342 articoli
Questo articolo presenta un sistema di gestione energetica e termica per auto da corsa elettriche che, combinando ottimizzazione offline e un algoritmo di bisezione online con feedback PI, regola in tempo reale il segnale di rilascio dell'acceleratore per rispettare i vincoli energetici e termici, garantendo prestazioni quasi ottimali rispetto alla pianificazione a priori.
Questo articolo propone un quadro di analisi basato su sistemi lineari a parametri variabili (LPV) e vincoli quadratici integrali (IQC) per derivare nuovi limiti quantitativi sull'errore di tracciamento degli algoritmi di ottimizzazione del primo ordine in contesti convessi con obiettivi dipendenti dal tempo.
Questo articolo studia le norme duali generalizzate di supporto- come termini di penalizzazione per ottenere soluzioni con al più coordinate non nulle, analizzando le loro proprietà geometriche e le condizioni per l'identificazione del supporto.
Questo articolo introduce la condizione di qualificazione parametrica di Morse per la programmazione bilevel, identificando una classe intermedia rilevante di problemi e analizzando due strategie algoritmiche: un metodo del gradiente con passi multipli che presenta proprietà ricche ma è distorto, e una strategia di programmazione differenziabile più semplice ma meno stabile.
Questo studio dimostra che l'uso di soluzioni LP a bassa precisione ottenute tramite metodi del primo ordine accelerati da GPU all'interno di un framework "fix-and-propagate" permette di risolvere efficientemente problemi di ottimizzazione MIP su larga scala, generando soluzioni di alta qualità in tempi significativamente inferiori rispetto ai solver commerciali esistenti.
Il paper introduce un algoritmo branch-and-cut per risolvere problemi di equilibrio di Nash con variabili intere miste, riformulando il gioco come un problema bilevel tramite la funzione Nikaido-Isoda e garantendo la terminazione finita o l'assenza di equilibrio attraverso tagli specifici derivati per giochi generalizzati e standard.
Il lavoro propone un nuovo approccio bayesiano che generalizza il metodo federato ADMM sfruttando una struttura di dualità nelle ottimizzazioni variazionali, permettendo di recuperare le classiche aggiornamenti ADMM e di derivare nuove varianti, come quelle di tipo Newton e Adam, che migliorano significativamente l'accuratezza in scenari eterogenei.
Il lavoro propone Fast Equivariant Imaging (FEI), un nuovo framework di apprendimento non supervisionato che, sfruttando il metodo dei moltiplicatori di Lagrange e denoiser Plug-and-Play, accelera di dieci volte l'addestramento di reti per la ricostruzione di immagini (come nella tomografia computerizzata e nel completamento) senza dati di riferimento, migliorando al contempo le prestazioni e abilitando l'adattamento al momento del test.
Questo studio propone e valida sperimentalmente una strategia di controllo robusta, basata su un modello bilineare e su due approcci (controllo a retroazione d'uscita con osservatore e legge di controllo puramente integrale), per regolare la temperatura di uscita di uno scambiatore di calore a controcorrente agendo sulla portata del fluido secondario.
Il documento propone una strategia di controllo continuo e invariante nel tempo che garantisce la stabilità asintotica quasi globale di uno stato su una n-sfera, permettendo di raggiungere un obiettivo desiderato evitando regioni di sicurezza a forma di stella o coniche attraverso un'adeguata guida lungo geodetiche o verso punti antipodali.
Questo articolo propone un nuovo metodo di ottimizzazione Riemanniana del secondo ordine, basato su una formulazione a manifold liscio e su un algoritmo di Newton regolarizzato cubico, che risolve il problema del clustering -means con una convergenza significativamente più rapida rispetto ai metodi del primo ordine mantenendo un'accuratezza statistica ottimale.
Questo lavoro dimostra che l'implicit bias dell'ottimizzatore Adam su dati separabili dipende criticamente dal regime di batch e dal dataset, potendo convergere verso un classificatore a margine massimo in modalità incrementale a differenza della tendenza del full-batch, mentre l'algoritmo Signum mantiene un bias invariato verso indipendentemente dalla dimensione del batch.
Questo articolo presenta un framework di ottimizzazione multiscala per funzioni continue discretizzate che, combinando discretizzazioni su griglie grossolane con interpolazione lineare e discesa del gradiente proiettata su griglie più fini, garantisce limiti di errore più stretti e costi computazionali inferiori rispetto ai metodi monoscala, come dimostrato da esperimenti numerici su problemi di stima della densità di probabilità.
Questo articolo propone un algoritmo di ottimizzazione stocastica basato sul gradiente stocastico e su una procedura di Analisi delle Perturbazioni Infinitesimali (IPA) per massimizzare dinamicamente i ricavi in un sistema di coda a singolo server con clienti che abbandonano (balking), utilizzando esclusivamente le informazioni sugli arrivi effettivi per convergere al prezzo ottimale.
Il documento presenta un nuovo metodo computazionale per l'impegno delle unità che, sfruttando un'euristica specifica e senza richiedere approssimazioni lineari, offre un miglioramento delle prestazioni di diversi ordini di grandezza rispetto agli strumenti attuali, rendendo fattibili analisi su larga scala necessarie per gestire le sfide emergenti dei sistemi energetici moderni.
Il lavoro dimostra nuove disuguaglianze di concentrazione per problemi di ottimizzazione combinatoria euclidea con costi -potenza, in particolare per l'accoppiamento bipartito e il problema del commesso viaggiatore in dimensione , ottenendo stime alla scala naturale per $1 \le p < d^2/2$ attraverso una combinazione di disuguaglianze di Poincaré e meccanismi geometrici robusti.
Il documento propone un modello di ottimizzazione stocastica a due stadi per la pianificazione della capacità nei mercati energetici, che integra storage e rinnovabili attraverso simulazioni Monte Carlo dettagliate su un sistema reale, dimostrando come sia possibile gestire la complessità temporale e l'incertezza in modo computazionalmente efficiente.
Il paper presenta un framework di presolve parallelo e strutturato per programmi lineari a forma di freccia, integrato nel solver PIPS-IPM++, che dimostra una scalabilità e prestazioni superiori rispetto alle implementazioni state-of-the-art come PaPILO e Gurobi, specialmente in ambienti di calcolo ad alte prestazioni.
Questo articolo propone il Q-Measure-Learning, un nuovo algoritmo di apprendimento per rinforzo a spazio continuo che stima efficientemente la funzione valore tramite una misura empirica e kernel smoothing, garantendo convergenza quasi certa e offrendo un'implementazione computazionalmente efficiente con complessità lineare.
Lo studio dimostra che la riformulazione algebrica degli obiettivi e la progettazione dei benchmark generano deviazioni strutturate dall'intuizione del teorema "No Free Lunch", portando a riordinamenti stabili delle prestazioni degli algoritmi che richiedono una scelta consapevole basata sulla classe del problema e sulla rappresentazione dell'obiettivo.