Logic-based Benders Decomposition and Binary Decision Diagram Based Approaches for Stochastic Distributed Operating Room Scheduling
分布式手术室(OR)调度问题的目的是找到一个手术分配到手术室之间的合作医院,共享他们的等候名单和OR。我们提出了一个随机扩展这个问题的手术时间被认为是不确定的。为了获得具有挑战性的随机模型的解决方案,我们使用样本平均近似,并开发了两个增强的分解框架,使用基于逻辑的Benders(LBBD)最优切割和基于二元决策图的Benders切割。具体而言,据我们所知,推导LBBD最优切割在随机规划的情况下是新的文献。我们在医院数据集上的计算实验表明,随机制定产生强大的时间表,我们的算法提高了计算效率。
2020-10-02 math.OC
LOTUS: A Warm-Start Framework for Powering Dual Decomposition in Large-Scale Two-Stage Stochastic Programs
CWI(荷兰数学与计算机科学研究中心);Vrije Universiteit Amsterdam(阿姆斯特丹自由大学)
LOTUS通过子集启动框架提升双分解在大型两阶段随机规划中的效率,实现更快的原问题收敛和更优的解质量。
2026-03-02 math.OC
A Decomposition Method for Distributionally-Robust Two-stage Stochastic Mixed-integer Cone Programs
给出了分布鲁棒两阶段随机混合整数凸锥规划的一个分解算法,并给出了分布鲁棒两阶段随机混合整数二阶锥规划的一个重要特例.这推广了Sen和Sherali~[数学规划106(2):203-223,2006]提出的算法。我们表明,所提出的算法是收敛的,如果第二阶段的问题解决到最优的现任第一阶段的解决方案,并解决一个最优化问题,以确定最坏情况下的概率分布是可用的。第二阶段的问题可以使用分支切割算法来解决。最后给出了分解算法的实例。对设施定位问题的随机规划推广的计算结果表明,所提出的方法显着的解决方案的时间改善。许多模型的解决方案是棘手的广泛形式制定成为可能。计算结果表明,解决方案的时间要求并没有显着增加时,考虑分布鲁棒对应的随机规划模型。
2019-11-20 math.OC
A Decomposition Algorithm for Two-Stage Stochastic Programs with Nonconvex Recourse
本文研究了一类非凸两阶段随机规划的分解求解方法,其中第二阶段问题的目标和约束均由第一阶段变量非线性参数化.由于所得到的非凸补偿函数的克拉克正则性的失败,经典的分解方法,如Benders分解和(增广)拉格朗日为基础的算法不能直接推广到解决这样的模型。通过探索一个隐式的凹凸结构的追索功能,我们介绍了一种新的分解框架的基础上,所谓的部分莫罗包络。该算法基于第二阶段凸子问题的解连续生成补偿函数的强凸二次逼近,并将其添加到第一阶段主问题中。收敛下固定的场景和内部抽样成立。数值实验证明了该算法的有效性。
2022-11-15 math.OC
Time Blocks Decomposition of Multistage Stochastic Optimization Problems
针对多阶段随机优化的大规模复杂性,提出按时间块进行状态归约,证明归约动态规划方程,并说明其在双时间尺度问题中的应用潜力。
2023-04-28 math.OC
Stochastic Decomposition Method for Two-Stage Distributionally Robust Optimization
针对两阶段分布鲁棒线性规划(2-DRLP)模型,提出了一种基于序贯抽样的算法。2-DRLP模型被定义在具有离散或连续概率分布的模糊度集合的一般类上。该算法是Higle和Sen(Math. of OR 16(3),650-669,1991)的用于两阶段随机线性规划的众所周知的随机分解算法的分布鲁棒版本。我们称之为分布式鲁棒随机分解(DRSD)方法的算法。该算法的主要特点包括:(1)它与模糊集的数据驱动近似一起工作,这些模糊集是使用大小不断增加的样本构建的;(2)在每次迭代中仅解决两个第二阶段子问题的最坏情况期望函数的近似的有效构建。我们确定的条件下,模糊度集近似收敛到真正的模糊度集,并表明DRSD方法渐近确定一个最优解,概率为1。我们还计算评估的DRSD方法的性能,用于解决分布鲁棒版本的实例考虑在随机规划文献。数值结果证实了DRSD方法的分析行为,并说明了计算优势,基于外部采样的分解方法(分布鲁棒L形方法)。
2020-11-17 math.OC
Decomposition Algorithms for Stochastic Programming on a Computational Grid
