Couvre l'approche de programmation linéaire de l'apprentissage par renforcement, en se concentrant sur ses applications et ses avantages dans la résolution des processus décisionnels de Markov.
Couvre les bases de l'optimisation, y compris les perspectives historiques, les formulations mathématiques et les applications pratiques dans les problèmes de prise de décision.
Couvre la modélisation et l'optimisation des systèmes énergétiques, en se concentrant sur la résolution de problèmes d'optimisation avec des contraintes et des variables.
Couvre les bases de la programmation linéaire et de la méthode simplex, en se concentrant sur la recherche de solutions optimales et la manipulation de la dégénérescence.
Explore les programmes entiers, l'optimisation non convexe, les contraintes et les aspects géométriques de la programmation linéaire pour des solutions optimales.
