Understanding non-convex optimization problems and stochastic optimization algorithms

Resumen

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