338 artículos
Este artículo presenta un marco híbrido novedoso que combina heurísticas específicas del ferrocarril con aprendizaje por refuerzo (Q-learning) para optimizar eficientemente la clasificación de vagones en patios ferroviarios, abordando tanto configuraciones de acceso unilateral como bilateral mediante la descomposición del problema y la reducción del espacio de estados.
Este artículo presenta un enfoque de optimización cuadrática estándar robusta distribucionalmente bajo incertidumbre de datos, demostrando la equivalencia del problema con una instancia determinista modificada bajo la distancia de Wasserstein y validando el método mediante garantías de rendimiento fuera de la muestra y experimentos.
El artículo establece la existencia de equilibrios para una clase de juegos de campo medio no markovianos con controles no acotados mediante una formulación débil, basándose en nuevos resultados de existencia y estabilidad para ecuaciones diferenciales estocásticas hacia atrás de McKean-Vlasov de crecimiento cuadrático que eliminan las restricciones de acotación en los parámetros del modelo y el horizonte temporal.
Este artículo presenta una nueva cola de robo de trabajo sin bloqueos optimizada para un marco maestro-trabajador en la resolución de programación entera mixta mediante diagramas de decisión, que ofrece operaciones por lotes nativas y un rendimiento de latencia constante superior al de las implementaciones existentes como Taskflow.
Este artículo propone una nueva formulación de la respuesta en frecuencia para sistemas no lineales dentro del marco del operador de Koopman, generalizando el enfoque clásico de plantas LTI mediante la transformada de Laplace y la teoría de resolventes para permitir el análisis de ganancia y fase mediante diagramas de Bode.
Este artículo propone un algoritmo de gradiente conjugado no lineal con búsqueda de línea de Wolfe para encontrar puntos críticos de Pareto en problemas de optimización multiobjetivo sin restricciones con mapas de valores intervalares, demostrando su convergencia global para varios parámetros y validándolo mediante pruebas numéricas.
Este artículo presenta un marco bayesiano para la programación lineal que integra la incertidumbre aprendida de los datos mediante garantías de factibilidad posterior, ofreciendo estrategias computacionales y procedimientos de certificación que mejoran la seguridad y la interpretabilidad de las decisiones en comparación con los enfoques tradicionales.
Este artículo propone un método basado en Newton para resolver problemas de optimización multiobjetivo con mapas de valores intervalares, estableciendo la relación entre puntos óptimos de Pareto débiles y críticos, y demostrando la convergencia del algoritmo propuesto mediante experimentos numéricos y su aplicación en optimización de carteras con incertidumbre intervalar.
Este artículo presenta un juego dinámico bayesiano jerárquico para la gestión competitiva de inventarios y precios bajo información incompleta, que integra el aprendizaje sobre la demanda y las características del rival con un criterio de riesgo creíble para lograr un equilibrio conservador robusto ante la incertidumbre.
El artículo presenta un algoritmo de iteración de políticas que garantiza la convergencia exponencial a una política de equilibrio regularizada para problemas de control estocástico con inconsistencia temporal, resolviendo un sistema de ecuaciones de Hamilton-Jacobi-Bellman exploratorias no locales y demostrando la existencia y unicidad global de su solución clásica.
El artículo presenta un marco robusto para la gestión del riesgo de mortalidad en seguros de vida que deriva cotas superiores e inferiores para funcionales de la duración de la vida, permitiendo calcular los valores de contratos en los escenarios peor y mejor caso compatibles con las tablas de vida observadas, tanto bajo trayectorias de mortalidad estrictamente consistentes como bajo una formulación relajada que permite desviaciones esperadas.
Este artículo establece un principio de máximo estocástico de tipo Pontryagin para problemas de control óptimo de ecuaciones diferenciales estocásticas parciales de McKean-Vlasov con conjuntos de control no convexos, utilizando variaciones puntuales y una ecuación diferencial estocástica parcial hacia atrás adjunta que incorpora derivadas de Lions respecto a medidas de probabilidad.
Este artículo demuestra que el flujo de gradiente en modelos de softmax con valores inherentemente impulsa la optimización hacia soluciones de baja entropía, ofreciendo un mecanismo teórico para explicar fenómenos empíricos en transformadores como los sumideros de atención y las activaciones masivas.
Este artículo presenta un nuevo enfoque basado en patrones de parada para resolver el problema de transporte tipo dial-a-ride en líneas sin ventanas de tiempo, mediante una formulación MILP y un algoritmo de branch-and-price que, junto con una heurística en el nodo raíz, ofrece soluciones de alta calidad y escalables para instancias grandes en tiempos reducidos.
Este artículo reinterpreta la búsqueda de testigos en NP desde una perspectiva de teoría de la información, demostrando que en un modelo de sondeo de igualdad sin estructura, la acumulación de información es insuficiente para la recuperación fiable, lo que revela un origen informacional fundamental para la complejidad exponencial de la búsqueda.
Este trabajo presenta ALFCG, el primer marco de gradiente condicional adaptativo y libre de proyecciones para la minimización estocástica no convexa que estima la suavidad local sin requerir constantes globales ni búsqueda de línea, logrando tasas de convergencia óptimas y superando a los métodos actuales en experimentos de clasificación multiclase.
El artículo presenta una formulación basada en optimización del algoritmo "Red Light Green Light" para calcular distribuciones estacionarias de cadenas de Markov grandes, lo que clarifica su comportamiento, establece una convergencia exponencial para ciertas cadenas y sugiere estrategias de programación para acelerar la convergencia.
Este artículo establece que una noción de normalidad de orden superior, basada en corchetes de Lie iterados, es suficiente para garantizar la ausencia de brecha de infimum en extensiones impulsivas de sistemas afines al control bajo una topología local definida por la distancia entre controles, superando limitaciones de enfoques previos basados en la topología .
Este artículo demuestra que el límite superior del paso de para el algoritmo de Popov es óptimo en el caso restringido, mientras que para el caso no restringido se puede ampliar a , estableciendo la optimalidad de ambos límites mediante un nuevo análisis de función tipo Lyapunov para desigualdades variacionales monótonas generalizadas.
Este artículo propone dos métodos de primer orden basados en la descenso de gradiente proyectado que garantizan que sus puntos de acumulación sean estacionarios de Bouligand para la optimización de funciones diferenciables sobre variedades de matrices de rango limitado, destacando por su diseño eficiente, bajo costo computacional y sólidas propiedades de convergencia teórica.