326 artículos
Este artículo establece la optimalidad de las tasas de convergencia del paso de Polyak mediante la construcción de funciones peores casos y demuestra su universalidad al adaptarse automáticamente a diversas clases de funciones bajo condiciones de suavidad y crecimiento de Hölder, sin requerir conocimiento previo de los parámetros del problema.
Este artículo presenta pruebas de un prototipo a pequeña escala y un algoritmo de asignación de control computacionalmente eficiente para el concepto CABLESSail, demostrando su capacidad para gestionar el momento y controlar la forma de una vela solar mediante cables actuados, lo que representa un avance clave en su nivel de preparación tecnológica.
Este artículo presenta un marco de estratificación para la programación semidefinida no lineal que explota la geometría del sistema KKT no suave mediante condiciones de regularidad restringidas a estratos y propone un método de Gauss-Newton estratificado que garantiza convergencia global y cuadrática local.
Este artículo presenta un modelo teórico y empírico que analiza los incentivos de los sistemas de tránsito informal y privatizado, demostrando cómo mecanismos de coordinación como el control centralizado de una parte de los conductores y las subvenciones cruzadas pueden mitigar las ineficiencias derivadas de la maximización de beneficios individuales.
Este artículo propone un método de minimización mayorización conjunta para descomposiciones tensoriales no negativas bajo divergencias que evita el uso de desdoblamientos explícitos mediante actualizaciones basadas en contracciones tensoriales, garantizando la convergencia teórica y demostrando mejoras significativas en velocidad frente a enfoques tradicionales.
Este artículo presenta reglas de cálculo para el exponente de Kurdyka-Łojasiewicz basadas en el teorema de rango y acciones de grupos de Lie, que permiten establecer la convergencia lineal de algoritmos en problemas de factorización matricial y redes neuronales sin requerir suavidad ni cálculos de gradientes o hessianos.
Este artículo resuelve un problema de maximización de utilidad intertemporal con una restricción de no endeudamiento en el modelo Kim-Omberg, transformando el problema primal en uno de control singular dual mediante dualidad de Lagrange para caracterizar la solución a través de un problema de parada óptima bidimensional y derivar las estrategias óptimas de consumo y cartera.
Este artículo presenta una solución exacta y geométricamente convergente para modelos de colas en hipercubos espaciales con tasas de servicio heterogéneas, la cual, mediante algoritmos secuenciales y paralelos altamente eficientes, permite resolver problemas a gran escala en servicios de emergencia con una velocidad y precisión muy superiores a los métodos tradicionales.
Este artículo propone un enfoque neurodinámico de doble escala temporal basado en ecuaciones de proyección para resolver problemas de optimización con restricciones conjuntas de probabilidad geométrica robustas frente a la distribución, logrando convergencia al óptimo global sin métodos estándar y demostrando su eficacia en aplicaciones de optimización de formas y telecomunicaciones.
Este trabajo presenta un modelo de optimización estocástica de dos etapas, implementado en la herramienta de código abierto *OptBio*, que integra decisiones de inversión y operación para planificar plantas de biomasa de caña de azúcar en Brasil bajo incertidumbre de mercado, demostrando que las estrategias aversas al riesgo favorecen la diversificación productiva y la viabilidad de biocombustibles avanzados.
Este artículo propone un marco de control robótico basado en el principio de energía libre que unifica el aprendizaje de políticas y la robustez distribucional para garantizar un rendimiento fiable en manipulación real sin necesidad de ajuste específico.
Este artículo presenta un método de Gauss-Newton que elimina la necesidad de resolver ecuaciones diferenciales parciales adicionales más allá de las requeridas para el cálculo del gradiente en problemas de inversión de gran escala, como la inversión de onda completa, logrando así la eficiencia de los esquemas basados en gradientes sin sacrificar su rápida convergencia.
Este artículo demuestra que, en el método de gradiente acelerado de Nesterov para problemas de optimización convexa (posiblemente restringidos), la secuencia de evaluaciones del gradiente también alcanza la complejidad de iteración óptima , resolviendo así una cuestión abierta tanto en entornos euclidianos como no euclidianos.
Este artículo propone los Procesos de Decisión de Markov Conjuntos (JMDPs) como un formalismo para entornos de dinámicas acopladas que especifican leyes conjuntas de resultados contrafactuales, permitiendo el desarrollo de algoritmos de programación dinámica y aprendizaje por refuerzo con garantías de convergencia para momentos de retorno de orden superior.
Este artículo generaliza el método simplex geométrico a programas lineales en espacios vectoriales topológicos localmente convexos, evitando el maquinaria algebraica tradicional para demostrar la convergencia al óptimo y establecer que todos los polítopos definidos poseen puntos extremos expuestos conectados por trayectorias de aristas, incluyendo casos complejos como el cubo de Hilbert.
Este trabajo introduce un novedoso marco de ecuaciones diferenciales ordinarias (EDOs) de alta resolución que supera las limitaciones de enfoques anteriores al permitir el análisis de métodos de primer orden con momento, proporcionando una comprensión más profunda de sus propiedades de convergencia y permitiendo modificaciones corregidas que garantizan tasas de convergencia óptimas.
Este artículo presenta una implementación detallada del método de Newton en la variedad de Stiefel indefinida, derivando su conexión de Levi-Civita y el Hessiano analítico bajo dos métricas riemannianas para resolver la ecuación de Newton mediante el método del gradiente conjugado lineal, lo que demuestra una convergencia local rápida y eficiencia práctica.
El artículo propone el método Inexact Bregman Sparse Newton (IBSN), un algoritmo eficiente que resuelve problemas de transporte óptimo exactos a gran escala mediante un marco de punto proximal de Bregman y un solver de Newton esparcido, logrando una mayor velocidad y precisión que los métodos actuales sin sacrificar la estabilidad numérica.
Este artículo propone un nuevo algoritmo de puja que combina un método de regresión robusta basado en la invariancia de cuantiles condicionales con una actualización dual para resolver el problema de aprendizaje en subastas de primer precio con restricciones presupuestarias y retroalimentación unidireccional, logrando un arrepentimiento óptimo de orden en un entorno donde las ofertas de los competidores dependen de un contexto desconocido.
El artículo estudia una serie uniparamétrica de estructuras lorentzianas izquierda-invariantes con simetría SO(1,1) en el recubrimiento universal de SL(2,R), analizando la optimalidad global de sus geodésicas y cómo estas propiedades se deforman hacia el caso límite de una estructura sub-lorentziana.