我们描述了两阶段的随机线性规划追索权的算法和它们的实现在网格计算平台上。特别是,我们研究串行和异步版本的L形方法和信赖域方法。所选择的并行平台是Condor系统提供的动态、异构、机会平台。这些算法是主-工作者类型的(工作者用于解决第二阶段的问题,MW运行时支持库(支持主-工作者计算)是实现的关键。大样本平均近似的问题,从文献中的计算结果。
2001-06-18 math.OC
A Stochastic Benders Decomposition Scheme for Large-Scale Stochastic Network Design
Sloan School of Management and Operations Research Center, Massachusetts Institute of Technology(麻省理工学院斯隆管理学院及运筹学中心);Department of Analytics, Marketing and Operations, Imperial College Business School(帝国理工商学院分析、营销与运营系);Management Science and Operations, London Business School(伦敦商学院管理科学与运营系);Operations Research Center, Massachusetts Institute of Technology(麻省理工学院运筹学中心)
本文提出一种随机Benders分解方法,通过采样历史数据生成确定性有效切口,解决大规模随机网络设计问题,实现更优的求解效率和精度。
2024-04-29 math.OC
Accelerating Stochastic Energy System Optimization Models: Temporally Split Benders Decomposition
针对小时级分辨率随机容量扩展规划问题求解耗时的问题,提出时间分裂的Benders分解方法,通过重构储能约束实现时间并行优化,使计算时间最多减少80%以上。
2025-08-14 math.OC
Stochastic Planning and Scheduling with Logic-Based Benders Decomposition
我们应用基于逻辑的Benders分解(LBBD)的两阶段随机规划和调度问题,其中第二阶段是一个调度任务。主问题用混合整数/线性规划求解,子问题用约束规划求解。作为Benders切割,我们使用简单的nogood切割以及我们为此应用开发的基于分析逻辑的切割。我们发现LBBD在计算上优于整数L形方法,LBBD的分支和检查变体快了几个数量级,允许解决更大的实例。这主要是由于整数L形方法产生的计算开销,同时产生经典的Benders削减从连续松弛的整数规划子问题。据我们所知,这是第一次应用LBBD两阶段随机最优化与调度第二阶段的问题,和第一次比较LBBD与整数\mbox{L-shaped}方法。结果表明,LBBD可能是一个很有前途的方法来解决其他随机和鲁棒的最优化问题整数或组合资源。
2020-12-28 math.OC
A Block-Activated Decomposition Algorithm for Multi-Stage Stochastic Variational Inequalities
Universität Graz(格拉茨大学)
本文提出一种块激活分解算法,通过仅激活用户选择的场景子集和分别使用成本算子的解析和约束集投影,降低计算负载并提升可处理性,应用于风险厌恶随机规划中避免高维约束子问题。
2026-08-04 math.OC
Domain Decomposition for Stochastic Optimal Control
提出了一种利用平方和和半定规划求解线性随机最优控制(SOC)问题的方法。之前的工作使用多项式优化来逼近值函数,需要高多项式次数来捕捉局部现象。为了提高该方法对感兴趣问题的可扩展性,提出了一种区域分解方案。通过使用局部近似,低次多项式变得足够,并且捕获值函数的局部和全局性质。问题的域被分割成一个不重叠的分区,并增加了约束以确保$C^1$的连续性。乘子的交替方向法(ADMM)用于并行地优化每个域,并确保在分区的边界上收敛。这导致了问题的改善条件,并允许更大和更复杂的问题得到解决,提高了性能。
2014-09-21 math.OC
Decomposition of convex high dimensional aggregative stochasticcontrol problems
针对控制量在代价中聚合的凸高维随机控制问题,本文构造具有 ε-最优保证的修正问题,提出收敛的去中心化算法,并应用于大规模居民 TCLs 协调。
2023-03-02 math.OC
