342 Arbeiten
Diese Arbeit stellt ein optimierungsbasiertes Regelungskonzept für das Energie- und Thermomanagement von Elektro-Rennwagen vor, das durch Echtzeit-Tuning eines Abbrems-Signals für den Fahrer eine nahezu optimale Leistung unter Einhaltung von Energiebudgets und thermischen Grenzen ermöglicht.
Diese Arbeit stellt einen neuartigen Rahmen vor, der iterative Optimierungsalgorithmen für zeitvariante Probleme als lineare parameterveränderliche Systeme modelliert und mittels Integraler Quadratischer Beschränkungen (IQCs) quantitative Fehlergrenzen ableitet, die von zusätzlichen Maßen der zeitlichen Variabilität abhängen.
Diese Arbeit untersucht die Geometrie verallgemeinerter -Support-Dualnormen, um Bedingungen für die Förderung von -sparse Lösungen zu finden und zeigt, dass jede echte Seite der Einheitskugeln dieser Normen ein Hypersimplex ist.
Die Arbeit führt die Morse-parametrische Qualifikationsbedingung für bilevel-Programme ein und untersucht darauf aufbauend zwei Gradientenverfahren: eine verzerrte, aber eigenschaftsreiche Single-Step-Multi-Step-Strategie sowie eine einfachere, aber weniger stabile differentielle Programmierstrategie.
Die Studie zeigt, dass ein Fix-and-Propagate-Heuristikansatz, der auf GPU-beschleunigten, niedriggenauen LP-Lösungen mittels PDHG basiert, für großskalige gemischt-ganzzahlige Optimierungsprobleme effizient hochwertige Lösungen liefert, während kommerzielle Solver selbst nach zwei Tagen keine machbaren Lösungen finden.
Die Autoren stellen einen Branch-and-Cut-Algorithmus vor, der Nash-Gleichgewichte in gemischt-ganzzahligen Spielen berechnet oder deren Nichtexistenz feststellt, indem er das Spiel über die Nikaido-Isoda-Funktion als bilevel-Optimierungsproblem reformuliert und durch spezifische Schnittebenenverfahren sowie endliche Terminierungsgarantien für verschiedene Szenarien löst.
Die Autoren stellen einen neuen bayesschen Ansatz vor, der die federierten ADMM-Methoden durch die Ausnutzung einer Variational-Bayes-Dualität verallgemeinert und dabei sowohl bekannte Updates als auch leistungsfähige neue Varianten wie Newton- und Adam-ähnliche Algorithmen für heterogene Deep-Learning-Szenarien hervorbringt.
Die vorgestellte Arbeit entwickelt „Fast Equivariant Imaging" (FEI), ein neuartiges unüberwachtes Lernframework, das durch die Kombination von Augmented Lagrangian und Plug-and-Play-Denoisern das Training von Bildgebungsnetzwerken ohne Ground-Truth-Daten um den Faktor 10 beschleunigt und gleichzeitig die Generalisierungsleistung verbessert.
Diese Studie stellt eine robuste Regelungsstrategie für einen Gegenstrom-Wärmetauscher vor, die auf einem bilinearen Systemmodell basiert und durch reale Experimente die Wirksamkeit sowohl eines Zustandsbeobachters als auch eines reinen Integralreglers zur Temperaturregelung nachweist.
Diese Arbeit stellt eine kontinuierliche, zeitinvariante Regelungsstrategie vor, die eine fast globale Stabilisierung auf der n-Sphäre unter starren und sternförmigen Hindernisbeschränkungen ermöglicht, indem sie den Zustand entweder entlang der Geodäte zum Ziel oder in Richtung des Antipoden eines Hindernisses lenkt.
Dieses Papier stellt eine neue Formulierung des -Means-Clustering-Problems als glatte, unbeschränkte Optimierung auf einer Untermannigfaltigkeit vor, die durch einen zweiten Ordnung Riemannschen Newton-Algorithmus mit kubischer Regularisierung effizient gelöst wird und dabei eine signifikant schnellere Konvergenz als bestehende erste-Ordnung-Methoden bei gleicher statistischer Genauigkeit erreicht.
