Distributed Primal Outer Approximation Algorithm for Sparse Convex Programming with Separable Structures
提出了一种分布式原始外近似算法（DiPOA），用于求解具有可分离结构的稀疏凸规划（SCP）问题。DiPOA算法的开发包括将最近提出的松弛混合乘子交替方向法（RH-ADMM）算法嵌入到外近似（OA）算法中。我们还提出了两个主要的改进，以控制质量和切割平面的数量，近似非线性函数。特别地，RH-ADMM算法充当DiPOA算法内部的分布式数值引擎。DiPOA利用现代处理器的多核架构来加速优化算法。提出的分布式算法从应用方面使SCP在学习和控制问题中的解决方案具有实用性。本文最后对分布式稀疏逻辑斯谛回归和二次约束最优化问题的DiPOA算法进行了性能分析。最后，本文的结论与国家的最先进的优化求解器的数值比较。
2022-10-13 math.OC
Enforcing Convergence in Sensitivity-based Distributed Programming via Transformed Primal-Dual Updates
Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希·亚历山大大学）
本文提出SBDP+方法，通过结构化的对偶运算设计，解决传统SBDP在子系统耦合强度和结构下收敛性不足的问题，证明了非凸问题在标准正则条件下局部线性收敛，并通过数值实验验证了其在统计学习中的有效性。
2026-05-19 math.OC
Distributed Semidefinite Programming with Application to Large-scale System Analysis
求解耦合半定规划的分布式算法通常需要多次迭代才能收敛。它们也对计算代理提出了很高的计算要求。在本文中，我们表明，在耦合问题有一个固有的树结构的情况下，它是可能的设计一个有效的分布式算法来解决这些问题。该算法可以潜在地享有与利用稀疏性的集中式求解器相同的效率。该算法基于预测-校正原对偶邻域点方法，采用消息传递算法分布式计算搜索方向。这里的消息传递与树上的动态规划密切相关。这使我们能够通过有限数量的步骤计算精确的搜索方向。此外，这个数字可以计算的先验，只取决于耦合结构的问题。我们使用所提出的算法来分析大规模不确定性系统的分布式鲁棒性。我们使用数值例子测试该算法的性能。
2015-04-29 math.OC
Distributed Asynchronous Time-Varying Quadratic Programming with Asynchronous Objective Sampling
针对现有多智能体时变优化无法异步采样目标的问题，提出支持采样、通信和计算全异步的多智能体优化框架，证明其跟踪解时误差有界并解决二次规划开放问题，仿真验证有效性。
2025-08-20 math.OC
A Finite-Time Cutting Plane Algorithm for Distributed Mixed Integer Linear Programming
信息物理网络系统中的许多问题都可以表示为混合线性规划，其中约束分布在代理之间。在本文中，我们提出了一个分布式算法来解决这类最优化问题在对等网络没有协调员，有限的计算和通信能力。在所提出的算法中，在每一轮通信中，智能体局部求解一个小LP，生成合适的切割平面，即相交切割和基于成本的切割，并传达固定数量的积极约束，即，候选最优基。我们证明了，如果成本是整数，该算法收敛到字典序最小最优解在一个有限的通信轮数。最后，通过数值计算，我们分析了算法的收敛性作为网络规模的函数。
2017-12-05 math.OC
Partially Distributed Outer Approximation
针对一类结构化混合整数凸规划（MICP）问题，提出了一种新的局部分布外逼近算法PaDOA.该方案采用迭代外逼近法求解具有可分离凸目标函数、仿射耦合约束和紧域的耦合混合整数最优化问题。PaDOA通过交替求解大规模结构化混合整数线性规划问题和部分解耦的混合整数非线性规划子问题（包括少得多的整数变量）来进行。我们建立的条件下，PaDOA收敛到全局极小值有限次迭代后，并验证这些属性与应用恒温控制负载。
2019-11-19 math.OC
Distributed Mixed-Integer Linear Programming via Cut Generation and Constraint Exchange
