Vorlesung | V1 |
---|---|
Termin | mittwochs, ab 12. April 2023, 11:40 – 13:20 Uhr |
Ort | S306|051 bzw. S306|146 (siehe Tucan) |
Dozent | Dr. rer. nat. Tatiana Tatarenko |
Sprache | englisch |
Übung | Ü1 |
---|---|
Termin | mittwochs, ab 12. April 2023, 13:50 – 15:10 Uhr |
Ort | S306|053 |
Ansprechpartner | Dr. rer. nat. Tatiana Tatarenko |
ECTS (Vorlesung + Übung) |
4 CPs |
Prüfung | |
---|---|
Termin | siehe TUCaN |
Ort | siehe TUCaN |
Ansprechpartner | Dr. rer. nat. Tatiana Tatarenko |
Erlaubte Hilfsmittel | keine |
Prüfungsrelevante Inhalte | alle Vorlesungen und Übungen |
Information zur Vorlesung und zur Übung
Alle Materialien, wie Vorlesungsfolien, Übungsblätter und Musterlösungen stehen in Moodle zum Herunterladen bereit. Die Vorlesung und die Übung finden jede Woche statt und dauern jeweils zwei Vorlesungs- bzw. Übungseinheiten.
Aufbau
Es handelt sich um eine '2+1'-Veranstaltung, die aus Vorlesungsteil und Übungsteil besteht. Gehalten wird die Vorlesung von Dr.rer.nat. Tatiana Tatarenko jeweils im Sommersemester.
Inhalt
Die Sprache der Vorlesung ist Englisch:
Part I: Preliminaries
- Unconstrained optimization: necessary and sufficient conditions of extremum;
- Unconstrained optimization problem: existence, uniqueness, stability;
- Gradient descent in convex optimization, its convergence.
- Constrained optimization: Karush-Kuhn-Tucker condition;
- Optimization subjected to convex simple constraints;
- Gradient projection method and its convergence properties;
- Optimization subjected to inequality constraints;
Part II: Game-theoretic Optimization
- Background of game theory: Nash equilibrium concept, finite action games, examples;
- Potential games;
- Continuous action games with convex cost functions;
- Variational inequalities, their connection to Nash equilibria in convex games;
- Existence and uniqueness of Nash equilibrium in convex games;
- Gradient methods and their behavior in convex games;
- Information settings in systems: communication- and payoff-based methods;
- Modern applications and their challenges.
Part III: Distributed Optimization
- Motivating examples; interaction through communication;
- Consensus in MAS;
- Unconstrained/constrained distributed optimization;
- Modern applications and their challenges.