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.
Introduit les bases de la programmation linéaire, y compris les problèmes d'optimisation, les fonctions de coût, l'algorithme simplex, la géométrie des programmes linéaires, les points extrêmes et la dégénérescence.
Couvre la modélisation et l'optimisation des systèmes énergétiques, en se concentrant sur la résolution de problèmes d'optimisation avec des contraintes et des variables.
Couvre la régression MAE, la coque convexe, les avantages de la reformulation et les problèmes pratiques liés aux variables et aux contraintes de décision.
Explore les problèmes d'optimisation convexe, les critères d'optimalité, les problèmes équivalents et les applications pratiques dans le transport et la robotique.
Explore les programmes entiers, l'optimisation non convexe, les contraintes et les aspects géométriques de la programmation linéaire pour des solutions optimales.
Explore les résultats élémentaires en optimisation convexe, y compris les coques affines, convexes et coniques, les cônes appropriés et les fonctions convexes.
Couvre les bases de l'optimisation convexe, y compris les problèmes mathématiques, les minimiseurs et les concepts de solution, en mettant l'accent sur des méthodes efficaces et des applications pratiques.
