Numerical analysis and methods for mean-field-type optimization problems - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2023

Numerical analysis and methods for mean-field-type optimization problems

Analyse numérique et méthodes pour les problèmes d'optimisation de type champ moyen

Résumé

This thesis deals with the numerical analysis and methods for optimization problems and potential games involving a large number of agents. We consider asymptotic models obtained through a mean-field approximation; they exhibit convexity properties of great interest. We focus on large-scale aggregative optimization problems, for which the objective function depends on an aggregate term, which is the sum of the contributions of the agents to some common good. We also focus on potential Mean Field Game (MFG) models, which are limit models for differential games. The thesis consists of four contributions.1) We propose a mean-field relaxation for aggregative optimization problems, obtained by randomization. The relaxation gap is estimated to be of order O(1/N), where N represents the number of individuals. We develop and prove the convergence of a stochastic variant of the Frank-Wolfe algorithm, called SFW algorithm, to address the original aggregative problem.2) We formulate a general class of optimization problems involving a set of probability distributions with a prescribed marginal m. We call them Mean Field Optimization (MFO) problems. Our framework contains the relaxed aggregative problems as well as some Lagrangian potential MFGs. We demonstrate a stability result with respect to perturbations of m. It enables us to derive an error estimate for a numerical method relying on a discretization of m and the SFW algorithm.3) We introduce a novel finite-difference scheme, called theta-scheme, for solving monotone second-order MFGs. We give a precise convergence result for the theta-scheme, of order O(h^r), where h is the step length of the space variable and 0
Cette thèse traite de l'analyse numérique et des méthodes pour les problèmes d'optimisation et les jeux potentiels impliquant un grand nombre d'agents. Nous considérons des modèles asymptotiques obtenus par une approximation de champ moyen; ils présentent des propriétés de convexité d'un grand intérêt. Nous nous concentrons sur les problèmes d'optimisation agrégative de grande dimension, pour lesquels la fonction coût dépend d'un terme d'agrégat, qui est la somme des contributions des agents à un bien commun. Nous nous concentrons également sur des modèles potentiels de jeux à champ moyen (MFG), qui sont des modèles asymptotiques pour les jeux différentiels. La thèse comporte quatre contributions.1) Nous proposons une relaxation de type champ moyen pour les problèmes d'optimisation agrégative, obtenue par randomisation. Une estimation d'ordre O(1/N) du saut de relaxation est démontrée, où N représente le nombre d'individus. Nous développons et prouvons la convergence d'une variante stochastique de l'algorithme de Frank-Wolfe, appelée algorithme SFW, pour résoudre le problème agrégatif original.2) Nous formulons une classe générale de problèmes d'optimisation impliquant un ensemble de distributions de probabilités avec une marginale prescrite, égale à m. Nous les appelons problèmes d'optimisation à champ moyen (MFO). Notre cadre contient les problèmes agrégatifs relaxés ainsi que certains MFGs potentiels en formulation lagrangienne. Nous démontrons un résultat de stabilité par rapport à une perturbation de m. Nous en déduisons une estimation d'erreur pour une méthode numérique reposant sur une discrétisation de m et l'algorithme SFW.3) Nous introduisons un nouveau schéma de différences finies, appelé thêta-schéma, pour résoudre les MFG monotones du second ordre. Nous donnons un résultat de convergence précis pour le thêta-schéma, d'ordre O(h^r), où h est le pas de discrétisation en espace et 0
Fichier principal
Vignette du fichier
128953_LIU_2023_archivage.pdf (3.13 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)

Dates et versions

tel-04485993 , version 1 (01-03-2024)

Identifiants

  • HAL Id : tel-04485993 , version 1

Citer

Kang Liu. Numerical analysis and methods for mean-field-type optimization problems. Optimization and Control [math.OC]. Institut Polytechnique de Paris, 2023. English. ⟨NNT : 2023IPPAX068⟩. ⟨tel-04485993⟩
184 Consultations
15 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More