Editorial: A special issue on optimization and related topics dedicated to Professor Roman Polyak
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
Roman Polyak's debut in Optimization goes back to the early 60-s, when in collaboration with S. Zuchovitsky and M. Primak he developed, independently on G. Zoutendijk, the method of feasible direction in both Euclidian and Gilbert spaces. In the 60-s, they solved the standardization problem, which leads to the minimization of a concave function on a special poletop. Their method finds the global minimum in polynomial time. In the late 60-s and early 70-s, they developed several methods for finding Nash equilibrium in n-person concave game and the Walras-Wald equilibrium. In the mid-60-s, Roman developed primal-dual methods for convex optimization. In the 80-s, Roman developed the Nonlinear Rescaling (NR) theory and exterior point methods for constrained optimization. The NR theory allows to eliminate the basic drawbacks of the classical Sequential Unconstrained Minimization Technique for Nonlinear Programming (NLP). In particular, his Modified Barrier Functions methods had been used with great success for solving large scale real life NLP problems, including planning radiation therapy, truss topology design, optimal power flow and antenna design. Numerical realization of NR methods requires efficient tools for unconstrained optimization, therefore, Roman introduced Regularized Newton method, established its global convergence for any strictly convex function, which has a minimizer, proved local quadratic convergence and estimated its complexity bound. The NR theory has become the foundation for PENNON -one of the best NLP solvers. Together with his former PhD student Igor Griva, he developed Primal-Dual NR theory
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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