Helyszín: Budapesti Corvinus Egyetem, C épület 

Időpont: 

Az esemény nyelve: Angol 
 
Minikurzus 1: Online lineáris programozás és kiterjesztések 
Az online lineáris programozás (OLP) egy természetes optimalizációs modell, amely számos online tanulási és erőforrás-elosztási döntéshozatalt fogalmaz meg bizonytalanság mellett, ahol a zajos korlátozási oszlopvektorok, valamint a célkoefficiens és a döntési változók valós időben, egymás után kerülnek feltárásra és meghatározásra. Ebben a kurzusban áttekintjük a közel optimális algoritmusokat és elméleteket ennek a meglepően általános online (bináris) lineáris programok és konvex optimalizációs problémák osztályának megoldásához. Ezután bemutatunk néhány újabb fejlesztést a modellek/algoritmusok és kiterjesztések terén, beleértve a gyors online gradiens tanulást és döntéshozatalt, a Bandit with Knapsacks beállítást, az online árazású Fisher Marketet, a tanulás és döntéshozatal szétválasztási stratégiáját, a vegyes LP-megoldással és online gradiens módszerekkel rendelkező Wait-Less algoritmusokat, valamint a gradiens-alapú módszerekhez online skálázással/előfeltételezésekkel rendelkező hipergradiens módszereket. 
 
Minikurzus 2: SDP relaxáció NP-nehéz optimalizáláshoz és SDP megoldók GPU-n 
Először leírjuk a félhatározott programozás (SDP) relaxációját több NP-nehéz és nem konvex optimalizálási problémán, és bemutatjuk azokat a szükséges és elégséges feltételeket, amelyek mellett a relaxáció pontos lesz. Ezután bemutatjuk az SDP optimalizáló megoldók fejlesztésének áttöréseit a GPU számítási platformon. Bemutatjuk a jól ismert kvantum rendezett keresési probléma számítási bizonyítását SDP segítségével, a gráf-megvalósítás vagy érzékelő-lokalizálás számítási eredményeit, valamint a hatalmas méretű nem konvex és NP-nehéz kombinatorikus optimalizálási problémák megoldására szolgáló SDP kerekítési elméletek/algoritmusok közelítési eredményeit. 
 
Minikurzus 3: A Markov-döntési/játékfolyamatokhoz kapcsolódó legújabb algoritmikus fejlesztések 
Bemutatjuk a Markov-döntési és körökre osztott játékfolyamatokhoz, illetve általában a lineáris programozáshoz kapcsolódó elosztott algoritmusok legújabb fejlesztéseit. 
Megmutatjuk, hogy a klasszikus politikai iterációs módszer (Howard 1960), beleértve az egyszerű politika iterációt (vagy simplex módszert, Dantzig 1947) a legnegatívabb redukált költségű pivotálási szabályval, egy erősen polinomiális idejű algoritmus a diszkontált Markov-döntési folyamatok (MDP) megoldására bármely rögzített diszkonttényezővel. Az eredmény meglepő, mivel szinte az összes komplexitási eredmény a simplex és a policy-iteration módszerekre negatív, míg a gyakorlatban ezeket széles körben használják MDP-k és sztochasztikus játékok megoldására. Ezután bebizonyítjuk, hogy az egyszerű policy-iteration módszer erősen polinomiális a determinisztikus MDP megoldására, függetlenül a tényezőtől. Végül bemutatjuk a sztochasztikus/determinisztikus körökre osztott zéró összegű játékok megoldásának eredményeit, ahol egyes problémák évek óta megoldatlanok. 
 
További információk erről és a közelgő eseményekről a https://www.ccor.hu oldalon találhatók.