Programación dinámica
Investigación de operaciones Tercera entrega
- Video:Fundamentos de Investigación Operativa Lección 20: Programación Dinámica - Ejemplos para Resolver Problemas de Programación Lineal y Entero.
- Fuente:Indian Institute of Technology Madras NPTEL.
- Video:Programación dinámica. Problemas lineales y enteros
- Fuente:Canal NTPEL / YouTube
Dynamic Programming and Bayesian Inference, Concepts and Applications
Programación dinámica e inferencia bayesiana. Conceptos y aplicaciones
La programación dinámica y la inferencia bayesiana se han desarrollado de forma intensiva y extensiva durante los últimos años. Debido a estos avances, el interés en ellas y sus aplicaciones ha crecido de modo significativo en todos los niveles de las matemáticas. El propósito de este libro es mostrar algunas de tales aplicaciones.
El documento está conformado por los siguientes capítulos:
- Bayesian Networks for Supporting Model Based Predictive Control of Smart Buildings
- Integration of Remotely Sensed Images and Electromagnetic Models into a Bayesian Approach for Soil Moisture Content Retrieval: Methodology and Effect of Prior Information
- Optimizing Basel III Liquidity Coverage Ratios
- Risk-Constrained Forward Trading Optimization by Stochastic Approximate Dynamic Programming
- Using Dynamic Programming Based on Bayesian Inference in Selection Problems
Este libro (Rijeka, Croacia: InTech, 2014), cuyos capítulos fueron elaborados por varios autores, fue editado por Mohammad Saber Fallah Nezhad. Fue publicado por InTech, casa editorial multidisciplinaria de acceso abierto de libros y revistas que cubren los campos de la ciencia, la tecnología y la medicina.
Approximate dynamic programming by minimizing distributionally robust bounds
Programación dinámica aproximada minimizando límites distribuidamente robustos
La programación dinámica aproximada (ADP) es un enfoque popular para resolver problemas extensos de decisión markovianos. En este documento se describe un nuevo tipo de métodos de tal enfoque programación dinámica aproximada distribuidamente robusta que aborda el curso de la dimensionalidad al minimizar un límite pesimista. Esta alternativa convierte a la ADP en un problema de optimización, por lo cual se derivan nuevas formulaciones de programación matemática y se analizan sus propiedades.
Esta ponencia fue preparada por Marek Petrik (IBM T.J. Watson Research Center, Yorktown, NY, Estados Unidos) para la "29th International Conference on Machine Learning" (ICML 2012) (26 de junio-1 de julio de 2012, Edimburgo, Escocia, Reino Unido). Se encuentra alojado en la sección Papers del portal del evento.