Diese Arbeit zeigt, dass sich die implizite Verzerrung von Adam bei inkrementellem Lernen auf separierbaren Daten vom Vollbatch-Verhalten unterscheiden und zu einem -Max-Margin-Classifier führen kann, während Signum unabhängig von der Batch-Größe stets zum -Max-Margin-Classifier konvergiert.
Die Arbeit entwickelt einen Multiskalen-Optimierungsrahmen für Lipschitz-stetige Funktionen, der durch schrittweise Verfeinerung von Gittern und Warm-Start-Techniken nachweislich schnellere Konvergenz und geringere Fehlergrenzen bei deutlich reduziertem Rechenaufwand im Vergleich zu herkömmlichen Einzel-Skalen-Methoden erzielt.
Diese Arbeit stellt einen stochastischen Optimierungsalgorithmus vor, der mithilfe einer neuartigen Infinitesimal-Perturbation-Analyse (IPA) den optimalen Preis in einem Einzelschranken-Warteschlangensystem mit balkierenden Kunden allein auf Basis beobachteter effektiver Ankunftsdaten bestimmt, um den erwarteten Umsatz pro Zeiteinheit zu maximieren.
Die Autoren stellen eine neuartige, heuristische Methode zur Einheitenplanung vor, die ohne lineare Approximationen auskommt, eine drastische Leistungssteigerung gegenüber dem aktuellen Stand der Technik ermöglicht und somit die Bewältigung zukünftiger Herausforderungen in volatilen Stromnetzen mit großen Lasten und dezentraler Erzeugung erlaubt.
Die Arbeit beweist Konzentrationsgrenzen für zufällige euklidische kombinatorische Optimierungsprobleme mit -Kosten in Dimensionen , indem sie eine Poincaré-Ungleichung mit einem robusten geometrischen Mechanismus kombiniert, und formuliert zudem eine Vermutung zur Erweiterung des Konzentrationsbereichs auf alle .
Die vorgestellte Studie entwickelt ein zweistufiges stochastisches Optimierungsmodell, das die Integration von Speichern und erneuerbaren Energien in Kapazitätsmärkten ermöglicht, indem sie durch den Einsatz des stochastischen Zerlegungsalgorithmus zeitlich korrelierte Unsicherheiten in einem realistischen New-England-System mit über 300 Erzeugern effizient berücksichtigt und so eine präzise Zuverlässigkeitsbewertung bei kontrollierter statistischer Genauigkeit gewährleistet.
Die Autoren stellen einen hochparallelen, strukturwahrnehmenden Presolve-Ansatz für Pfeilkopf-Linearprogramme vor, der in den Solver PIPS-IPM++ integriert ist und in HPC-Umgebungen sowie auf einzelnen Maschinen die Leistungsfähigkeit bestehender State-of-the-Art-Methoden wie PaPILO und Gurobi erheblich übertrifft.
Die vorgestellte Arbeit entwickelt den Q-Maß-Lernansatz für Reinforcement Learning in kontinuierlichen Zustandsräumen, der durch das Lernen eines gewichteten empirischen Maßes eine effiziente, speicheroptimierte Schätzung der Aktionswertfunktion ermöglicht und deren fast sichere Konvergenz sowie Approximationsfehler unter der Annahme gleichmäßiger Ergodizität theoretisch begründet.
Die Studie zeigt, dass algebraische Umformulierungen von Zielfunktionen und die Wahl der Benchmark-Designs zu signifikanten, lokal strukturierten Abweichungen von der No-Free-Lunch-Intuition führen, was eine problemklassen- und darstellungsabhängige Algorithmenauswahl in der evolutionären Berechnung und statistischen Inferenz notwendig macht.