Couvre l'algorithme Branch & Bound pour une exploration efficace des solutions possibles et discute de la relaxation LP, de l'optimisation du portefeuille, de la programmation non linéaire et de divers problèmes d'optimisation.
Couvre les bases de l'optimisation, y compris les perspectives historiques, les formulations mathématiques et les applications pratiques dans les problèmes de prise de décision.
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.
S'oriente vers la dualité dans l'optimisation, la dualité faible, les certificats de coûts et la transformation des programmes non linéaires en programmes linéaires.
Couvre l'approche de programmation linéaire de l'apprentissage par renforcement, en se concentrant sur ses applications et ses avantages dans la résolution des processus décisionnels de Markov.
