EVENTO
Deep Learning Methods for some Problems in Environmental Economics
Tipo de evento: Exame de Qualificação
Nessa pesquisa formulamos um modelo de acordos internacionais ambientais dentro com um modelo de crescimento ótimo estocástico com acúmulo de poluição utilizando a teoria dos jogos diferenciais estocásticos. Tal problema nos leva a um sistema de equações do tipo Amilton-Jacobi-Bellman, que deve ser resolvido para obtermos as estratégias ótimas de cada agente. Uma vez resolvido o sistema de equações, aplicamos os critérios de estabilidade do acordo para achar o tamanho máximo de uma coalizão entre os signatários do acordo. Para resolver o sistema de equações diferenciais parciais, utilizaremos métodos de deep learning. O método deep galerkin, será utilizado para resolver o sistema acoplado de n equações diferenciais parciais. Propomos também um algoritmo utilizando uma variação do método deep galerkin, chamado deep galerkin policy improvment algorithm proposto por Al-Aradi et al. (2022) junto com o algoritmo proposto por Han e Hu (2020) chamado deep stochastic fictitious play. No algoritmo proposto o sistema de equações HJB é desacoplado, e cada equação é resolvida independentemente.Para assistir acesse:https://us02web.zoom.us/j/81791336074?pwd=5aLfI25QlPAXqFDeaXrbScKFEglBNt.1
Data Início: 21/11/2024 Hora: 14:00 Data Fim: 21/11/2024 Hora: 17:00
Local: LNCC - Laboratório Nacional de Computação Ciêntifica - Virtual
Aluno: Thiago Corni Ferreira - - LNCC
Orientador: Jiang Zhu - Laboratório Nacional de Computação Científica - LNCC
Participante Banca Examinadora: José Karam Filho - Laboratório Nacional de Computação Científica - LNCC Nelson Francisco Favilla Ebecken - Universidade Federal do Rio de Janeiro - COPPE/UFRJ Roberto Pinto Souto - Laboratório Nacional de Computação Científica - LNCC
Suplente Banca Examinadora: Renato Portugal - Laboratório Nacional de Computação Científica - LNCC
