دانلود ترجمه مقاله بهینه سازی فرهنگ ها – نشریه SSRN

مشخصات مقاله انگلیسی (PDF)
سال انتشار	۲۰۱۴
تعداد صفحات مقاله انگلیسی	۶ صفحه با فرمت pdf
تعداد صفحات ترجمه تایپ شده	۱۳ صفحه با فرمت word
رشته های مرتبط با این مقاله	اقتصاد و مهندسی کامپیوتر
دانشگاه	دانشگاه ژنو، گروه اقتصاد، موسسه مالی سوئیس
کلمات کلیدی	بهینه سازی عددی، فن آوری هوشمند، الگوریتمها
رفرنس	دارد
لینک مقاله در سایت مرجع	لینک این مقاله در سایت SSRN
نشریه SSRN

بخشی از ترجمه:

چکیده
روش های کلاسیک، که نیاز به بهره برداری و عملکردهای خاص از تابع هدف و محدودیت ها، و ابتکارات دارند ، روش های بهینه سازی محاسباتی را به طور گسترده ، به دو گروه دسته بندی می کنند . اگر تحمیل محدودیت در مدل ها، به نرخ محاسباتی مربوط شود، روش دوم تعداد معدودی از توابع را به همراه خواهد داشت . اما به دلیل رشد ظرفیت محاسبه در دهه های گذشته، این روش در حال حاضر ابزار کاملا عملی برای استفاده روزمره می باشد . با این وجود ، به جای تحقیق در مورد مزایای استفاده از فن آوری هوشمند، کاربران هنوز هم به روش کلاسیک عمل می کنند . موضوع بحث در مورد دلیل عدم پذیرش فن آوری هوشمند بوده و استدلال می کند که انتخاب روش عددی، بهینه سازی شده است. به همان اندازه با فرهنگ کاربر محور – زمینه کار و زمینه های آموزشی – به عنوان کیفیت برتر پذیرفته می شود . به طور خاص، ما استدلال می کنیم که بسیاری از کاستی ها می تواند اعتبارات لازم را برای بهینه سازی به عنوان یک مدل ریاضی، نظم و انضباط دقیق فراهم آورد . در عوض، آنها باید ابزار محاسباتی را به صورت عملی به کار گیرند.
١. مقدمه
ما فکر می کنیم که در بازار جهانی حدود پنج کامپیوتر وجود دارد. بنابراین به گفته، توماس واتسون، رئیس آی بی ام، که در سال ١٩۴٣ این موارد ارائه شد . این گفته ها تا ١٠ سال بعد ، تا سال ١٩۵٣، قبل از تحویل اولین کامپیوتر الکترونیکی IBMمورد قبول بود . با وجود داستان ها و نقل قول های فراوان ، مردم پیش بینی هایی را در مورد محاسبات فن آوری داشته اند که با اشتباهات چشمگیری روبرو بوده است . این موارد عادلانه بوده و واتسون احتمالا هرگز بیانیه ای ارائه نکرده است .

بخشی از مقاله انگلیسی:

Abstract

Computational optimization methods can broadly be classied into two groups: classical methods, which require and exploit specic functional forms of objective function and constraints, and heuristics. Those latter methods impose few, if any, restrictions on models, at the price of being more computationally demanding. But because of the growth of computing capacity over the last decades, those methods are now perfectly-practical tools for everyday use. Yet, instead of realizing the advantages of heuristics, users still cling to classical methods. We discuss the reasons for this non-acceptance of heuristics, and argue that the choice of numerical-optimization techniques is as much driven by the culture of the user – eld of work and educational background – as by the quality of the method. In particular, we argue that many of the alleged shortcomings of heuristics could be overcome if researchers stopped treating optimization as a mathematical, exact discipline; instead, they should consider it a practical/computational tool.

۱ Introduction

“I think there is a world market for about ve computers.” So said, allegedly, Thomas J. Watson, then chairman of ibm, in 1943. It would take another ten years, until 1953, before ibm delivered its first electronic computer, the 701.

Stories and quotations like that abound: people making predictions about computing technology that turn out to be spectacularly wrong.1 To be fair, Watson probably never made that statement; most of such infamous forecasts are more likely made up or taken out of context.

دانلود رایگان مقاله انگلیسی  

       خرید ترجمه فارسی مقاله