Értékelés:
Jelenleg nincsenek olvasói vélemények. Az értékelés 2 olvasói szavazat alapján történt.
A Modern Approach to Teaching an Introduction to Optimization
Az optimalizálásnak a lehető legjobb döntések meghozatalának tudományát kell jelentenie. A döntéshozatal gyakorlatilag univerzális emberi tevékenység, amellyel a szakemberek (bármely területen) vagy az emberek a mindennapi életben találkoznak. Azt gondolnánk tehát, hogy a jó döntések meghozatalának tanulmányozása olyan tantárgy, amelyet széles körben kellene tanítani a hallgatóknak a mérnöki tudományok, a fizikai és társadalomtudományok, az üzleti élet és a politika területén. Mégis, manapság az „optimalizálást” széles körben matematikailag kifinomult tárgyként tanítják, és gyakran csak a speciális szakterületek végzős hallgatóira korlátozódik.
Az operációkutatásban (vagy az ipari mérnöki tudományokban) az „optimalizálás” a determinisztikus matematikai programozással egyenértékű, a lineáris programokkal (és a szimplex algoritmussal) kezdve, majd az egész számú lineáris programokon és a nemlineáris programokon átmenve. Ha olyan tanszékeken, mint az elektrotechnika vagy a gépészet, az optimalizálás az optimális vezérlés tanítását jelenti. Ha pedig az informatikában van, az optimalizálás ma a gépi tanulás (például modellek adatokhoz való illesztése) vagy a megerősítéses tanulás kontextusában értelmezhető.
Ez a könyv azt állítja, hogy az optimalizálás hagyományos tanítási stílusa téves és elavult. Először is, bár a szimplex algoritmus hatékony stratégia a lineáris programok megoldására, a szimplex algoritmus részletei teljesen alkalmatlanok egy bevezető optimalizálási kurzuson. Másodszor, bár a lineáris programok sok probléma megoldására alkalmasak, a döntéseknek csak egy apró töredékére alkalmazhatók. Harmadszor, a lineáris programok (az egész és nemlineáris programokkal együtt) statikus modellek a (jellemzően) vektorértékű döntéseket tartalmazó problémákra. Ezzel szemben a legtöbb döntés szekvenciális, mivel az idő múlásával, az új információk beérkezésekor periodikusan hozzuk meg őket. Ráadásul e döntések túlnyomó többsége skaláris (esetleg folytonos vagy diszkrét).
Ez a könyv olyan oktatóknak (vagy potenciális oktatóknak) készült, akik a lehető legszélesebb közönségnek szeretnék bemutatni a jó döntések tudományát. Mindazok számára is érdekes lehet, akiknek már volt hagyományos kurzusuk bármilyen típusú optimalizálásból. Az előadás egy sor olyan téma köré szerveződik, amelyek az „optimalizálás” tanításának alapvetően eltérő megközelítését javasolják, átfogva mind a szekvenciális döntési problémákat (amelyek a legegyszerűbb problémaköröket kínálják), mielőtt áttérnénk a bonyolultabb vektorértékű döntésekre. Arra is rámutat, hogy a legtöbb probléma, amelyet lineáris (vagy egészértékű, vagy nemlineáris programként modelleznek), valójában szekvenciális környezetben történő döntéshozatalra szolgáló módszerek. Emiatt ezeket a témákat a hagyományosan használtnál jóval kisebb hangsúlyt fektetve az algoritmusokra vezetjük be, mind statikus, mind szekvenciális környezetben.