Optimal insider control and semimartingale decompositions under enlargement of filtration
将随机控制方法、白噪声分析和Hida-Malliavin演算应用于Donsker δ泛函,得到了半鞅分解在滤子放大下的新表示.最后给出了具体的算例。
2016-05-19 math.OC
Multistage stochastic optimization of a mono-site hydrogen infrastructure by decomposition techniques
本文针对光伏、PPA和电网混合供电的单站点氢能基础设施,建立多阶段随机优化模型,并用拉格朗日对偶分解方法求解,数值实验验证了方法有效性。
2024-07-01 math.OC
Data-driven Adaptive Benders Decomposition for the Stochastic Unit Commitment Problem
本文提出了一个数据驱动版本的Benders分解算法应用于随机机组组合(SUC)问题。所提出的方法的目的是找到一个权衡的大小Benders主问题和迭代次数,直到收敛。使用聚类技术,我们利用包含在拉格朗日乘数的弯曲子问题,以聚合的最优切割,而不损害的关键信息,是通过主问题的信息。此外,我们开发了一个外部并行化方案,通过解决一系列计算量较小的SUC实例的场景集的某些分区,找到SUC问题的最优解。我们的计算结果的IEEE 3区RTS-96电力系统,说明我们的数据驱动的Benders算法的性能改善,在解决方案的时间和问题的大小,相比,无论是SUC广泛的配方和流行的单和多切割Benders配方。
2019-12-02 math.OC
Time-optimal decompositions in SU(2)
连通李群G由它的两个1-参数子群exp(tX),exp(tY)生成当且仅当G的李代数由{X,Y}生成.我们考虑G的元素分解成这样的指数函数的乘积,时间t > 0,并研究了最小化G的一个固定元素的分解的总时间的问题。我们解决了这个问题的群SU(2)和描述的时间最优分解的结构。
2012-05-16 math.OC
Inertial Accelerated Stochastic Mirror Descent for Large-Scale Generalized Tensor CP Decomposition
本文针对广义张量CP分解问题,提出基于Bregman距离的惯性加速分块随机镜像下降算法iTableSMD,证明了其O(ε^{-2})迭代复杂度和全局收敛性,并在真实数据上取得优于现有方法的性能。
2024-02-24 math.OC
Price decomposition in large-scale stochastic optimal control
我们感兴趣的是最优驱动的动力系统,可以由外源噪声的影响。这通常被称为随机最优控制(SOC)问题,而动态规划(DP)原理是解决它的自然方法。不幸的是,DP面临所谓的维数灾难:求解DP方程的复杂性随着足以做出最优决策的信息变量(状态变量)的维数呈指数增长。对于一类大的SOC问题,其中包括重要的实际问题,我们提出了一个原始的方式获得的策略来驱动系统。我们介绍的算法是基于拉格朗日松弛,其中的应用程序分解是众所周知的确定性框架。然而,它的应用程序,这样的闭环问题是不简单的,需要一个额外的统计近似的对偶过程。本文给出了一个收敛性证明,它直接来自于最优化中对偶问题的经典结果,并扩大了我们的近似所造成的误差。数值结果也提供了一个大规模的SOC问题。这个想法扩展了Barty,Carpentier和Girardeau(2010)提出的原始DADP算法。
2010-12-15 math.OC
Domain decomposition for entropic unbalanced optimal transport
Institute of Computer Science, University of Göttingen(哥廷根大学计算机科学研究所)
本文提出通过领域分解方法解决大规模不平衡熵最优传输问题,展示了其在理论和实践上的有效性。
2026-01-22 math.OC
Multi-step Inertial Accelerated Doubly Stochastic Gradient Methods for Block Term Tensor Decomposition
针对带正则项的秩-$(L_r,L_r,1)$块项张量分解,本文提出多步惯性加速双随机方法 Midas-LL1 及方差缩减估计框架,证明其收敛性与 $\mathcal{O}(\varepsilon^{-2})$ 迭代复杂度,并在实验中优于现有方法。
2025-01-08 math.OC
A Single-Loop Minorized Dual Decomposition Method for Nonsmooth Multi-Stage Stochastic Programming
