学术报告(李俊平、刘源远、夏俐 1.11)

发布人:周妍 发布日期:2019-01-02
活动时间
-
活动地址
新数学楼416

一、李俊平教授(中南大学)讲座: Large deviation rates for branching processes

报告摘要

 

 

 

 

 

 

 

 

 

二、刘源远教授(中南大学)讲座: Nearly-completely decomposable Markov modulated fluid queues

Abstract: We consider a Markov modulated fluid queue for which the environment is nearly-completely decomposable. Under the basic assumption that both the nearly-completely decomposable Markov modulated fluid model and the aggregated fluid models are positive recurrent, we show that the stationary density of the level can be expanded as convergent power series of the aggregated stationary densities. We go further in the analysis by assuming that one or more of the aggregated fluid queues is not necessarily positive recurrent. Essential difference can be observed for the two cases, which is illustrated through a numerical example.

三、夏俐副教授(清华大学)讲座: 强化学习与智能决策

摘要:随着AlphaGo的成功应用,强化学习得到了学术界和工业界的日益重视。强化学习是机器学习的重要方法之一,其本质是研究随机动态系统的决策优化问题,是一个涉及计算机、控制论、运筹学、心理学等多学科深度交叉的研究方向,独具研究挑战和吸引力。本报告将主要介绍近年来强化学习的发展,包括人工智能与深度学习的发展、AlphaGo的主要原理、强化学习的基本原理与主要算法,同时也简要汇报报告人在强化学习的复杂度分析、机器人学习控制等方面的研究工作,并讨论若干可能的研究方向。

 

数学学院

2019年1月2日