342 articles
Cet article présente un système de gestion de l'énergie et de la thermique pour voitures de course électriques qui ajuste en temps réel le signal de relâchement de l'accélérateur via une optimisation et un contrôle par rétroaction, permettant de respecter les contraintes énergétiques et thermiques avec un temps de parcours quasi optimal par rapport à une optimisation hors ligne.
Cet article propose un cadre d'analyse basé sur les systèmes linéaires à paramètres variables (LPV) et les contraintes quadratiques intégrales (IQC) pour établir des bornes quantitatives sur l'erreur de suivi des algorithmes d'optimisation itératifs de premier ordre appliqués à des problèmes convexes dépendant du temps.
Cet article étudie les normes duales de support- généralisées pour favoriser l'obtention de solutions -rares, en analysant les propriétés géométriques de leurs faces exposées et en démontrant que leurs faces propres sont des hypersimplexes.
Cet article introduit la condition de qualification paramétrique de Morse pour l'optimisation hiérarchique, établissant qu'elle constitue une classe intermédiaire pertinente entre les niveaux inférieurs fortement convexes et génériques, et y analyse deux stratégies d'algorithmes de gradient : une méthode biaisée à étapes multiples et une approche de programmation différentiable inspirée du méta-apprentissage.
Cet article présente une heuristique de fixation et de propagation exploitant des solutions LP de faible précision obtenues par des méthodes du premier ordre accélérées par GPU, démontrant ainsi sa capacité à résoudre efficacement des problèmes de planification de grande échelle que les solveurs commerciaux ne parviennent pas à traiter dans des délais raisonnables.
Cet article propose un algorithme de branch-and-cut pour résoudre les problèmes d'équilibre de Nash à variables mixtes entières, en reformulant le jeu via la fonction de Nikaido-Isoda et en intégrant des techniques d'optimisation hiérarchique et de coupes pour garantir la convergence vers un équilibre ou la preuve de son inexistence.
Les auteurs proposent une nouvelle approche bayésienne qui généralise l'ADMM fédéré en exploitant une structure de dualité des objectifs variationnels, permettant de retrouver les mises à jour classiques et d'obtenir des variantes novatrices (de type Newton ou Adam) offrant des gains de performance significatifs.
Cet article propose Fast Equivariant Imaging (FEI), un cadre d'apprentissage non supervisé qui accélère considérablement l'entraînement des réseaux d'imagerie sans données de référence en reformulant le problème via la méthode du lagrangien augmenté et des débruiteurs plug-and-play, offrant ainsi une accélération de 10 fois et de meilleures performances de généralisation par rapport aux méthodes existantes.
Cette étude propose et valide expérimentalement une stratégie de contrôle robuste pour un échangeur de chaleur à contre-courant, visant à réguler la température de sortie en modifiant le débit de l'autre fluide, en utilisant un modèle bilinéaire structuré et deux approches de commande : une boucle de rétroaction avec observateur d'état et une loi de commande intégrale pure.
Cet article propose une loi de commande continue et invariante dans le temps qui assure la stabilisation presque globale d'un état sur la sphère n-dimensionnelle vers une cible désirée tout en évitant des contraintes en forme d'étoile, en alternant entre un guidage géodésique vers la cible et une déviation vers l'antipode d'un point dans la région dangereuse la plus proche.
Cet article propose une nouvelle formulation de l'algorithme de clustering K-means comme un problème d'optimisation lisse sur une sous-variété, résolu efficacement par un algorithme de Newton riemannien régularisé au cube qui garantit une convergence rapide et une précision statistique optimale.
Cet article démontre que l'induction implicite de l'algorithme Adam en mode par échantillon sur des données séparables peut s'écarter de son comportement en lot complet pour converger vers un classifieur à marge maximale , contrairement à la tendance observée dans le régime par lot complet, tandis que l'optimiseur Signum conserve une convergence invariante vers la marge quelle que soit la taille du lot.
Cet article présente un cadre d'optimisation multiscale pour les fonctions continues discrétisées qui, en résolvant d'abord des grilles grossières avant d'affiner les solutions sur des grilles plus fines, garantit des bornes d'erreur plus serrées et des coûts computationnels réduits par rapport aux méthodes à échelle unique, avec des gains de vitesse d'un ordre de grandeur démontrés sur des problèmes d'estimation de densité de probabilité.
Cet article propose un algorithme d'optimisation stochastique basé sur une analyse de perturbation infinitésimale (IPA) pour maximiser dynamiquement les revenus d'un système de file d'attente à serveur unique avec clients balking, en ajustant les prix uniquement à partir des données d'arrivées effectives observables.
Cet article présente une nouvelle méthode de calcul pour l'engagement d'unités qui, grâce à une heuristique adaptée, évite les approximations linéarisées et offre une amélioration de performance de plusieurs ordres de grandeur par rapport aux outils actuels, permettant ainsi de résoudre des problèmes à grande échelle critiques pour les réseaux électriques modernes.
Cet article établit des bornes de concentration pour des problèmes d'optimisation combinatoire euclidienne aléatoire à coûts , en particulier pour l'appariement bipartite et le voyageur de commerce en dimension , en combinant une inégalité de Poincaré avec un mécanisme géométrique robuste.
Cet article propose un modèle d'approvisionnement en capacité stochastique à deux étages intégrant le stockage et les énergies renouvelables pour une analyse de l'adéquation des ressources plus précise, démontrant par une application sur le système de la Nouvelle-Angleterre que l'algorithme de décomposition stochastique permet de résoudre ce problème à grande échelle avec une précision statistique contrôlée.
Les auteurs présentent un cadre de pré-résolution parallèle et structurellement conscient, intégré au solveur PIPS-IPM++, qui traite efficacement les programmes linéaires de type « arrowhead » dans des environnements de calcul haute performance en surpassant significativement les performances des implémentations d'état de l'art comme PaPILO et Gurobi.
Cet article propose une nouvelle méthode d'apprentissage par renforcement pour les espaces d'états continus, appelée Q-Measure-Learning, qui utilise une mesure empirique signée et une intégration par noyau pour estimer efficacement la fonction de valeur d'action avec une convergence prouvée et une complexité linéaire.
Cette étude démontre que la reformulation algébrique des objectifs et la conception des benchmarks peuvent générer des écarts locaux structurés par rapport à l'intuition du théorème « No Free Lunch », entraînant des réorganisations stables des performances des algorithmes et soulignant la nécessité d'un choix d'algorithme conscient de la classe de problèmes et de la représentation de l'objectif.