Resumen

En este artículo se desarrollan métodos de optimización estocástica basados en gradientes para el diseño de experimentos sobre un espacio de parámetros continuo. Dado un estimador de Monte Carlo de ganancia de información esperada, se utiliza un análisis de perturbación infinitesimal para obtener los gradientes de este estimador. así, se está en la capacidad de formular dos enfoques de optimización estocástica basados en gradientes: la aproximación estocástica Robbins-Monro y la aproximación promedio de muestras combinada con un método determinístico cuasi-newtoniano.

Una aproximación de caos polinomial del modelo anticipado (forward model) acelera las evaluaciones objetivo y gradiente en ambos casos. Se discute la implementación de estos métodos y se conduce una comparación empírica de su desempeño. Para demostrar el diseño en un escenario no lineal con modelos anticipados de ecuaciones diferenciales parciales, se usa el problema de colocación del sensor para inversión de fuente.

• Materias:Administración Investigación operacional Teorí­a bayesiana de decisiones estadísticas
• Subjects:Management Operations research Bayesian statistical decision theory
• Palabras claves:Ciencias de la administración, Optimización estocástica, Programación estocástica, Métodos estocásticos basados en gradientes, Diseños experimentales bayesianos, Aproximación estocástica robbins-monro, Aproximación promedio de muestras, Diseño óptimo, Análisis de perturbación infinitesimal, Inversión de fuente
• Keywords:Administration sciences, Stochastic optimization, Stochastic programming, Stochastic methods based on gradients, Bayesian experimental designs, Robbins-monro stochastic approximation, Average approximation of samples, Optimal design, Infinitesimal perturbation analysis, Source inversion