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

Nonconvex nonsmooth optimization methods for decision making under uncertainity

• Auteur / Autrice : Gregorio MARTíNEZ SEMPERE
• Direction : Welington De oliveira
• Type : Projet de thèse
• Discipline(s) : Contrôle, optimisation, prospective
• Date : Inscription en doctorat le 01/11/2022
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : Mathématiques et Systèmes
• Partenaire(s) de recherche : Equipe de recherche : CMA - Centre de Mathématiques Appliquées
• Partenaire(s) de recherche : établissement opérateur d'inscription : Mines Paris-PSL

Mots clés

Mots clés libres

Optimisation non lisse

Optimisation non convexe

Optimisation stochastique

Nonsmooth optimization

Nonconvex optimization

Stochastic optimization

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.

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.