Understanding non-convex optimization problems and stochastic optimization algorithms

Abstract

Esta tesis presenta contribuciones significativas en el campo de las heurísticas estocásticas iterativas. Se abordan varios aspectos relacionados con la comparación y mejora de algoritmos de optimización. En primer lugar, se propone una metodología para comparar de manera justa el rendimiento de algoritmos ejecutados en diferentes máquinas, asegurando una asignación equitativa de recursos computacionales.Además, se introduce una metodología basada en la dominancia estocástica para comparar el rendimiento de algoritmos de optimización como variables aleatorias. Asimismo, se analiza la relación entre la distancia de Hamming y el problema de asignación cuadrática. Se desarrolla un método general de detención temprana para el aprendizaje de políticas en problemas episódicos, que no requiere información específica del problema. En resumen, esta tesis contribuye a la comprensión y mejora de las heurísticas estocásticas iterativas en el ámbito de la optimización.