Nanjing Normal University(南京师范大学);Sun Yat-sen University(中山大学)
针对非光滑复合目标的多阶段随机规划问题,提出一种单循环最小化对偶分解方法,利用阶段和场景可分解结构,通过对称高斯-赛德尔交替方向乘子法更新,实现全局收敛和并行计算。
2026-06-19 math.OC
Decomposition Methods for Dynamically Monotone Two-Time-Scale Stochastic Optimization Problems
在能源管理中,战略投资决策(存储容量、生产单位)通常是在缓慢的时间尺度上做出的,而运营决策(存储、生产)则是在快速的时间尺度上做出的:对于这样的问题,决策阶段的总数可能是巨大的。在本文中,我们考虑多阶段随机最优化问题的两个时间尺度,我们提出了一个时间块分解方案来解决它们的数值。更准确地说,我们的方法依赖于两个假设。一方面,我们假设噪声过程的慢时间尺度阶段独立性:在慢时间尺度间隔内发生的随机变量与另一个慢时间尺度间隔内发生的随机变量无关。这使得在慢时间尺度下使用动态规划成为可能。另一方面,我们假设所考虑的问题的动态单调性,这使得有可能获得的界限。然后,我们提出了两种算法的方法来计算上,下界慢时间尺度贝尔曼值函数。这两种方法分别依赖于在慢时间尺度上应用的Bellman方程的原始和对偶分解。我们评估的方法的易处理性和验证其效率,通过解决电池管理问题,其中快速的时间尺度的操作决策有影响的存储电流容量,因此在战略决策,以更新电池在缓慢的时间尺度。
2023-03-07 math.OC
Analysis of the Stochastic Alternating Least Squares Method for the Decomposition of Random Tensors
随机交替最小二乘法(SALS)是一种近似采样随机张量平均值的典型分解的方法。它的简单性和高效的内存使用使SALS成为在线环境中分解张量的理想工具。我们表明,在温和的正则化和易于验证的假设上的数据的有界性,SALS算法是全局收敛的。数值实验验证了我们的理论研究结果,并展示了算法的性能和复杂度。
2020-04-27 cs.NA math.NA math.OC
A Decomposition Algorithm for Large-Scale Security-Constrained AC Optimal Power Flow
提出了一种求解大规模安全约束交流最优潮流问题的分解算法。所考虑的公式是2018年11月至2019年10月举行的ARPA-E网格优化(GO)竞赛挑战1中使用的公式。被发现是最有效的技术方面的性能的挑战,包括战略的应急选择,快速应急评估,处理互补性约束,避免相关的问题退化,并利用并行。数值实验的结果表明,所提出的技术相比,替代策略的有效性。
2021-10-04 math.OC
A Lagrange decomposition based Branch and Bound algorithm for the Optimal Mapping of Cloud Virtual Machines
云计算的挑战之一是最佳和有效地将虚拟机分配给物理机。电信运营商的目标是在尊重关于位置、分配和容量的约束的同时使映射成本最小化。在本文中,我们首先提出了一个精确的配方导致0-1双线性约束问题。然后利用问题的结构引入了多种线性割,并提出了一种基于Lagrange分解的B&B算法,有效地获得了问题的最优解。数值上,我们表明,我们的有效的不等式关闭超过80%的最优性差距所产生的著名的麦考密克松弛,并证明了所提出的B&B算法与广泛的数值实验的计算优势。
2018-06-22 math.OC
Learning to Optimize at Scale: A Benders Decomposition-TransfORmers Framework for Stochastic Combinatorial Optimization
Virginia Tech(弗吉尼亚理工大学)
针对大规模两阶段随机混合整数规划,提出学习增强的Benders分解框架,利用预训练Transformer模型加速收敛,含可扩展生成机制,能求解到T = 270的实例,证明了Transformer在经典分解算法中的潜力。
2026-07-28 cs.LG math.OC
Scenario-decomposition Solution Framework for Nonseparable Stochastic Control Problems
当随机控制问题不具有分离性和单调性时,Bellman于20世纪50年代提出的动态规划方法不能作为时间分解求解方法。多年来,这类案件在理论基础和解决方法上都给控制社会带来了巨大的挑战。借助Rockafellar和Wets在1991年提出的渐进对冲算法,我们发展了一种新的求解不可分离和/或非单调随机控制问题的分解求解框架,从而扩展了随机最优控制的研究范围.然后,我们讨论了它的一些有前途的应用,包括在线二次规划问题和具有平滑性质的动态投资组合选择问题。
