337 papers
Dit artikel ontwikkelt een directe stabiliteitsbenadering voor tweestaps-stochastische programmering met probleemafhankelijke kosten, gebaseerd op de primaire optimale transportformulering en een spijt-dominantie-eigenschap, wat theoretische onderbouwing biedt voor scenario-reductie in zowel continue als gemengd-gehele problemen.
Dit artikel presenteert een optimalisatieframework dat het probleem van het inrichten van bedrading in beperkte driedimensionale ruimtes, zoals bij kabelbomen en pijpleidingen, formuleert als een gemengd-integer lineair programmeringsmodel dat zowel topologische als ruimtelijke eisen verenigt om de totale lengte te minimaliseren en technische specificaties te waarborgen.
Dit artikel introduceert ALS-IRLS, een robuust algoritme dat de autocovariantie-kleinstekwadratenmethode voor Kalman-filterruis schatting uitbreidt met een tweestaps-strategie op basis van iteratief hergewogen kleinstekwadraten en Huber-kostfuncties om extreme uitbijters effectief te filteren en de schattingsnauwkeurigheid aanzienlijk te verbeteren.
Dit artikel onderzoekt de capaciteit van niet-scheidbare netwerken onder beperkte adverteerders, waarbij het aantoont dat klassieke cut-set-bounds niet langer geldig zijn en dat een gezamenlijk ontwerp van buiten- en binnen-codes vereist is om de capaciteit te bereiken.
Het artikel introduceert PolyFormer, een physics-informed machine learning-model dat complexe fysische beperkingen omzet in efficiënte polytopische herschrijvingen, waardoor schaalbare optimalisatieproblemen tot 6.400 keer sneller kunnen worden opgelost met behoud van hoge oplossingskwaliteit.
Deze paper introduceert het PR-EXTRA-algoritme, een looploze methode voor gedistribueerde compositie-optimatie met niet-gladde regularisatie op compacte Riemanniaanse variëteiten, die met een enkele communicatieronde per iteratie een sublineaire convergentiegraad van garandeert.
Dit artikel toont aan dat er een klasse van polynomiale tijdproblemen bestaat met een intrinsieke causale structuur die, ondanks logische parallelle mogelijkheden, fundamenteel beperkt is tot lineaire causale tijd en dus geen asymptotische snelheidswinst toestaat door parallelle uitvoering.
Dit paper introduceert een operator-theoretisch raamwerk dat optimalisatie onder structurele beperkingen verenigt door de geometrie van toegestane dynamica te modelleren via zelf-geadjungeerde operatoren, wat leidt tot een pseudoinvers-gewogen gradiënt, spectrale compressie en een compatibiliteitsprincipe voor meervoudige doelen.
Dit paper introduceert het nieuwe concept van 'two-storage strict dissipativity' als een noodzakelijke en voldoende voorwaarde voor de asymptotische stabiliteit van economische modelpredictieve regeling, waarbij het verband met de waardefunctie wordt gelegd en de verificatie wordt vergemakkelijkt ten opzichte van de traditionele strikte dissipativiteit.
Dit artikel introduceert Generative Adversarial Regression (GAR), een raamwerk dat conditionele risicoscenario's leert door generatoren te trainen die via een minimax-formulering de risicoprofielen van werkelijke data onder diverse beleidsstrategieën nabootsen, wat resulteert in robuustere en meer accurate risico-inschattingen dan bestaande methoden.
Dit artikel onderzoekt optimale spaar- en consumptiebeslissingen onder onzekerheid over economische overgangsdynamiek, waarbij het aantoont dat Bayesiaanse leren over onbekende overgangskansen leidt tot unieke, monotoon en concave beleidsregels die een dynamisch mechanisme onthullen hoe onzekerheid over regime-persistentie voorzichtigheidsmotieven en vermogensaccumulatie beïnvloedt.
Dit artikel introduceert de eerste zwakke polynomiale algoritmen voor parametrische submodulaire functieminimalisatie door een duale formulering en snijvlakmethoden te combineren, waardoor het aantal oproepen aan de exacte minimaliseringsorakel wordt verminderd tot een complexiteit die overeenkomt met de huidige beste resultaten voor submodulaire functieminimalisatie.
Dit artikel introduceert de Dynamisch Geaugmenteerde CVaR (DCVaR) als een tijdsconsistent risikomaatstaf voor Markov-beslissingsprocessen en biedt een algoritme om een beleid te vinden dat deze maatstaf optimaliseert, waarbij wordt aangetoond dat eerdere waarde-iteraties voor Robuuste MDP's slechts ondergrenzen van statische CVaR berekenen.
Dit artikel introduceert een disjunctieve branch-and-bound-methode en nieuwe convex relaxaties die lage-rang-matrixcompletieproblemen met een gegarandeerd optimaal resultaat oplossen, wat leidt tot aanzienlijk lagere trainings- en testfouten vergeleken met bestaande heuristieken.
Dit artikel introduceert de essentiële Lagrange-multiplicator en vestigt een stevige wiskundige basis voor geconstrueerde optimalisatie in Hilbertruimten door middel van een nieuw decompositiekader, wat leidt tot scherpe resultaten over de convergentie van methoden zoals SQP en het Augmented Lagrangian, evenals een fundamenteel inzicht in de verschillen tussen eindige en oneindig-dimensionale ruimten.
Dit artikel onderzoekt de rol van semismooth-afgeleiden in de numerieke analyse van niet-gladde problemen, met name hun interactie met de semismooth*-eigenschap voor multifunctions en de afgeleiden van oplossingskaarten voor parametrische inbeddingen.
Dit artikel introduceert een geregeliseerd optimalisatieprobleem voor het stoppen van processen, geformuleerd als een singuliere stochastische controle met een entropiestrafsysteem om exploratie te bevorderen, en biedt zowel model-gebaseerde als model-vrije versterkende leeralgoritmen met gegarandeerde verbetering.
Deze paper presenteert een nieuwe, robuuste strategie voor gerichte exploratie van onzekere lineaire tijd-invariante systemen met energie-gebonden verstoringen, waarbij via een semidefiniet programma een exploratieplan wordt berekend dat een gewenste nauwkeurigheid van de parameterschatting garandeert zonder aannames over de verdeling van de verstoringen.
Dit onderzoek presenteert een nieuwe 'leer-then-optimaliseer'-benadering die machine learning, SHAP-gebaseerde interpretatie en SHAP-gestuurde integer programming combineert om de plaatsing van publieke defibrillatoren te optimaliseren en zo de overlevingskansen bij hartstilstanden buiten het ziekenhuis te vergroten.
Dit paper introduceert een deterministisch diffusiemodel voor de regeling en planning van niet-lineaire systemen, waarbij een feedbackwet wordt ontworpen om de toestandsdichtheid via een 'denoising'-proces te sturen naar een gewenste doelformatie.