Non-Convex Multi-Objective Optimization: Springer Optimization and Its Applications, cartea 123

Observăm că volumul Non-Convex Multi-Objective Optimization își ancorează rigoarea matematică în aplicații industriale imediate, oferind soluții concrete pentru problema formării celulelor în ingineria de fabricație, proiectarea proceselor în ingineria chimică și managementul diagramelor de afaceri. Această componentă practică transformă teoria abstractă a optimizării în instrumente de lucru pentru ingineri și cercetători care se confruntă cu decizii dificile între obiective conflictuale.

Ne-a atras atenția structura progresivă a lucrării, care facilitează tranziția de la optimizarea cu un singur obiectiv către algoritmi complecși de tip Branch and Bound și modele bazate pe probabilități. Panos M. Pardalos, împreună cu echipa sa, abordează funcțiile obiectiv de tip „black-box”, unde evaluările sunt costisitoare, propunând metode de vizualizare a seturilor Pareto care simplifică procesul decizional. Spre deosebire de lucrarea sa anterioară, Algorithm Portfolios, care se concentra pe scheme multi-metodă generale, volumul de față este o incursiune specifică în spațiile non-convexe, unde garanția optimului global necesită tratamente matematice speciale.

Suntem de părere că această ediție este comparabilă cu Multiobjective Optimization de Yann Collette în ceea ce privește rigurozitatea, dar este actualizată pentru provocările funcțiilor Lipschitz și ale modelelor statistice moderne. În timp ce Deterministic Global Optimization de Daniel Scholz se concentrează pe convergența geometrică, lucrarea de față extinde analiza către algoritmi worst-case optimal și abordări probabilistice, oferind o perspectivă mai largă asupra incertitudinii în optimizarea multi-criterială. Textul este auto-conținut, integrând definițiile necesare înainte de a trece la demonstrațiile teoretice și vizualizările complexe din capitolele finale.