Статьи по математической оптимизации

Назовите класс задачи

• convex optimization — выпуклая оптимизация.
• stochastic optimization — оптимизация по случайным наблюдениям или оценкам.
• integer programming — задачи с целочисленными переменными.
• proximal method — методы, в которых сложность функции учитывается отдельным шагом минимизации.

Какие рубрики и запросы использовать

В arXiv math.OC включает оптимизацию и управление. Алгоритмы обучения встречаются также в cs.LG и stat.ML, а дискретные алгоритмические задачи — в cs.DS.

В «Сложном запросе» первый пример ищет проксимальные методы в math.OC, второй — стохастическую оптимизацию. Добавьте название своей задачи, если получаются слишком разные применения.

(cat:math.OC AND all:proximal)
(cat:math.OC AND all:"stochastic optimization")

Как сравнить два метода решения

Найдите предположения: гладкость, выпуклость, доступ к точному или случайному градиенту. Затем сравните число вычислений функции или градиента до одной и той же точности. Одна итерация разных алгоритмов может иметь разную стоимость.

Если в статье есть эксперимент, посмотрите размер задачи, критерий остановки и время работы. Для начала изучения выпуклых задач полезна книга Boyd и Vandenberghe: авторы открыли текст и примеры на своей странице.

Как следить за новыми алгоритмами

Нажмите «Добавить тему» → arXiv → «Раздел arXiv» и отправьте math.OC. Бот ответит «Добавлено». Для одной ветви выберите «Ключевую фразу» и отправьте convex optimization или stochastic optimization.

Откройте «Последние работы» для созданной подписки. Если вас интересует только один способ решения, используйте его название вместо всего раздела.

Английские термины для поиска

objective function

целевая функция

stochastic optimization

стохастическая оптимизация

convergence rate

скорость приближения к решению

Частые вопросы