰۸
تعداد صفحات مقاله انگلیسی ۱۰ صفحه با فرمت pdf
نوع مقاله ISI
نوع نگارش مقاله پژوهشی (Research Article) 
نوع ارائه مقاله ژورنال
رشته های مرتبط با این مقاله ریاضی
گرایش های مرتبط با این مقاله ریاضی کاربردی
چاپ شده در مجله (ژورنال) مجله ریاضی محاسباتی و کاربردی – Journal of Computational and Applied Mathematics
کلمات کلیدی طراحی بهینه بر اساس قابلیت اطمینان، بهینه سازی تصادفی، تقریب های متوسط نمونه، قطری کردن
کلمات کلیدی انگلیسی  Stochastic optimization – Sample average approximations – Diagonalization – Reliability-based optimal design
ارائه شده از دانشگاه گروه مهندسی برق و علوم رایانه، دانشگاه کالیفرنیا، ایالات متحده آمریکا
نمایه (index) Scopus – Master journals – JCR
نویسندگان E. Polak، J.O. Royset
شناسه شاپا یا ISSN ISSN ۰۳۷۷-۰۴۲۷
شناسه دیجیتال – doi https://doi.org/10.1016/j.cam.2007.02.014
ایمپکت فاکتور(IF) مجله ۲٫۰۴۱ در سال ۲۰۱۹
شاخص H_index مجله ۱۰۶ در سال ۲۰۲۰
شاخص SJR مجله ۰٫۸۴۹ در سال ۲۰۱۹
شاخص Q یا Quartile (چارک) Q2 در سال ۲۰۱۹
بیس نیست 
مدل مفهومی ندارد 
پرسشنامه ندارد 
متغیر ندارد 
رفرنس دارای رفرنس در داخل متن و انتهای مقاله
کد محصول ۱۰۶۶۳
لینک مقاله در سایت مرجع لینک این مقاله در نشریه Elsevier
نشریه الزویر

 

مشخصات و وضعیت ترجمه فارسی این مقاله
فرمت ترجمه مقاله pdf و ورد تایپ شده با قابلیت ویرایش
وضعیت ترجمه انجام شده و آماده دانلود
کیفیت ترجمه ویژه – طلایی ⭐️⭐️⭐️
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۱۹ صفحه (۱ صفحه رفرنس انگلیسی) با فونت ۱۴ B Nazanin
ترجمه عناوین جداول ترجمه شده است  
ترجمه متون داخل جداول ترجمه نشده است 
درج جداول در فایل ترجمه درج شده است  
درج فرمولها و محاسبات در فایل ترجمه  به صورت عکس درج شده است  
منابع داخل متن درج نشده است 
منابع انتهای متن به صورت انگلیسی درج شده است  

 

فهرست مطالب

چکیده

۱- مقدمه

۲- قطری کارآمد

۳- پیاده سازی مسئله قطری کارآمد

۴- الگوریتم کلی

۵- مطالعه موردی

۶- نتیجه گیری

 

بخشی از ترجمه

چکیده

ما یک کلاس از برنامه های غیرخطی را که برای آن یک تقریب به راه حل بهینه موضعی از نظر کاهش کسری خطای هزینه اولیه مشخص شده است را در نظر می گیریم. ما نشان می دهیم که چنین راه حل تقریبی می تواند با حل تقریبی یک دنباله از تقریبهای متوسط نمونه یافت شود. مسئله کلیدی در این روش عبارتست از تعیین توالی تقریبهای متوسط نمونه و همچنین تعداد تکرارهایی که برای تقریب متوسط هر نمونه در این توالی صورت می-گیرد. ما نشان می دهیم که یکی می تواند این نیازمندی را بصورت یک مسئله بهینه سازی آرمانی که تابع هزینه آن کار محاسباتی مورد نیاز برای حصول کاهش خطای مورد نیاز است بیان کند. مشخصات این مسئله بهینه سازی آرمانی نیازمند دانش دقیق از مسائل و پارامترهای الگوریتمی است. از آنجا که مقادیر دقیق این پارامترها در دست نیست، ما از تخمین استفاده می کنیم که می تواند به روزرسانی شود. ما روش خود را با استفاده از دو نمونه عددی از طراحی مهندسی ساختاری نشان خواهیم داد.

 

۶- نتیجه گیری

ما نشان داده ایم که حل کردن مسئله قطری کارآمد برای حصول یک استراتژی قطری می تواند زمانهای محاسبه کلی را در برنامه ریزی غیرخطی تصادفی کاهش دهد. بطور خاص این روش نیاز به تعیین پارامترهای الگوریتم را به وسیله حدس و گمان و روشهای عددی هزینه بردار کاهش می دهد. به جای آن مسئله قطری کارامد اندازه نمونه ها و تعداد تکرارها در هر مرحله را با استفاده از مقادیر تخمینی هزینه، نرخ همگرایی و خطای نمونه برداری تعیین می کند. حتی با استفاده از متلب، راه حل مسئله قطری تنها نیازمند زمان محاسبه است. تجربه محاسباتی ما نشان می دهد که مزیت روش قطری برای مسائل پیچیده تر و عظیم تر و زمانیکه یک راه حل با دقت بالا مطلوب باشد خیلی قابل توجه است.

 

بخشی از مقاله انگلیسی

Abstract

We consider a class of stochastic nonlinear programs for which an approximation to a locally optimal solution is specified in terms of a fractional reduction of the initial cost error. We show that such an approximate solution can be found by approximately solving a sequence of sample average approximations. The key issue in this approach is the determination of the required sequence of sample average approximations as well as the number of iterations to be carried out on each sample average approximation in this sequence. We show that one can express this requirement as an idealized optimization problem whose cost function is the computing work required to obtain the required error reduction. The specification of this idealized optimization problem requires the exact knowledge of a few problems and algorithm parameters. Since the exact values of these parameters are not known, we use estimates, which can be updated as the computation progresses. We illustrate our approach using two numerical examples from structural engineering design.

 

۶- Conclusions

We have demonstrated that solving an auxiliary, efficient diagonalization problem to obtain a diagonalization strategy can reduce the overall computing times in stochastic nonlinear programming. In particular, this approach eliminates the need for determining algorithm parameters by means of guesswork or costly numerical experimentation. Instead, the efficient diagonalization problem determines sample sizes and numbers of iterations at each stage using estimated values of cost-to-go, rate of convergence, and sampling error. Even using Matlab, the solution of the diagonalization problem requires only seconds of computing time. Our computational experience indicates that the advantage of an efficient diagonalization approach is more substantial for larger, more complicated problems and when a high-precision solution is sought.

 

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

اندازه نمونه کارآمد در برنامه ریزی تصادفی غیرخطی

عنوان انگلیسی مقاله:

Efficient sample sizes in stochastic nonlinear programming

 

 

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد.