New adaptive interior point algorithms for linear optimization
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Interior Point Methods (IPMs) have shown their power in solving large scale optimization problems. In this thesis, using the notion of self-regularity, various classes of algorithms are proposed. First, we present an adaptive technique to compute the target barrier parameter. Using this adaptive technique a single step large-update algorithm is proposed that enjoys better worst case iteration complexity than the classical large-update IPMs. A new variant of infeasible IPMs, using the same adaptive technique, is proposed that enjoys better worst case iteration complexity than the classical infeasible IPMs. By further use of the adaptive technique a new family of predictor-corrector IPMs is proposed that are different both in the predictor and the corrector steps from their classical counter parts. Worst case iteration complexity analysis reveals significant improvement for some special cases over the classical analogues. In the second part of thesis we analyze the theoretical behavior of the most widely used algorithm in IPM based software packages, the so called Mehrotra-type predictor-corrector algorithm. This analysis reveals some drawbacks of the algorithm that motivated us to modify it. We combine it with a safeguard that prevents the drawback we observed and enables us to prove strong theoretical results about the new algorithm. Motivated by this drawback, we analyze it from different perspective. In the new approach, contrary to the existing variants in the literature, first we fix the step size and then aim to compute the smallest value of the barrier parameter that ensures the prescribed step size is feasible. After the barrier parameter is computed, the algorithm computes the next iterate by a line-search as usual. The worst case behavior of the proposed algorithms is discussed. Finally, some limited encouraging computational results are reported.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle