آشنایی با موضوع

بهینه سازی محدب(به انگلیسی: Convex optimization) به یافتن مقدار حداقل یک تابع محدب (یا حداکثر یک تابع مقعر) از بین مجموعه‌ای محدب گفته می‌شود. مهمترین مزیت این نوع مسائل بهینه‌سازی در این است که هر نقطهٔ بهینهٔ محلی یک نقطه بهینهٔ سراسری نیز است و هر الگوریتم بهینه‌سازی که یک نقطه بهینهٔ محلی را یافت در حقیقت یک نقطه بهینهٔ سراسری را یافته‌است. در بهینه سازی محدب هدف پیدا کردن مقدار بهینه یک تابع ( min یا max ( بر روی دامنه ای خاص است. در بهینه سازی محدب هم شرطی بر روی تابع قرار داده می شود و هم این تابع رفتار خوبی نشان می دهد(برای مثل این تابع یک تابع درجه 2 بود که یک مقدارmin یا max دارد). روش های زیادی برای حل کردن این مسائل وجود دارد و حالت خاص این مساله برنامه ریزی خطی است که در آن تابع مورد نظر برای min یا max شدن یک تابع خطی می باشد. بهینه‌سازی محدب مربوط به مسایل بهینه‌سازی غیرخطی است که توابع هدف و همینطور قیود مساله محدب هستند. اکنون کلاس وسیعی از این مسایل که کاربردهای مهندسی دارند قابل حل می‌باشند. در برخی مسایل، معمولا مشکل در تشخیص تحدب است. بعلاوه برخی از مسایل غیر محدب مانند بهینه‌سازی ترکیبی، نیز از طریق تقریب به مسایل محدب قابل حل می‌باشند.
در این صفحه تعداد 465 مقاله تخصصی درباره بهینه سازی محدب که در نشریه های معتبر علمی و پایگاه ساینس دایرکت (Science Direct) منتشر شده، نمایش داده شده است. برخی از این مقالات، پیش تر به زبان فارسی ترجمه شده اند که با مراجعه به هر یک از آنها، می توانید متن کامل مقاله انگلیسی همراه با ترجمه فارسی آن را دریافت فرمایید.
در صورتی که مقاله مورد نظر شما هنوز به فارسی ترجمه نشده باشد، مترجمان با تجربه ما آمادگی دارند آن را در اسرع وقت برای شما ترجمه نمایند.
مقالات ISI بهینه سازی محدب (ترجمه نشده)
مقالات زیر هنوز به فارسی ترجمه نشده اند.
در صورتی که به ترجمه آماده هر یک از مقالات زیر نیاز داشته باشید، می توانید سفارش دهید تا مترجمان با تجربه این مجموعه در اسرع وقت آن را برای شما ترجمه نمایند.
Elsevier - ScienceDirect - الزویر - ساینس دایرکت
Keywords: بهینه سازی محدب; Empirical Mode Decomposition (EMD); Intrinsic mode functions (IMF); Trend-fluctuation; Convex optimization; Proximal algorithms; ℓp-norm;
Elsevier - ScienceDirect - الزویر - ساینس دایرکت
Keywords: بهینه سازی محدب; Compressed sensing (CS); Convex optimization; Basis pursuit denoising (BPDN); Truncated conjugate gradient method; Sparse reconstruction; KKT conditions