2020-10-18 cs.SY eess.SY math.OC
Probabilistic analysis of dual decomposition on two-stage stochastic integer programs
Georgia Institute of Technology(佐治亚理工学院);Microsoft Research(微软研究院);PUC-Rio(巴西天主教里约热内卢大学)
本文首次对双阶段随机二进制整数规划中的分支定界法进行平均情况分析,证明在随机输入模型下,分支定界法在典型实例中探索的节点数为n^O(log s),并展示了线性规划松弛的整数间隙在平均情况下以O((log s log^2 n)/n)的速率缩小。
2026-04-25 math.OC
Regularized Decomposition of High-Dimensional Multistage Stochastic Programs with Markov Uncertainty
我们开发了一个二次正则化方法的高维多阶段随机最优化问题的解决方案,其特征在于一个潜在的大量的时间段/阶段(如数百),一个高维资源状态变量,和马尔可夫信息过程。所得到的算法收敛到一个最优的政策,经过有限数量的迭代温和的技术假设。计算实验进行了优化能量存储在一个大型的输电网,这激发了我们的问题的空间和时间维度的设置。我们的数值结果表明,所提出的方法表现出显着更快的收敛速度比他们的经典同行,更大的收益观察高维问题。
2017-02-26 math.OC stat.CO
Escaping From Saddle Points --- Online Stochastic Gradient for Tensor Decomposition
Microsoft Research New England(微软新英格兰研究院);University of California Irvine(加州大学欧文分校);University of California Berkeley(加州大学伯克利分校);Cornell University(康奈尔大学)
我们分析了优化非凸函数的随机梯度下降。在许多情况下,非凸函数的目标是找到一个合理的局部最小值,主要问题是梯度更新被困在鞍点。在本文中,我们确定严格的鞍性质的非凸问题,允许有效的优化。利用这一性质,我们证明了随机梯度下降收敛到一个局部最小的多项式迭代次数。据我们所知,这是第一个工作,使全球收敛保证随机梯度下降的非凸函数指数许多局部极小值和鞍点。我们的分析可以应用于正交张量分解,它被广泛用于学习丰富的潜变量模型。针对具有严格鞍点性质的张量分解问题,提出了一种新的优化公式。从而得到了第一个具有全局收敛性保证的正交张量分解的在线算法。
2015-03-06 cs.LG math.OC stat.ML
Accelerating L-shaped Two-stage Stochastic SCUC with Learning Integrated Benders Decomposition
Louisiana State University(路易斯安那州立大学)
本文提出三种基于机器学习的Benders分解增强变体,通过回归和分类方法生成更紧的割并精简主问题,有效降低了两阶段随机SCUC的计算成本与内存使用。
2023-11-17 cs.LG math.OC
Improving Clique Decompositions of Semidefinite Relaxations for Optimal Power Flow Problems
RTE(法国输电系统运营商RTE);Université Paris 13(巴黎第十三大学);Polytechnique Montréal(蒙特利尔高等综合理工学院);University of Edinburgh(爱丁堡大学)
半定规划(SDP)为最优潮流问题提供了严格的下界。然而,解决大规模SDP问题需要利用稀疏性。在本文中,我们实验几个团分解算法,导致不同的重新制定,我们表明,分辨率是高度敏感的团分解过程。我们的主要贡献是证明,最小化弦扩展中的附加边的数量并不总是合适的,以获得一个良好的团分解。
2019-12-19 cs.RO math.OC
Sequential decomposition of stochastic Stackelberg games
本文研究了一个离散时间的随机Stackelberg对策,该对策具有一个领导者和多个追随者。跟随者和领导者都有条件独立的私有类型,以行动和先前的状态为条件,作为受控的马尔可夫过程进化。我们的目标是计算随机Stackelberg均衡的游戏中的领导者承诺的动态策略。每个追随者的策略是领导者的策略和其他追随者的策略的最佳对策,而每个领导者的策略是最优的,如果追随者采取最佳对策。一般来说,计算这样的均衡需要求解整个博弈的不动点方程。在本文中,我们提出了一个向后递归算法,计算这样的战略,解决较小的不动点方程每次$t$。在此基础上,我们计算了一个安全实例和一个用于~ \cite{El17}(beeps)的动态信息设计实例的随机Stackelberg均衡。