信息物理网络系统中的许多问题都可以表示为混合线性规划，其中约束分布在智能体之间。在本文中，我们提出了一个分布式的算法框架来解决这类最优化问题在对等网络中没有协调员，有限的计算和通信能力。在每个通信回合，代理本地解决一个小的线性规划，生成合适的切割平面和通信的固定数量的积极约束。在分布式框架内，我们首先提出了一个算法，在整数值的最优成本的假设下，保证有限时间收敛到一个最优解。其次，我们提出了一个算法，一般问题，提供了一个次优的解决方案，以给定的公差在有限数量的通信轮。这两种算法都适用于异步、有向、不可靠的网络。最后，通过数值计算，我们分析了算法的可扩展性方面的网络规模。此外，对于一个多智能体多任务分配问题，我们表明，一致的理论，其鲁棒性的数据包丢失。
2019-06-04 math.OC
Distributed linear programming with event-triggered communication
我们考虑一个网络的代理，其目标是为他们的国家的总和收敛到一个线性规划的解决方案，在标准式。每个代理都有关于问题数据的有限信息，并且可以在他们选择的离散时刻与其他代理进行通信。我们的主要贡献是一个分布式的动态和一组基于状态的规则，称为触发器，个别代理使用，以确定何时机会主义地广播他们的状态相邻的代理，以确保渐近收敛的线性规划的解决方案的合成。我们的算法设计和分析的技术方法克服了一些挑战，包括建立收敛的情况下，一个共同的光滑李雅普诺夫函数，确保触发器是可检测的代理只使用本地信息，占在状态广播的非线性，并排除各种原因任意快变状态广播。各种模拟说明了我们的结果。
2014-05-02 math.OC
A Privacy-Aware Distributed Approach for Loosely Coupled Mixed Integer Linear Programming Problems
在本文中，我们提出了两个精确的分布式算法来解决混合整数线性规划（MILP）问题的多个代理的数据隐私是很重要的代理。一个关键的挑战是，由于MILP的非凸性质，经典的分布式和分散式优化方法不能直接应用于找到它们的最优解。所提出的精确算法是基于添加原始切割和限制拉格朗日松弛的原始MILP问题。我们证明了这些算法的有限收敛MILP只有二进制和连续变量。我们测试所提出的算法上的机组组合问题，并讨论其优点和缺点相比，中央MILP方法。
2022-04-30 math.CO math.OC
Totally Asynchronous Distributed Quadratic Programming with Independent Stepsizes and Regularizations
二次规划出现在机器人、通信、智能电网和许多其他应用中。随着这些问题规模的增长，寻找解决方案变得更加需要计算，需要新的算法来有效地解决它们。针对大规模的问题，我们开发了一个多智能体二次规划框架中，每个代理更新只有一小部分的总决策变量的问题。智能体相互传递更新后的值，尽管我们对它们这样做的时间没有任何限制，也没有限制这些传输的延迟。此外，我们允许代理之间的弱参数耦合，在这个意义上，他们可以自由地独立选择自己的步长，受到温和的限制。我们表明，这些步长的限制取决于一个问题的条件数。我们还提供了代理独立正则化他们解决的问题，从而提高条件数，我们将展示，收敛性能，同时保持代理在选择参数的独立性的手段。仿真结果证明了该框架在一个实际的二次规划上的成功。
2019-03-20 math.OC
Randomized Constraints Consensus for Distributed Robust Linear Programming
在本文中，我们考虑一个网络的处理器，旨在合作解决线性规划问题的不确定性。每个节点只知道一个共同的费用函数和它的局部不确定约束集。我们提出了一个随机的，分布式的算法工作在时变的，异步的和有向的通信拓扑结构。该算法是基于本地计算和通信范式。在每一轮通信中，节点执行两次更新：（i）验证，其中它们签入随机设置-鲁棒可行性（以及因此的最优性），以及（ii）优化步骤，其中它们交换它们的候选基（积极约束的最小集合）与邻居并本地解决其约束集包括以下内容的最优化问题：违反候选最优点（如果存在）、代理的当前基和邻居基的集合的采样约束。作为主要结果，我们表明，如果处理器成功地执行了足够数量的通信回合的验证步骤，它可以停止算法，因为已经达成共识。对于除具有任意小概率测度的子集之外的整个不确定性集合，具有高置信度的共同解决方案是可行的（因此是最优的）。我们展示了所提出的分布式算法在多核平台上的有效性，其中节点异步通信。
