338 Arbeiten
Die vorgestellte Arbeit entwickelt einen hybriden Heuristik-Verstärkungslern-Ansatz (HHRL), der Q-Learning mit heuristischen Methoden kombiniert, um die komplexe Optimierung von Rangiervorgängen in Güterbahnhöfen mit ein- und zweiseitigem Gleiszugang sowie mehreren Lokomotiven effizient zu lösen.
Die Arbeit untersucht verteilungsrobuste Standard-quadratische Optimierungsprobleme unter Verwendung der Wasserstein-Distanz, zeigt deren Äquivalenz zu modifizierten deterministischen Instanzen auf und liefert Garantien für die Out-of-Sample-Leistung.
Der Artikel etabliert die Existenz von Gleichgewichten für eine Klasse nicht-Markovscher Mean-Field-Spiele mit unbeschränktem Kontrollraum in schwacher Formulierung, indem er neue Existenz- und Stabilitätsergebnisse für McKean-Vlasov-Rückwärtsstochastische Differentialgleichungen mit quadratischem Wachstum nutzt, ohne dabei Beschränkungen an die Modellparameter oder den Zeithorizont zu stellen.
Diese Arbeit stellt einen neuen lock-freien Work-Stealing-Algorithmus vor, der speziell für Master-Worker-Frameworks in der gemischt-ganzzahligen Optimierung entwickelt wurde und durch native Stapeloperationen sowie eine auf einen Besitzer und einen Dieb beschränkte Konkurrenzkonfiguration eine konstante Latenz bei Push-Operationen und eine signifikant bessere Skalierbarkeit im Vergleich zu bestehenden Lösungen wie C++ Taskflow bietet.
Dieses Papier stellt eine neuartige Formulierung der Frequenzganganalyse für nichtlineare Systeme im Rahmen des Koopman-Operators vor, die durch die Laplace-Transformation des Ausgangssignals und die Resolvententheorie begründet wird und die Darstellung von Bode-Diagrammen ermöglicht.
Dieser Artikel stellt einen nichtlinearen konjugierten Gradienten-Algorithmus mit Wolfe-Liniensuche zur Lösung unconstraineder multiobjektiver Intervall-Optimierungsprobleme vor, für den die globale Konvergenz unter Verwendung der Zoutendijk-Bedingung sowie für verschiedene Parametervarianten (Fletcher-Reeves, Conjugate Descent, Dai-Yuan und modifizierter Dai-Yuan) bewiesen und durch numerische Tests validiert wird.
Diese Arbeit entwickelt einen Bayes'schen Rahmen für die lineare Optimierung unter Unsicherheit, der gelernte Daten in posteriori-Feasibility-Garantien integriert und durch robuste Methoden sowie Szenario-Ansätze datenbasierte, interpretierbare Entscheidungen mit expliziten Unsicherheitsdiagnosen ermöglicht.
Dieser Artikel stellt eine Newton-basierte Methode zur Lösung von Multiobjective-Optimierungsproblemen mit intervallwertigen Abbildungen vor, die eine Konvergenz zu Pareto-kritischen Punkten garantiert und durch numerische Experimente sowie eine Anwendung im Portfolio-Management mit Intervallunsicherheit validiert wird.
Diese Arbeit entwickelt ein hierarchisches bayessches dynamisches Spiel für wettbewerbsfähige Lagerhaltung und Preisgestaltung unter unvollständiger Information, das durch einen glaubwürdigen Risiko-Kriterium eine konservative Gleichgewichtslösung ermöglicht, die Lernen, Wettbewerb und Anpassung simultan vereint.
Die Arbeit entwickelt einen Policy-Iteration-Algorithmus für entropie-regulierte zeitinkonsistente stochastische Kontrollprobleme, der unter Verwendung einer gekoppelten nicht-lokaler partieller Differentialgleichungen (EEHJB) die exponentielle Konvergenz zu einem Gleichgewichtspolicy nachweist und gleichzeitig die globale Existenz und Eindeutigkeit einer klassischen Lösung der EEHJB-Gleichung konstruktiv beweist.
