Université de Liège Réseau des Bibliothèques

BICTEL/e - ULg
Serveur institutionnel des thèses de doctorat



Nouvelles thèses
dans BICTEL/e - ULg
  • Stiepen, Arnaud - Dynamics and compisition of Mars and Venus upper atmospheres observed by the ultraviolet spectrographs on board Mars Express and Venus Express/ Dynamique et composition des atmosphères supérieures de Mars et Vénus observées par les spectrographes ultraviolets à bord de Mars Express et Vénus Express
  • Collignon, Amandine - Abondance et variabilité des méduses en Baie de Calvi (Corse)
  • Hermans, Thomas - Integration of near-surface geophysical, geological and hydrogeological data with multiple-point geostatistics in alluvial aquifers
Présentation Recherche thèse Dépôt thèse Accès
gestionnaires
 
Page de résumé pour ULgetd-11082010-142522

Auteur : Defourny, Boris
URN : ULgetd-11082010-142522
Langue : Anglais/English
Titre : Machine Learning Solution Methods for Multistage Stochastic Programming
Intitulé du diplôme : Doctorat en sciences de l'ingénieur
Département : FSA - Département d'électricité, électronique et informatique
Jury :
Nom : Titre :
Crama, Yves Membre du jury/Committee Member
Louveaux, Quentin Membre du jury/Committee Member
Mannor, Shie Membre du jury/Committee Member
Romisch, Werner Membre du jury/Committee Member
Shapiro, Alexander Membre du jury/Committee Member
Teytaud, Olivier Membre du jury/Committee Member
Sepulchre, Rodolphe Président du jury/Committee Chair
Wehenkel, Louis Promoteur/Director
Mots-clés :
  • sequential decision making under uncertainty/prise de décision séquentielle dans l'incertain
  • optimization/optimisation
Date de soutenance : 2010-12-20
Type d'accès : Restreint/Intranet
Résumé :

This thesis investigates the following question: Can supervised learning techniques be successfully used for finding better solutions to multistage stochastic programs? A similar question had already been posed in the context of reinforcement learning, and had led to algorithmic and conceptual advances in the field of approximate value function methods over the years. This thesis identifies several ways to exploit the combination "multistage stochastic programming/supervised learning" for sequential decision making under uncertainty.

Multistage stochastic programming is essentially the extension of stochastic programming to several recourse stages. After an introduction to multistage stochastic programming and a summary of existing approximation approaches based on scenario trees, this thesis mainly focusses on the use of supervised learning for building decision policies from scenario-tree approximations.

Two ways of exploiting learned policies in the context of the practical issues posed by the multistage stochastic programming framework are explored: the fast evaluation of performance guarantees for a given approximation, and the selection of good scenario trees. The computational efficiency of the approach allows novel investigations relative to the construction of scenario trees, from which novel insights, solution approaches and algorithms are derived. For instance, we generate and select scenario trees with random branching structures for problems over large planning horizons. Our experiments on the empirical performances of learned policies, compared to golden-standard policies, suggest that the combination of stochastic programming and machine learning techniques could also constitute a method per se for sequential decision making under uncertainty, inasmuch as learned policies are simple to use, and come with performance guarantees that can actually be quite good.

Finally, limitations of approaches that build an explicit model to represent an optimal solution mapping are studied in a simple parametric programming setting, and various insights regarding this issue are obtained.

Autre version :
Fichiers :
Nom du fichier Taille Temps de chargement évalué (HH:MI:SS)
Modem 56K ADSL
[Restreint/Intranet] PhDthesis_B_Defourny.pdf 1.21 Mb 00:02:52 00:00:06
Fichiers accessibles par l'Internet [Public/Internet] ou que par l'Intranet [Restreint/Intranet].

Bien que le maximum ait été fait pour que les droits des ayants-droits soient respectés, si un de ceux-ci constatait qu'une oeuvre sur laquelle il a des droits a été utilisée dans BICTEL/e ULg sans son autorisation explicite, il est invité à prendre contact le plus rapidement possible avec la Direction du Réseau des Bibliothèques.


Parcourir BICTEL/e par Auteur|Département | Rechercher dans BICTEL/e


© Réseau des Bibliothèques de l'ULg, Grande traverse, 12 B37 4000 LIEGE