2022-09-19 cs.GT econ.TH math.OC
New Lower Bounds for Stochastic Non-Convex Optimization through Divergence Decomposition
King Abdullah University of Science and Technology (KAUST)(国王阿卜杜勒·阿齐兹大学科学与技术学院)
本文研究了一阶随机优化在QC、QG和RSI等非凸设置下的基本极限,通过散度分解构建子类建立了噪声梯度查询次数的新下界,并证明其紧性,同时提出一维专用算法揭示了维度阈值对复杂度的内在影响。
2025-06-01 cs.LG math.OC stat.ML
Adaptive Benders decomposition and enhanced SDDP for multistage stochastic programs with block-separable multistage recourse
本文提出结合自适应Benders分解与增强型SDDP的算法,首次求解带块可分离多阶段追索权的多阶段随机规划问题,在电力系统投资规划案例中验证了其高效性,并指出风电随机建模的必要性。
2025-07-29 cs.SY eess.SY math.OC
Wasserstein gradient flow for optimal probability measure decomposition
University of British Columbia(不列颠哥伦比亚大学);National University of Singapore(新加坡国立大学)
本文研究了将概率测度分解为K个子测度以最小化损失函数的无穷维优化问题,解析了最优子测度支撑集结构,提出了基于Wasserstein梯度流且证明收敛的算法,并通过数值实验验证了其可实现性。
2024-06-03 cs.AI math.OC
Dynamic Programming Principle for Backward Doubly Stochastic Recursive Optimal Control Problem and Sobolev Weak Solution of The Stochastic Hamilton-Bellman Equation
本文研究了费用函数由倒向双重随机微分方程的解描述的倒向双重随机递归最优控制问题。给出了这类最优控制问题的动态规划原理,并证明了其值函数是相应随机Hamilton-Jacobi-Bellman方程的唯一Sobolev弱解.
2020-08-12 math.OC math.PR
Stochastic optimal control of pre-exposure prophylaxis for HIV infection
本文研究了带有PReP的HIV/AIDS随机模型中PReP疫苗的随机最优控制问题,利用随机最大值原理,得到了无约束控制问题以及两种不同预算约束下PReP的随机最优控制.我们通过一个数值例子来说明结果。我们首先研究PReP随机微分方程动力学与一个常数,确定性PReP治疗率。然后,我们比较这在无约束的情况下的随机最优控制。
2020-09-08 math.OC math.PR
A General Stochastic Maximum Principle For Optimal Control Of Stochastic Systems Driven By Multidimensional Teugel's Martingales
证明了由多维Teugel鞅驱动的随机系统最优控制的一个必要最大值原理。通过对多维Lévy过程进行正交化,构造了多维Teugel鞅。控制域不需要是凸的,并且允许控制进入Teugel鞅的条款。
2012-05-29 math.OC math.PR
High-Dimensional Stochastic Design Optimization by Adaptive-Sparse Polynomial Dimensional Decomposition
The University of Iowa(爱荷华大学);Georgia Southern University(佐治亚南方大学);San Diego State University(圣地亚哥州立大学)
本文提出了一种自适应稀疏多项式维度分解方法,用于复杂系统的随机设计优化,通过结合自适应稀疏PDD近似与分数函数,提高了统计矩和可靠性分析的效率,展示了在工程问题中的应用潜力。
2016-01-11 cs.NA math.NA math.OC
