Участник:Andrey Ryazanov
Материал из MachineLearning.
| Строка 12: | Строка 12: | ||
| - | === Весна 2016, | + | === Осень 2016, 7-й семестр === |
| + | |||
| + | '''Оценки неотрицательных и полуопределенных рангов матриц''', Рязанов А. В., Вялый М. Н. | ||
| + | |||
| + | В работе исследуется сложность расширения для многогранников задач комбинаторной оптимизации. Сложность расширения равняется минимальным размерностям конусов неотрицательных ортантов и положительно-полуопределенных матриц, с которых можно получить проекцию данного многогранника. Оценка сложности расширения даёт возможность оценить минимальную размерность задачи линейного программирования, которая будет решать данную комбинаторную задачу. В работе исследуются различные оценки на сложность расширения, полученные с помощью коммуникационной сложности и теоретико-информационного подхода. | ||
| + | |||
| + | === Весна 2016, 6-й семестр === | ||
'''Inverse Protein Folding Problem via Quadratic Programming''', Рязанов А. В., Карасиков М. Е., Грудинин С. В. | '''Inverse Protein Folding Problem via Quadratic Programming''', Рязанов А. В., Карасиков М. Е., Грудинин С. В. | ||
Текущая версия
Рязанов Андрей Владимирович
МФТИ, ФУПМ
Кафедра "Интеллектуальные системы"
Направление "Интеллектуальный анализ данных"
andrei.ryazanov@phystech.edu
Отчет о научно-исследовательской работе
Осень 2016, 7-й семестр
Оценки неотрицательных и полуопределенных рангов матриц, Рязанов А. В., Вялый М. Н.
В работе исследуется сложность расширения для многогранников задач комбинаторной оптимизации. Сложность расширения равняется минимальным размерностям конусов неотрицательных ортантов и положительно-полуопределенных матриц, с которых можно получить проекцию данного многогранника. Оценка сложности расширения даёт возможность оценить минимальную размерность задачи линейного программирования, которая будет решать данную комбинаторную задачу. В работе исследуются различные оценки на сложность расширения, полученные с помощью коммуникационной сложности и теоретико-информационного подхода.
Весна 2016, 6-й семестр
Inverse Protein Folding Problem via Quadratic Programming, Рязанов А. В., Карасиков М. Е., Грудинин С. В.
This paper presents a method of reconstruction a primary structure of a protein that folds into a given geometrical shape. This method predicts the primary structure of a protein and restores its linear sequence of amino acids in the polypeptide chain using the tertiary structure of a molecule. Unknown amino acids are determined according to the principle of energy minimization. This study represents inverse folding problem as a quadratic optimization problem and uses different relaxation techniques to reduce it to the problem of convex optimizations. Computational experiment compares the quality of these approaches on real protein structures.
Публикация:
Ryazanov A., Karasikov M., Grudinin S. Inverse Protein Folding Problem via Quadratic Programming, опубликована в сборнике трудов конференции ИТиС 2016.
Доклады:
Ryazanov A., Karasikov M., Grudinin S. Inverse Protein Folding Problem via Quadratic Programming, Традиционная молодежная Школа "Управления, информация и оптимизация".
Гранты:
РФФИ 16-37-00111
