Inexact cuts for value functions of some convex optimization problems

Quem: 

Vincent Gérard Yannick Guigues

Onde: 

Praia de Botafogo, 190 - sala 537

Quando: 

11 de Outubro de 2018 às 16:00h

We prove formulas for inexact cuts of value functions of a class of convex optimization problems on the basis of approximate primal and dual solutions. These inexact cuts were recently proposed for Stochastic Dual Dynamic Programming. We provide another formula for inexact cuts of these value functions when the dual function is strongly concave. We show that this strong concavity of the dual function is satisfied for some problems, extending [2]. These inexact cuts can be combined with Stochastic Mirror Descent to solve some two-stage nonlinear stochastic programs.

References:
[1] V. Guigues, Inexact cuts for Deterministic and Stochastic Dual Dynamic Programming applied to convex nonlinear optimization problems, 2017, arXiv.
[2] H. Yu and J. Neely, On the Convergence Time of the Drift-Plus-Penalty Algorithm for Strongly Convex Programs, arXiv, 2015.
[3] V. Guigues, Inexact Stochastic Mirror Descent for two-stage nonlinear stochastic programs, arXiv, 2018.

*Texto informado pelo autor. 

Palestrante: 

Vincent Gérard Yannick Guigues possui graduação e mestrado em Informática e Matemática Aplicada pela ENSIMAG (2000 e 2001), mestrado em Otimização e Estatística pela Universidade Joseph Fourier (2001) e doutorado em Matemática Aplicada pela Universidade Joseph Fourier (2005). Atualmente é professor na FGV. Antes de entrar na FGV (em 2012), foi pós-doutorando na UJF (2005) e no IMPA (2006-2009) e professor da PUC-Rio (2009-2012) e da UFRJ (2012). Sua pesquisa está focada no desenvolvimento de modelos e algoritmos para problemas de otimização sob incerteza. Trabalha em particular sobre a modelagem de séries temporais, as medidas de risco, a otimização robusta, as restrições em probabiliade e a otimização convexa. Tem participado em projetos de consultoria para várias empresas (GDF, EDF, Raise-Partner, CEPEL e Petrobras).