New time domain decomposition methods for parabolic optimal control problems II: Neumann-Neumann algorithms
针对无约束抛物型最优控制问题,提出基于时域分解的9种Neumann-Neumann算法变体,分析其收敛性与最优松弛参数,发现更优的高效求解器选择,并用数值实验验证。
2024-01-27 cs.NA math.NA math.OC
Two-Stage Stochastic Optimization via Primal-Dual Decomposition and Deep Unrolling
Zhejiang University(浙江大学);Singapore University of Technology and Design(新加坡科技设计大学)
考虑一个两阶段随机最优化问题,其中一个长期优化变量与一组短期优化变量在目标函数和约束函数中耦合。尽管两阶段随机最优化在各种工程和科学应用中发挥着重要作用,但仍然缺乏有效的算法,特别是当长期和短期变量在约束中耦合时。为了克服紧耦合随机约束所带来的挑战,我们首先建立了一个两阶段的原始-对偶分解(PDD)方法分解成一个长期问题和短期子问题的家庭两阶段的问题。然后,我们提出了一个基于PDD的随机逐次凸逼近(PDD-SSCA)算法框架,以寻找两阶段随机最优化问题的KKT解。在每次迭代中,PDD-SSCA首先运行一个短期子算法,以找到与一小批状态样本相关联的短期子问题的稳定点。然后,基于短期子算法的深度展开和反向传播方法,构造了长期问题的凸代理。最后,求解凸代理问题的最优解,生成下一个凸代理。我们建立了PDD-SSCA的几乎必然收敛,并定制了算法框架来解决两个重要的应用问题。仿真结果表明,PDD-SSCA可以实现优于现有解决方案的性能。
2021-05-05 cs.IT cs.LG math.IT
Position-momentum conditioning, relative entropy decomposition and convergence to equilibrium in stochastic Hamiltonian systems
本文针对一类位置相关参数的多变量随机哈密顿朗之万系统,通过分解FPKE与相对熵为位置及条件动量分布分量,研究其概率分布演化与平衡收敛性,揭示了相关稳定性原理与高阶耗散不等式。
2023-12-15 cs.SY eess.SY math-ph
A novel dual-decomposition method for non-convex two-stage stochastic mixed-integer quadratically constrained quadratic problems
针对确定性等价为非凸混合整数二次约束二次规划(MIQCQP)模型的两阶段随机规划问题,提出可通过精度因子p调整解精度的p分支定界方法,结合p拉格朗日分解与对偶分解技术,在随机实例上测试性能优于Gurobi。
2025-02-19 cs.NA math.NA math.OC
Domain decomposition for entropy regularized optimal transport
研究了熵正则化下求解最优输运问题的Benamou区域分解算法。关键的观察是,正则化的变体收敛到全局最优解非常温和的假设下。我们证明了该算法的线性收敛的Kullback-Leibler发散和说明(可能非常慢)的速度与数值例子。对于具有足够几何结构的问题(例如图像之间的Wasserstein距离),我们期望更快的收敛。然后,我们讨论了重要方面的计算效率的实现,如自适应稀疏,粗到细的计划和并行化,铺平了道路,数值求解大规模的最优输运问题。我们表现出高效的数值性能计算的Wasserstein-2之间的距离的2D图像和观察,即使没有并行化,区域分解比较有利地应用一个单一的高效实现的Sinkhorn算法的运行时间,内存和解决方案的质量。
2021-11-22 cs.NA math.NA math.OC
A data-driven partitioned approach for the resolution of time-dependent optimal control problems with dynamic mode decomposition
本文将不定常最优控制问题转化为具有控制框架的动态模式分解中的偏微分方程问题。事实上,由于这些问题的数值解需要大量的计算工作,我们依赖于这种特定的数据驱动的技术,使用解决方案和所需的状态测量来提取潜在的系统动态。因此,在动态模式分解算子构造之后,我们以相对于标准时空离散化模型更低的计算成本重建并执行对所有感兴趣的变量的未来预测。我们测试的方法,在相对重建和预测误差的边界控制的Graetz流和分布式控制与斯托克斯约束。
2022-03-23 cs.NA math.NA math.OC