315 Arbeiten
Dieser Beitrag analysiert die Lösbarkeit von beobachtern auf Parameterabschätzungsbasis für nichtlineare Systeme, indem er die beiden grundlegenden Voraussetzungen Transformierbarkeit und Identifizierbarkeit detailliert untersucht und hinreichende Bedingungen für deren Gültigkeit bereitstellt.
Die Arbeit stellt den verteilten adaptiven Polyak-Schrittweiten-Algorithmus mit Level-Wert-Anpassung (DPS-LA) vor, der die Abhängigkeit von globalen Optimalwerten beseitigt, indem jeder Agent nur ein effizientes lineares Zulässigkeitsproblem löst, und dabei sowohl Netzwerkkonsens als auch eine lineare Beschleunigung der Konvergenzrate garantiert.
Diese Arbeit untersucht sequenzielle Entscheidungsprobleme in einem zweistufigen Warteschlangensystem, das CVS-MinuteClinics nachbildet, und entwickelt robuste Heuristiken für Telemedizin-Kontrollpolitiken, die Nurse Practitionern eine nahezu optimale Balance zwischen Behandlungsqualität und Wartezeiten ermöglichen.
Dieses Paper stellt eine effiziente, geschlossene Lösung für das robuste adaptive Beamforming vor, die durch drei Stufen (Diagonalisierung, Phasenausrichtung und KKT-Lösung) sowohl den Rang-defizienten Fall abdeckt als auch die Existenz- und Eindeutigkeitsbedingungen aufdeckt und dabei Rechenzeit im Vergleich zu bestehenden Methoden wie MOSEK und RMVB reduziert.
Diese Studie demonstriert die erfolgreiche Implementierung eines Dual-Active-Set-Lösers (DAQP) auf einem Crazyflie 2.1 Nano-Quadcopter, der bei 500 Hz auf einem STM32F405-Mikrocontroller schneller als ein ADMM-basierter Solver (TinyMPC) arbeitet und durch eine datengetriebene PCA-Methode eine vorflugzeitliche Echtzeit-Zertifizierung ermöglicht.
Die Arbeit stellt SHANG++ vor, eine robuste, beschleunigte stochastische Gradientenabstiegsmethode mit Dämpfungskorrektur, die unter multiplikativen Rauschbedingungen eine überlegene Konvergenz und Stabilität im Vergleich zu bestehenden Methoden bietet.
Diese Arbeit entwickelt eine Methode zur Berechnung von -Verstärkungsschranken für Lur'e-Systeme über beschränkte Frequenz- und Amplitudenbereiche mittels Scaled Relative Graphs, wodurch eine dreidimensionale, nichtlineare Verallgemeinerung des Bode-Diagramms entsteht, das die Verstärkung in Abhängigkeit von Frequenz und Energie darstellt.
Dieser Beitrag entwickelt einen kategorischen Rahmen für Optimierungsprobleme, um klassische Resultate der konvexen Dualität, wie Minimax-Sätze und die Involution der Legendre-Transformation, neu herzuleiten.
Dieses Paper stellt einen stochastischen ADMM-Algorithmus für nichtglatte zusammengesetzte konvexe Optimierungsprobleme in Hilbert-Räumen vor, der starke Konvergenz sowie schnellere nicht-ergodische Konvergenzraten nachweist und insbesondere zur Lösung von PDE-basierten Optimierungsproblemen mit zufälligen Koeffizienten eingesetzt werden kann.
Diese Arbeit führt mollifizierte Christoffel-Darboux-Kerne auf algebraischen Varietäten ein, um durch eine systematische Regularisierung eine verbesserte Trennung von Träger und Komplement zu erreichen und eine konsistente, quantitativ kontrollierte Dichtewiederherstellung aus Momentendaten ohne Kenntnis des Gleichgewichtsmasses zu ermöglichen.
