Méthodes d'optimisation non lisses et non convexes pour la programmation stochastique

par Gregorio MARTíNEZ SEMPERE

Projet de thèse en Contrôle, optimisation, prospective

Sous la direction de Welington De oliveira.

Thèses en préparation à l'Université Paris sciences et lettres , dans le cadre de École doctorale Sciences et technologies de l'information et de la communication (Sophia Antipolis, Alpes-Maritimes) , en partenariat avec Mathématiques et Systèmes (laboratoire) , CMA - Centre de Mathématiques Appliquées (equipe de recherche) et de Université de Recherche Paris Sciences et Lettres (2015-2019) (établissement opérateur d'inscription) depuis le 01-11-2022 .

mots clés

• Optimisation non lisse
• Optimisation non convexe
• Optimisation stochastique

Résumé

La thèse proposée vise à développer de nouvelles méthodes d'optimisation (et à étendre les méthodes connues) pour résoudre des problèmes d'optimisation non lisses et non convexes. En particulier, nous nous intéresserons aux problèmes d'optimisation modélisant la prise de décision sous incetitude.

mots clés

• Nonsmooth optimization
• Nonconvex optimization
• Stochastic optimization

Titre traduit

Nonconvex nonsmooth optimization methods for decision making under uncertainity

Résumé

The proposed thesis aims to develop new (and extend known) optimization methods with guaranteed convergence for tackling nonsmooth and nonconvex optimization problems. In particular, a great deal of effort will be dedicated to optimization problems modeling real-life decision-making under uncertainity.