Den här sidan handlar om WASP Matematik. Här kan du läsa om våra två forskargrupper:
- Matematik och algoritmer för intelligent beslutsfattande
- Optimering för maskininlärning
Det finns stor potential i att använda matematik och algoritmer för att stödja beslutsfattande i komplexa sammanhang. Vi arbetar främst med diskret optimering för beslutsproblem som syftar till att schemalägga eller allokera resurser. I våra forskningsprojekt söker vi nya sätt att förbättra beslutsfattande genom optimering och utvecklar effektivare metoder för att lösa optimeringsproblem.
Tack vare digitaliseringen så har vi en hög mognadsnivå både när gäller tillgången på data som kan användas för beslutsfattande och med avseende på förmågan att utvinna relevant information ur den. Tillsammans med utvecklingen inom data science så utgör optimering— när det används för beslutsstöd – en avgörande komponent i utvecklingen av verktyg för att stödja avancerat beslutsfattande. Den ständigt ökande storskaligheten och komplexiteten hos de problem som är relevanta att lösa skapar ett behov av forskning för att utveckla de matematiska och algoritmiska grunderna inom optimering.
I omställningen mot en mer hållbar användning av resurser så är vårt bidrag att utveckla matematiska modeller och optimeringsmetoder för praktiskt relevanta men beräkningskrävande problem inom schemaläggning och resursallokering.
Forskningsinriktningen, tidigare kallad Optimeringsmetodik för schemaläggnings- och resursallokeringsproblem har byggts upp genom stöd från Center for Industrial Information Technology (CENIIT) och har sin hemvist på avdelningen för Tillämpad matematik (TIMA) vid Matematiska institutionen (MAI). Ledare för gruppen är Elina Rönnberg.
Några av våra tillämpade projekt och doktorandprojekt presenteras i listan över forskningsprojekt nedan.
Vår grupp fokuserar på att utveckla mer effektiva algoritmer till modern maskininlärning.
Kontinuerlig optimering spelar en central roll i modern maskininlärning. Varje inlärningsprocess kräver att ett så kallat högdimensionellt minimeringsproblem blir löst. Ju snabbare vi löser det, desto färre resurser så som energi, tid eller pengar slösar vi bort.
Nuvarande toppmoderna algoritmer inkluderar viss heuristik, vilket innebär att de ger lösningar som inte är garanterat optimala men tillräckligt bra. Det kräver mycket justering. Vår grupp arbetar med den teoretiska motiveringen av sådan heuristik och gruppen fokuserar på att utveckla nya, mer effektiva algoritmer.