Dieses Papier entwickelt robuste obere und untere Schranken für funktionale der Lebensdauer unter Berücksichtigung von Lebenstabellenbeschränkungen, um die Unsicherheit bei der Bewertung von Lebensversicherungsverträgen infolge fehlender Informationen über die Sterblichkeit zwischen ganzen Altersstufen zu quantifizieren.
Diese Arbeit leitet für McKean-Vlasov-stochastische partielle Differentialgleichungen mit nichtkonvexen Kontrollmengen ein stochastisches Maximumprinzip vom Pontryagin-Typ her, das auf der Spike-Variationsmethode und adjungierten rückwärts gerichteten stochastischen partiellen Differentialgleichungen mit Lions-Ableitungen bezüglich Wahrscheinlichkeitsmaßen basiert.
Die Arbeit zeigt, dass die Gradientenfluss-Dynamik in Softmax-basierten Modellen, die als Kernbaustein von Self-Attention dienen, die Optimierung universell zu Lösungen mit niedriger Entropie treibt und damit Phänomene wie Attention Sinks und massive Aktivierungen theoretisch erklärt.
Die vorgestellte Arbeit führt eine Variante des linienbasierten Dial-a-Ride-Problems ohne Zeitfenster ein, entwickelt einen Branch-and-Price-Algorithmus zur Generierung profitabler Haltestellenmuster sowie eine effiziente Heuristik für die Root-Knoten-Lösung, die bei großen Instanzen schnell hochwertige Ergebnisse liefert.
Dieses Papier interpretiert die Suche nach NP-Zeugnissen als informations-theoretischen Prozess und zeigt im „psocid"-Modell, dass bei strukturlosen, gleichverteilten Prioritäten und nur durch Gleichheitsabfragen begrenzte Informationsgewinnung eine zuverlässige Wiederherstellung des Zeugnisses aufgrund einer fundamentalen Diskrepanz zwischen benötigten und erzielbaren Informationen unmöglich ist, was die exponentielle Komplexität der Suche auf eine informationstheoretische Ursache zurückführt.
Die Arbeit stellt ALFCG vor, das erste adaptive, projektionsfreie Framework für stochastische nichtkonvexe Optimierung, das ohne globale Lipschitz-Konstanten oder Linien-Suche auskommt und durch die Nutzung historischer Iterationsunterschiede zur Schätzung lokaler Glattheit sowie durch Varianzreduktion optimale Konvergenzraten erreicht.
Die Arbeit stellt eine optimierungsbasierte Formulierung des Red Light Green Light-Algorithmus zur Berechnung stationärer Verteilungen großer Markov-Ketten vor, die durch Minimierung der Dirichlet-Energie mittels Koordinatenabstieg das Konvergenzverhalten erklärt, exponentielle Konvergenz für eine bestimmte Klasse von Ketten nachweist und praktische Scheduling-Strategien zur Beschleunigung vorschlägt.
Diese Arbeit zeigt, dass für impulsiv erweiterbare steuerlineare Systeme eine auf iterierten Lie-Klammern basierende höhere Ordnung-Normalität ausreicht, um eine Infimumslücke zu verhindern, wenn die Stabilität bezüglich der -Topologie der Steuerungen und nicht der üblichen -Topologie der Trajektorien betrachtet wird.
Die Arbeit beweist, dass die bekannte Schrittweitenobergrenze von für Popovs-Algorithmus bei eingeschränkten (pseudo-)monotonen Variationsungleichungen scharf ist, während sie im unbeschränkten Fall auf erweitert werden kann, wobei die Konvergenzanalyse mittels einer neuen Lyapunov-Funktion erfolgt.
Diese Arbeit stellt zwei erste-Ordnung-Optimierungsmethoden vor, die auf projektionsbasiertem Gradientenabstieg beruhen und deren Häufungspunkte Bouligand-stationäre Punkte für die Minimierung differenzierbarer Funktionen auf algebraischen Varietäten von Matrizen mit beschränktem Rang erreichen.