Explore l'optimisation avec des contraintes en utilisant les conditions KKT et l'algorithme de point intérieur sur deux exemples de programmation quadratique.
Couvre les bases de la programmation non linéaire et ses applications dans le contrôle optimal, en explorant des techniques, des exemples, des définitions d'optimalité et les conditions nécessaires.
Couvre les méthodes primal-dual pour la minimisation composite, les algorithmes stochastiques, les problèmes non convexes et les techniques de pénalité quadratique.
Explore l'analyse de sensibilité locale dans la programmation linéaire, en examinant comment les changements ont un impact sur l'optimalité et la faisabilité.
Explore l'optimisation primaire-duelle, la conjugaison des fonctions, la dualité forte, et les méthodes de pénalité quadratique en mathématiques de données.
Introduit CALIPSO, un résolveur pour l'optimisation de trajectoire avec des contraintes dans la robotique, des méthodes de mise en valeur et des exemples.
Couvre le concept de couverture pour les programmes linéaires et la méthode simplex, en se concentrant sur la réduction des coûts et la recherche de solutions optimales.
Explore les méthodes de pénalité quadratique pour les problèmes d'optimisation non convexe-concave et introduit des algorithmes primal-dual avec des fonctions de pénalité.
Explore les méthodes d'optimisation primaire-duelle, se concentrant sur les approches lagrangiennes et diverses méthodes comme la pénalité, la lagrangien augmentée, et les techniques de fractionnement.
Explore les conditions KKT dans l'optimisation convexe, couvrant les problèmes doubles, les contraintes logarithmiques, les moindres carrés, les fonctions matricielles et la sous-optimalité de la couverture des ellipsoïdes.
Explore les méthodes d'optimisation primal-dual, en mettant l'accent sur les techniques de gradient lagrangien et leurs applications dans l'optimisation des données.
