Librería: GreatBookPrices, Columbia, MD, Estados Unidos de America
EUR 58,81
Cantidad disponible: Más de 20 disponibles
Añadir al carritoCondición: New.
Librería: GreatBookPrices, Columbia, MD, Estados Unidos de America
EUR 61,34
Cantidad disponible: Más de 20 disponibles
Añadir al carritoCondición: As New. Unread book in perfect condition.
Librería: Ria Christie Collections, Uxbridge, Reino Unido
EUR 56,84
Cantidad disponible: Más de 20 disponibles
Añadir al carritoCondición: New. In.
Librería: GreatBookPricesUK, Woodford Green, Reino Unido
EUR 56,83
Cantidad disponible: Más de 20 disponibles
Añadir al carritoCondición: New.
Librería: GreatBookPricesUK, Woodford Green, Reino Unido
EUR 64,58
Cantidad disponible: Más de 20 disponibles
Añadir al carritoCondición: As New. Unread book in perfect condition.
Librería: PBShop.store US, Wood Dale, IL, Estados Unidos de America
EUR 61,20
Cantidad disponible: Más de 20 disponibles
Añadir al carritoPAP. Condición: New. New Book. Shipped from UK. THIS BOOK IS PRINTED ON DEMAND. Established seller since 2000.
Librería: PBShop.store UK, Fairford, GLOS, Reino Unido
EUR 59,26
Cantidad disponible: Más de 20 disponibles
Añadir al carritoPAP. Condición: New. New Book. Delivered from our UK warehouse in 4 to 14 business days. THIS BOOK IS PRINTED ON DEMAND. Established seller since 2000.
Librería: moluna, Greven, Alemania
EUR 46,32
Cantidad disponible: Más de 20 disponibles
Añadir al carritoKartoniert / Broschiert. Condición: New. Dieser Artikel ist ein Print on Demand Artikel und wird nach Ihrer Bestellung fuer Sie gedruckt. Autor/Autorin: Wan XiaotaoXiaotao Wan, Ph.D: Studied Chemical Engineering at TsinghuanUniversity and Purdue University with Focus on Supply ChainnOptimization in Postgraduate Study. Supply Chain Consultant atnBayer Technology & Engineering (Shangha.
Librería: AHA-BUCH GmbH, Einbeck, Alemania
EUR 59,71
Cantidad disponible: 2 disponibles
Añadir al carritoTaschenbuch. Condición: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - Stochastic optimization is vital to making soundengineering and business decisions under uncertainty.While the limited capability of handling complexdomain structures and random variables rendersanalytic methods helpless in many circumstances,stochastic optimization based on simulation is widelyapplicable. This work extends the traditionalresponse surface methodology into a surrogate modelframework to address high dimensional stochasticproblems. The framework integrates Latin hypercubesampling (LHS), domain reduction techniques, leastsquare support vector machine (LSSVM) and design &analysis of computer experiment (DACE) to buildsurrogate models that effectively captures domainstructures. In comparison with existing simulationbased optimization methods, the proposed frameworkleads to better solutions especially for problemswith high dimensions and high uncertainty. Thesurrogate model framework also demonstrates thecapability of addressing the curse-of-dimensionalityin stochastic dynamic risk optimization problems,where several important modification of the classicalBellman equation for stochastic dynamic problems(SDP) is also proposed.