338 articles
Cet article présente une nouvelle approche hybride combinant des heuristiques spécifiques au domaine ferroviaire et l'apprentissage par renforcement (Q-learning) pour optimiser efficacement le triage des wagons dans des gares de fret, que ce soit avec un accès unilatéral ou bilatéral.
Cet article propose une approche d'optimisation quadratique standard robuste face à l'incertitude de distribution via la distance de Wasserstein, démontrant son équivalence à une instance déterministe modifiée tout en garantissant des performances hors échantillon.
Cet article établit l'existence d'équilibres pour une classe de jeux à champ moyen non markoviens avec contrôles non bornés en formulation faible, en s'appuyant sur de nouveaux résultats d'existence et de stabilité pour des EDSR de McKean-Vlasov à croissance quadratique, sans imposer de contraintes de bornitude sur les paramètres du modèle ni sur l'horizon temporel.
Cet article présente un nouvel algorithme de vol de travail sans verrou, optimisé pour un cadre maître-ouvrier dédié à la résolution de problèmes d'optimisation par programmation en nombres entiers, qui offre des performances constantes lors des opérations par lots et une latence stable lors du vol, surpassant ainsi les solutions génériques existantes comme Taskflow.
Ce papier propose une nouvelle formulation de la réponse fréquentielle des systèmes non linéaires dans le cadre de l'opérateur de Koopman, permettant de définir des diagrammes de Bode via la transformée de Laplace de la sortie et en s'appuyant sur la théorie des résolvantes.
Cet article propose un algorithme de gradient conjugué non linéaire avec recherche linéaire de Wolfe pour résoudre des problèmes d'optimisation multiobjectif non contraints à valeurs d'intervalles, en démontrant sa convergence globale pour plusieurs variantes de paramètres et en validant ses performances via des profils d'évaluation.
Cet article propose un cadre bayésien pour la programmation linéaire sous incertitude apprise, offrant des garanties de faisabilité a posteriori via des stratégies de robustification et d'échantillonnage, ainsi qu'une procédure de certification Monte Carlo pour améliorer la sécurité des décisions et leur interprétabilité dans des applications réelles.
Cet article propose une méthode de Newton pour résoudre des problèmes d'optimisation multiobjectifs à valeurs d'intervalle, établissant un lien entre les points faiblement Pareto optimaux et les points critiques de Pareto, et démontrant la convergence d'un algorithme associé vers un point critique grâce à une recherche linéaire de type Armijo.
Cet article propose un jeu dynamique bayésien hiérarchique pour la gestion concurrentielle des stocks et des prix en situation d'information incomplète, intégrant un apprentissage bayésien, une mise à jour stratégique des croyances et un critère de risque crédible pour établir un équilibre conservateur robuste face à l'incertitude.
Cet article propose un algorithme d'itération de politique qui converge exponentiellement vers une politique d'équilibre régularisée pour des problèmes de contrôle stochastique temporellement incohérents, en prouvant l'existence et l'unicité d'une solution classique à l'équation de Hamilton-Jacobi-Bellman exploratoire d'équilibre associée.
Cet article propose un cadre robuste pour la gestion du risque de mortalité en dérivant des bornes supérieures et inférieures pour les fonctionnels de la durée de vie, compatibles avec les tables de mortalité observées aux âges entiers, afin de quantifier l'impact des écarts par rapport aux hypothèses de mortalité sur la valorisation des contrats d'assurance.
Cet article établit un principe du maximum stochastique de type Pontryagin pour des problèmes de contrôle optimal d'équations aux dérivées partielles stochastiques de McKean-Vlasov à ensembles de contrôle non convexes, en utilisant la méthode de variation en pic et une équation aux dérivées partielles stochastiques adjointe impliquant des dérivées de Lions.
Cet article démontre que le flot de gradient sur les modèles softmax à valeurs polarise intrinsèquement les sorties vers des solutions à faible entropie, offrant ainsi une explication théorique à des phénomènes empiriques des transformateurs tels que les « attention sinks » et les activations massives.
Cet article propose une nouvelle formulation MILP et un algorithme de branchement et génération de colonnes pour résoudre le problème de transport à la demande sur ligne sans contraintes temporelles (liDARP sans TW) en générant des motifs d'arrêt, démontrant ainsi l'efficacité d'une heuristique de nœud racine capable de traiter de grandes instances avec des écarts de solution inférieurs à 5 % en moins de 15 minutes.
En réinterprétant la découverte de témoins NP sous un angle informationnel via le modèle « psocid », ce papier démontre que l'absence de structure dans l'espace de recherche limite l'information acquise par les requêtes d'égalité à un niveau insuffisant pour une récupération fiable, révélant ainsi une origine informationnelle fondamentale de la complexité exponentielle de la recherche.
Ce papier propose ALFCG, le premier cadre adaptatif sans projection pour l'optimisation non convexe composite stochastique qui, sans nécessiter de constantes de régularité globales ni de recherche de ligne, atteint des taux de convergence optimaux en réduisant l'impact du bruit tout en surpassant les méthodes de gradient conditionnel de l'état de l'art.
Ce papier présente une formulation par optimisation de l'algorithme « Red Light Green Light » pour le calcul des distributions stationnaires de grandes chaînes de Markov, clarifiant son comportement, établissant sa convergence exponentielle pour une classe de chaînes et suggérant des stratégies d'accélération pratiques.
Cet article établit que, pour les systèmes affines en contrôle avec extensions impulsionnelles, une notion de normalité d'ordre supérieur basée sur les crochets de Lie itérés suffit à garantir l'absence de « gap » d'infimum sous une topologie locale définie par la distance entre les contrôles, comblant ainsi une lacune laissée par les résultats antérieurs basés sur la topologie des trajectoires.
Cet article démontre que la borne supérieure de pas pour l'algorithme de Popov est optimale pour les inégalités variationnelles contraintes, tandis que cette borne peut être étendue de manière optimale à dans le cas non contraint, grâce à une nouvelle fonction de type Lyapunov.
Cet article propose deux méthodes d'optimisation de premier ordre basées sur la descente de gradient projetée pour minimiser des fonctions sur des variétés de matrices de rang borné, garantissant que leurs points d'accumulation sont des points stationnaires de Bouligand.