En este artículo se desarrollan métodos de optimización estocástica basados en gradientes para el diseño de experimentos sobre un espacio de parámetros continuo. Dado un estimador de Monte Carlo de ganancia de información esperada, se utiliza un análisis de perturbación infinitesimal para obtener los gradientes de este estimador. así, se está en la capacidad de formular dos enfoques de optimización estocástica basados en gradientes: la aproximación estocástica Robbins-Monro y la aproximación promedio de muestras combinada con un método determinístico cuasi-newtoniano.
Una aproximación de caos polinomial del modelo anticipado (forward model) acelera las evaluaciones objetivo y gradiente en ambos casos. Se discute la implementación de estos métodos y se conduce una comparación empírica de su desempeño. Para demostrar el diseño en un escenario no lineal con modelos anticipados de ecuaciones diferenciales parciales, se usa el problema de colocación del sensor para inversión de fuente.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Modelos de riesgo tipo muñeca rusa
Artículo:
Análisis del flujo de pacientes en el servicio de urgencias del Hospital Universitario la Samaritana a través de simulación discreta
Video:
Teoría de los juegos: Introducción
Artículo:
Investigación de operaciones, pensamiento sistémico y desarrollo de las ciencias y metodologías de la administración en los Estados Unidos y el Reino Unido
Ponencia:
Aproximación de la investigación de operaciones a la toma de decisiones
Artículo:
Implementación de una propuesta de aprendizaje significativo de la cinemática a través de la resolución de problemas
Artículo:
Calidad sanitaria sostenible y satisfacción laboral a través de la cultura organizativa: Enfoques y resultados
Artículo:
Un modelo de gestión de inventarios basado en estrategia competitiva
Artículo:
Fibras textiles