342 papers
Dit artikel presenteert een mens-in-de-lus besturingssysteem voor elektrische raceauto's dat door middel van optimalisatie en feedback een 'lift-off-throttle'-signaal in real-time aanpast om energie- en thermische beperkingen te respecteren, waardoor de stint-tijden slechts minimaal langer zijn dan bij offline-optimalisatie.
In dit artikel wordt een nieuw raamwerk voorgesteld dat iteratieve optimalisatie-algoritmen voor tijdsvariërende convex problemen analyseert door ze te modelleren als lineaire parameter-variërende systemen met integrale kwadratische ongelijkheden, waardoor kwantitatieve foutgrenzen kunnen worden afgeleid die afhankelijk zijn van de snelheid van verandering in de doelfunctie en de gradiënt.
Dit artikel onderzoekt de geometrie van veralgemeende -support-dualnormen om oplossingen met een vooraf bepaald sparsiteitsbudget van maximaal niet-nul-coördinaten te bevorderen, waarbij wordt aangetoond dat elke eigenlijke zijvlak van hun eenheidsballen een hypersimplex is.
Dit artikel introduceert de Morse-parametrische kwalificatievoorwaarde voor bilevel programmering en analyseert twee gradiëntmethoden: een vooringestelde single-step multi-step-strategie met rijke eigenschappen en een eenvoudigere, maar minder stabiele differentieerbare programmeringsstrategie.
Dit artikel toont aan dat het combineren van lage-precisie eerste-orde LP-oplossingen met een fix-and-propagate-heuristiek op GPU's zeer efficiënte en kwalitatief hoogwaardige oplossingen oplevert voor grote schaal MIP-problemen, waarbij de methode aanzienlijk beter presteert dan bestaande commerciële solvers.
Dit paper introduceert een branch-and-cut-algoritme voor gemengd-integer Nash-evenwichtsproblemen dat, door het spel te herschrijven als een bilevel-probleem en gebruik te maken van Nikaido-Isoda-functies en gesneden vlakken, na afloop ofwel een puur Nash-evenwicht berekent of de niet-bestaans daarvan vaststelt.
De auteurs stellen een nieuwe Bayesiaanse methode voor die de federale ADMM generaliseert door variatie-Bayesiaanse doelen te koppelen aan een dualiteitsstructuur, waardoor nieuwe varianten zoals Newton- en Adam-achtige updates ontstaan die de nauwkeurigheid in diepe heterogene scenario's verbeteren.
Dit paper introduceert Fast Equivariant Imaging (FEI), een nieuw onbewaakt leerframework dat door middel van de vermenigvuldigers van Lagrange en hulpmiddelen voor PnP-denoising een tienvoudige versnelling en verbeterde prestaties bereikt bij het trainen van diepe beeldvormingsnetwerken zonder grondwahrheid.
In dit artikel wordt een robuuste regelstrategie voor tegenstroomwarmtewisselaars voorgesteld, die een uitlaattemperatuur regelt via een gestructureerd bilineair model en twee controlemethoden (een outputfeedbackregelaar met toestandsobservatie en een zuivere integralenregeling) valideert aan de hand van echte experimenten.
Dit artikel presenteert een continue, tijdsonafhankelijke feedbackregeling die de toestand op de n-sfeer bijna globaal naar een gewenste locatie stabiliseert terwijl ster-vormige obstakels worden vermeden door de toestand ofwel langs een geodeet te sturen ofwel naar het antipode van een punt in het obstakel te leiden.
Dit artikel introduceert een schaalbaar tweede-orde Riemanniaanse optimalisatiemethode voor -means clustering die via een nieuwe gladde formulering en productvariëteit-factorisatie snellere convergentie bereikt dan bestaande eerste-orde methoden, terwijl het vergelijkbare statistische nauwkeurigheid behoudt.
Dit artikel toont aan dat de impliciete bias van per-stap Adam op lineair scheidbare data kan afwijken van de volledige-batch-regime en zelfs convergeren naar een -max-margin classifier, terwijl de bias van Signum onafhankelijk blijft van de batchgrootte.
Dit artikel introduceert een multischaal-optimalisatiekader voor Lipschitz-continue functies dat door het oplossen van grofgroefdiscretisaties en het gebruik van lineaire interpolatie als warm-start voor projectie-gradientendaling op fijnere roosters, wiskundig bewezen betere foutgrenzen en aanzienlijke snelheidswinsten biedt ten opzichte van eengrid-methoden.
Dit artikel presenteert een stochastische optimalisatie-algoritme dat de verwachte omzet maximaliseert in een wachtrij met balkende klanten door dynamische prijsaanpassingen op basis van een nieuwe Infinitesimal Perturbation Analysis-methode die uitsluitend gebruikmaakt van waarnemingen van effectieve aankomsten.
Deze paper introduceert een snelle, op heuristiek gebaseerde 'Relax-and-Round'-methode voor eenheidswisseling die zonder lineaire benaderingen werkt, een prestatieverbetering van meerdere ordes van grootte biedt ten opzichte van de huidige stand van de techniek, en toepasbaar is op schaalproblemen die door bestaande tools onbeheersbaar zijn.
Dit artikel bewijst concentratiegrenzen voor willekeurige Euclidische combinatorische optimalisatieproblemen met -kosten, waarbij voor specifieke problemen in dimensie concentratie wordt aangetoond op de natuurlijke energieschaal door een combinatie van een Poincaré-ongelijkheid en een robuust geometrisch mechanisme.
Dit artikel introduceert een tweestaps-stochastisch optimalisatiemodel dat chronologische onzekerheden in hernieuwbare energie en opslag integreert om de capaciteitsaanschaf voor betrouwbaarheid in elektriciteitsmarkten op een schaalbare en statistisch nauwkeurige manier te optimaliseren.
Deze paper presenteert een schaalbaar, parallel presolve-framework voor pijlhoofdlineaire programmering dat in HPC-omgevingen is geïntegreerd en aanzienlijk sneller presteert dan bestaande state-of-the-art implementaties zoals PaPILO en Gurobi.
Dit artikel introduceert Q-Measure-Learning, een efficiënt algoritme voor continu-staat versterkend leren dat een getekende empirische maat leert via gekoppelde stochastische benadering, waarbij het bijna zeker convergeert naar een vast punt van een kernel-gegladde Bellman-operator en de benaderingsfout kwantificeert.
Dit onderzoek toont aan dat algebraïsche herschrijvingen van doelobjectieven en de gebruikte steekproefstrategieën leiden tot gestructureerde lokale afwijkingen van de 'No Free Lunch'-theorema-intuïtie, waardoor de prestaties van optimalisatie-algoritmes statistisch significant veranderen en een bewuste keuze voor probleemklasse en objectiefrepresentatie noodzakelijk maken.