342 articoli
Questo articolo presenta un nuovo approccio ibrido che combina euristiche specifiche per il settore ferroviario con l'apprendimento per rinforzo (Q-learning) per ottimizzare lo shunting dei carri ferroviari in scenari complessi che coinvolgono sia binari a accesso unilaterale che bilaterale.
Questo articolo propone un approccio di ottimizzazione quadratica standard robusta rispetto alla distribuzione (DRO) basato sulla distanza di Wasserstein per gestire l'incertezza nei dati, dimostrando l'equivalenza a un'istanza deterministica modificata e fornendo garanzie di prestazione fuori campione supportate da esperimenti numerici.
Il lavoro stabilisce un risultato di esistenza di equilibrio per una classe di giochi a campo medio non markoviani con controlli illimitati, utilizzando una formulazione debole basata su nuovi risultati di esistenza e stabilità per equazioni differenziali stocastiche retroattive di McKean-Vlasov a crescita quadratica, senza richiedere ipotesi di limitatezza sui parametri del modello o sull'orizzonte temporale.
Questo articolo presenta una nuova coda di lavoro lock-free ottimizzata per un framework master-worker nella risoluzione di problemi di programmazione a numeri interi, che supporta operazioni in blocco e garantisce prestazioni costanti e scalabilità superiore rispetto alle soluzioni generiche esistenti.
Il documento propone una nuova formulazione della risposta in frequenza per i sistemi non lineari basata sull'operatore di Koopman, permettendo di derivare curve di Bode attraverso la trasformata di Laplace dell'output e fornendo condizioni sufficienti per l'esistenza di tale risposta.
Questo articolo propone un algoritmo del gradiente coniugato non lineare con ricerca lineare di Wolfe per trovare punti critici di Pareto in problemi di ottimizzazione multiobiettiva a valori intervallari, dimostrandone la convergenza globale per diversi parametri e validandolo attraverso test numerici.
Questo articolo propone un quadro bayesiano per la programmazione lineare che integra l'incertezza appresa dai dati attraverso garanzie di fattibilità posteriori, offrendo strategie computazionali e procedure di certificazione per decisioni più sicure e interpretabili rispetto ai metodi classici.
Questo articolo propone un metodo di Newton per risolvere problemi di ottimizzazione multiobiettivo con mappe a valori intervallari, dimostrando la convergenza dell'algoritmo verso punti critici Pareto e validandone l'efficacia attraverso esperimenti numerici e un'applicazione nell'ottimizzazione di portafoglio con incertezza intervallare.
Il paper propone un gioco dinamico bayesiano gerarchico per la gestione competitiva di inventario e prezzi in condizioni di informazione incompleta, integrando l'apprendimento sulla domanda e sulle caratteristiche dei rivali con un criterio di "rischio credibile" che bilancia profitti attesi e dispersione predittiva, dimostrando la sua efficacia sia in simulazioni operative che in applicazioni su dati biologici reali.
Il documento presenta un algoritmo di iterazione delle politiche che, basato su un sistema di equazioni di Hamilton-Jacobi-Bellman esplorative non locali, garantisce la convergenza esponenziale a una politica di equilibrio regolarizzata per problemi di controllo stocastico con incoerenza temporale, fornendo al contempo una prova costruttiva dell'esistenza e unicità globale della soluzione classica dell'equazione associata.
Il paper deriva limiti superiori e inferiori per i funzionali della durata della vita compatibili con le tabelle di mortalità osservate, fornendo un quadro robusto per quantificare l'impatto delle deviazioni dei tassi di mortalità sui valori contrattuali assicurativi senza dipendere da ipotesi specifiche sugli intervalli frazionari.
Questo articolo stabilisce un principio di massimo stocastico di tipo Pontryagin per problemi di controllo ottimo di equazioni differenziali stocastiche parziali di McKean-Vlasov con insiemi di controllo non convessi, estendendo i risultati noti dalle equazioni differenziali ordinarie al caso infinito-dimensionale mediante l'uso di variazioni a picco e di un'equazione stocastica differenziale parziale di retroazione con derivate di Lions.
Il paper dimostra che il flusso gradiente nei modelli softmax basati su valori spinge intrinsecamente l'ottimizzazione verso soluzioni a bassa entropia, fornendo una spiegazione teorica per fenomeni empirici come i "attention sinks" e le massive activations nei transformer.
Questo articolo propone un nuovo modello MILP e un algoritmo branch-and-price basato su pattern di fermata per risolvere il problema di dial-a-ride su linea senza vincoli temporali, dimostrando attraverso esperimenti computazionali che un'euristica alla radice offre soluzioni di alta qualità e scalabili per applicazioni pratiche.
Il documento propone una reinterpretazione della scoperta di testimoni NP attraverso una lente informazionale, dimostrando che nel modello psocid, dove l'accesso al testimone è limitato a sonde di uguaglianza senza struttura, l'accumulo di informazioni è insufficiente per il recupero affidabile, rivelando così un'origine informazionale fondamentale della complessità esponenziale della ricerca.
Il paper presenta ALFCG, il primo framework proiettabile libero adattivo per la minimizzazione stocastica composita non convessa che, eliminando la necessità di costanti di regolarità globali o ricerche di linea, utilizza un accumulatore auto-normalizzato per stimare la regolarità locale e raggiungere complessità iterativa ottimali fino a fattori logaritmici.
Il documento presenta una formulazione basata sull'ottimizzazione dell'algoritmo Red Light Green Light per il calcolo delle distribuzioni stazionarie di grandi catene di Markov, chiarendone il comportamento, dimostrando la convergenza esponenziale per una certa classe di catene e suggerendo strategie pratiche per accelerarne la convergenza.
Il documento stabilisce che una condizione di normalità di ordine superiore, basata sui parentesi di Lie iterati dei campi vettoriali del sistema, è sufficiente a garantire l'assenza di un "gap" tra l'infimo del problema originale e il minimo della sua estensione impulsiva, anche quando si considera una topologia locale definita dalla distanza tra i controlli.
Il paper dimostra che il limite superiore del passo per l'algoritmo di Popov è pari a $1/(2L)1/(\sqrt{3}L)$ per casi non vincolati, confermando che tali limiti sono ottimali e stringenti attraverso un'analisi di convergenza basata su una nuova funzione di tipo Lyapunov.
Questo articolo propone due metodi di ottimizzazione del primo ordine basati sulla discesa del gradiente proiettata per minimizzare funzioni su varietà di matrici a rango limitato, garantendo che i punti di accumulazione delle sequenze generate siano stazionari nel senso di Bouligand.