342 artículos
Este artículo presenta un sistema de gestión energética y térmica para coches de carreras eléctricos que ajusta en tiempo real la señal de reducción de aceleración del conductor mediante un algoritmo de optimización y retroalimentación, logrando un rendimiento casi óptimo con una penalización de tiempo de menos del 0,22 % frente a soluciones offline.
Este artículo propone un marco de análisis basado en sistemas lineales de parámetros variables y restricciones cuadráticas integrales para establecer cotas cuantitativas sobre el error de seguimiento en algoritmos de optimización de primer orden aplicados a problemas convexos con restricciones y objetivos que varían en el tiempo.
Este artículo estudia las propiedades geométricas de las normas duales de soporte- generalizadas, demostrando bajo qué condiciones promueven soluciones -escasas y revelando que todas sus caras propias son hipersimples cuando la norma fuente pertenece a la familia de las normas .
Este artículo introduce la condición de calificación paramétrica de Morse para la programación bilevel, demostrando que las funciones semialgebraicas genéricas la satisfacen y analizando dos estrategias de algoritmos de gradiente: una de paso único-múltiple con propiedades ricas y otra de programación diferenciable inspirada en el meta-aprendizaje que, aunque menos estable, ofrece simplicidad e implementación fácil.
Este artículo presenta un marco heurístico de fijación y propagación que utiliza soluciones de baja precisión de métodos de primer orden acelerados por GPU para resolver problemas de optimización lineal entera mixta a gran escala, logrando soluciones de alta calidad en tiempos significativamente menores que los de los solucionadores comerciales actuales.
Este artículo presenta un algoritmo de ramificación y corte para resolver problemas de equilibrio de Nash con variables mixtas enteras, reformulando el juego como un problema de nivel doble y utilizando técnicas de optimización para garantizar la terminación finita y el cálculo de equilibrios o la decisión de su no existencia.
Este trabajo propone un nuevo enfoque bayesiano que generaliza el método federado ADMM mediante una estructura de dualidad en objetivos variacionales, permitiendo recuperar actualizaciones tipo ADMM para distribuciones gaussianas isotrópicas y obtener variantes novedosas (como Newton y Adam) que mejoran la convergencia y la precisión en escenarios heterogéneos.
Este trabajo presenta Fast Equivariant Imaging (FEI), un marco de aprendizaje no supervisado que acelera significativamente el entrenamiento de redes de imagen profunda sin datos reales mediante la reformulación del problema de optimización con multiplicadores de Lagrange y desnoisadores PnP, logrando una velocidad 10 veces superior y mejor rendimiento en tareas como la reconstrucción de CT y la restauración de imágenes.
Este estudio propone y valida experimentalmente una estrategia de control robusto para un intercambiador de calor a contracorriente, basada en un modelo de sistema bilineal y que emplea tanto un controlador con observador de estado como una ley de control puramente integral para regular la temperatura de salida mediante la manipulación del caudal.
Este artículo propone una ley de control continuo e invariante en el tiempo que logra la estabilización casi global de un estado en la n-esfera hacia un objetivo deseado, evitando simultáneamente regiones de restricción con forma de estrella mediante una estrategia de navegación que alterna entre seguir geodésicas hacia el objetivo o desviar hacia el antípoda de puntos dentro de las zonas inseguras.
Este artículo presenta un nuevo enfoque para el problema de agrupamiento -means formulándolo como una optimización suave en una variedad Riemanniana, lo que permite utilizar un algoritmo de Newton regularizado cúbico de segundo orden que logra una convergencia significativamente más rápida que los métodos de primer orden existentes manteniendo una precisión estadística óptima.
Este trabajo demuestra que el sesgo implícito del algoritmo Adam con actualizaciones por muestra individual en datos separables puede desviarse del régimen de lote completo, convergiendo en algunos casos hacia clasificadores de margen máximo en lugar de , mientras que el algoritmo Signum mantiene una convergencia invariable hacia el margen máximo independientemente del tamaño del lote.
Este artículo presenta un marco de optimización multiescala para funciones continuas discretizadas que, al resolver problemas en rejillas progresivamente más finas con inicialización inteligente, garantiza límites de error más ajustados y una velocidad de cálculo superior a los métodos de escala única, como demuestran experimentos en estimación de densidades de probabilidad.
Este artículo propone un algoritmo de optimización estocástica basado en el descenso de gradiente y un novedoso procedimiento de análisis de perturbación infinitesimal (IPA) para maximizar los ingresos en un sistema de colas de un solo servidor con clientes que se retiran, logrando converger al precio óptimo utilizando únicamente la información observable de las llegadas efectivas.
Este artículo presenta un nuevo método computacional heurístico para la programación de unidades que, al evitar aproximaciones lineales y aprovechar solvers de optimización continua, ofrece mejoras de rendimiento de varios órdenes de magnitud, permitiendo análisis a gran escala críticos para abordar los desafíos de los sistemas eléctricos modernos con cargas volátiles y generación distribuida.
El artículo demuestra límites de concentración para problemas de optimización combinatoria euclídea aleatoria con costos en dimensiones , utilizando una combinación de desigualdades de Poincaré y mecanismos geométricos robustos, y propone un principio de transferencia para extender estos resultados a todo .
Este artículo presenta un modelo de programación estocástica de dos etapas que integra almacenamiento y renovables para optimizar la contratación de capacidad en mercados eléctricos, demostrando mediante un caso de estudio en Nueva Inglaterra que es posible evaluar la fiabilidad del sistema con precisión estadística controlada y de manera computacionalmente eficiente utilizando muestreo Monte Carlo detallado en el tiempo.
Este artículo presenta un marco de presolución paralelo y consciente de la estructura, integrado en PIPS-IPM++, diseñado específicamente para programas lineales de tipo flecha (AHLP) en entornos de computación de alto rendimiento, el cual demuestra una escalabilidad superior y tiempos de ejecución significativamente más rápidos que las implementaciones de vanguardia como PaPILO y Gurobi.
Este artículo presenta Q-Measure-Learning, un algoritmo eficiente de aprendizaje por refuerzo para espacios de estado continuos que utiliza una medida empírica firmada y aproximación estocástica acoplada para lograr convergencia casi segura y una implementación de bajo costo computacional, validada mediante experimentos en control de inventarios.
Este estudio demuestra que la reformulación algebraica de funciones objetivo en problemas de optimización permutativa genera desviaciones locales estructuradas del Teorema de No Hay Almuerzo Gratis, alterando los patrones de rendimiento y las clasificaciones de algoritmos incluso cuando el espacio de funciones subyacente mantiene la simetría global.