Dieses Paper stellt ein erweitertes robustes Optimierungsmodell für das Kraftwerkseinsatzproblem vor, das die Unterdrückung erneuerbarer Energien berücksichtigt und durch die Minimierung des Gini-Index eine faire Verteilung der Einspeisung unter Photovoltaikanlagen sicherstellt.
Diese Arbeit stellt ein ganzzahliges lineares Optimierungsmodell zur formalen Beschreibung des Logikrätsels Evolomino vor, das zur Generierung eindeutiger Rätselinstanzen genutzt wird und durch Experimente zeigt, dass ein moderner CP-SAT-Löser bis zu 18×18 große Gitter effizient bewältigen kann.
Diese Studie untersucht ein linear-quadratisches Dirichlet-Steuerungsproblem, das durch eine nicht-koerzive elliptische Gleichung auf einem möglicherweise nicht-konvexen Polygonalgebiet gesteuert wird, und analysiert die Regularität der Lösungen in gewichteten Sobolev-Räumen sowie die optimale Konvergenzrate der Finite-Elemente-Diskretisierung unter Verwendung von Energie-Regularisierung, gestaffelten Gittern und einer diskreten Projektion im Sinne von .
Die Arbeit stellt ein vereinheitlichendes primal-duales Proximal-Framework (UPP) für verteilte nichtkonvexe Optimierung vor, das bestehende Methoden integriert, sublineare Konvergenzgarantien für stationäre Lösungen sowie lineare Konvergenz unter der Polyak-Łojasiewicz-Bedingung beweist und durch Chebyshev-Beschleunigung eine optimale Kommunikationskomplexität erreicht.
Diese Arbeit stellt ein optimierungsbasiertes, adjungiertes Systemidentifikationsverfahren vor, das mithilfe von Verschiebungs- und Temperaturmessungen in einem einseitig thermo-mechanisch gekoppelten System sowohl die Lokalisierung struktureller Schwächen als auch die Rekonstruktion des Temperaturfeldes ermöglicht und dabei insbesondere bei unzureichend abgetasteten thermischen Merkmalen deutlich bessere Ergebnisse liefert als herkömmliche Annahmen konstanter Temperaturen oder einfache Interpolationen.
Diese Arbeit stellt einen neuartigen ADMM-basierten Bilevel-Descent-Aggregation-Algorithmus vor, der ohne die einschränkende Annahme einer eindeutigen unteren Ebene auskommt und durch eine globale Konvergenzanalyse sowie experimentelle Ergebnisse eine überlegene Leistung bei der Auswahl von Hyperparametern für sparse Optimierungsprobleme nachweist.
Diese Arbeit stellt einen optimalen Steuerungsansatz für das Transformer-Training vor, der die Architektur als gesteuertes Partikelsystem modelliert, um über einen gehobenen Markov-Entscheidungsprozess globale Optimalität und Robustheit ohne Gradientenabstieg zu gewährleisten.
Diese Arbeit verfeinert die bekannten Dimensionsgrenzen für maximale Flächen des Kegels vollständig positiver Matrizen, indem sie für ungerade Dimensionen die exakte untere Schranke beweist und für gerade Dimensionen eine neue obere Schranke zwischen und herleitet.
Diese Arbeit bietet eine Übersicht über verschiedene Mittelungsverfahren in stochastischen Gradientenmethoden, beleuchtet deren theoretische Grundlagen und moderne Entwicklungen im maschinellen Lernen und fasst aktuelle Erkenntnisse sowie offene Forschungsfragen zusammen.
Die Studie analysiert ein Nash-Gleichgewicht im Wettbewerb zwischen dezentralen Börsen (DEXs) mit dynamischen Gebühren, bei dem sich die Gebührenstrategien durch ein gekoppeltes System partieller Differentialgleichungen beschreiben lassen und zeigen, dass ein Anstieg der Wettbewerber die Ausführungs-Slippage für strategische Marktteilnehmer senkt, während die Auswirkungen auf Noise-Trader von der Marktaktivität abhängen.