2017-06-01 math.OC
Robust Truss Topology Optimization via Semidefinite Programming with Complementarity Constraints: A Difference-of-Convex Programming Approach
针对不确定静态外载荷的桁架结构鲁棒拓扑优化问题可以用混合整数半定规划来描述。虽然用分支定界法可以求出全局最优解，但它非常耗时。本文提出了一种替代提法，半定规划互补约束，并提出了一个有效的启发式。所提出的方法是基于DC（凸差分）规划的凹凸过程。结果表明，该方法往往能在求解几十个凸优化子问题的计算量内找到一个实际合理的桁架设计。
2017-12-09 math.OC
Distributed Computing for Huge-Scale Aggregative Convex Programming
Indian Institute of Technology Madras（印度马德拉斯理工学院）
本文提出了一种用于大规模聚合凸规划的分布式计算算法，通过一致性块和松弛变量处理约束，并利用多种优化方法实现收敛，收敛速率为O(1/k^{1/2})。
2026-11-13 math.OC
Distributed Computing for Huge-Scale Linear Programming
本研究提出一种基于全局一致性和增广拉格朗日的分布式算法，用于求解大规模线性规划，通过块坐标高斯-赛德尔、近端方法和ADMM更新变量，并证明其收敛性及O(1/k^1/2)速率。
2025-08-06 math.OC
Robust optimal solutions in interval linear programming with forall-exists quantifiers
我们在线性规划中引入了一种新的鲁棒性。如果对于给定区间域的目标函数系数和约束矩阵项的所有实现，从它们的区间域中有适当的右侧项的选择，使得x* 保持最优，则解x* 被称为鲁棒最优。本文提出了一种检验给定点的鲁棒性的方法，并给出了如何找到合适的候选点的建议，同时讨论了鲁棒最优解集的拓扑性质。我们说明我们的概念在运输问题的适用性。
2014-03-28 math.OC
Distributed Random Convex Programming via Constraints Consensus
本文讨论随机凸规划的分布式求解方法。RCP是具有（通常很大）N个随机提取约束的凸优化问题;它们出现在几个应用领域，特别是在不确定性不确定决策的背景下，参见[2]，[3]。我们在这里考虑一种设置，其中随机约束（场景）的实例不是由单个集中式处理单元保存，而是分布在网络的不同节点之间。每个节点只“看到”约束的一个小子集，并且可以与邻居通信。目标是使所有节点收敛到与集中式RCP问题相同的解。为此，我们开发了两种分布式算法，它们是约束一致性算法的变体[4]，[5]：积极约束一致性（ACC）算法和顶点约束一致性（VCC）算法。我们表明，ACC算法计算的整体最优解在有限的时间内，几乎肯定有界的通信在每次迭代。而VCC算法是专门为特殊情况下，其中的约束函数也是凸w.r.t.不确定的参数，它计算的解决方案，在一定数量的迭代由通信图的直径。我们进一步设计了一个变种的VCC算法，即量化顶点约束共识（qVCC），以应付处理器之间的通信带宽有界的情况下。我们讨论了几个应用所提出的分布式技术，包括估计，分类和随机模型预测控制，我们提出了一个数值分析的性能所提出的方法。作为一个补充的数值结果，我们表明，使用ACC算法的场景解决方案的并行计算显着优于其集中等效。
2012-07-26 math.OC
State Aggregation for Distributed Value Iteration in Dynamic Programming
针对多智能体仅掌握部分动态规划信息的问题，提出带状态聚合的分布式值迭代算法，证明一致性并推导误差界，在交通路径规划中实现低通信开销的完全分布式求解。
2023-06-15 cs.SY eess.SY math.OC
Robust Designs via Geometric Programming
提出了鲁棒几何规划（RGP）作为凸规划的一种近似形式。使用几何规划（GP）来建模复杂的工程系统的兴趣一直在增长，这激发了明确建模的不确定性基本的工程设计优化。RGP提供了一个框架来建模和求解GP，同时将其不确定性表示为属于不确定性集。这里提出的RGP方法是基于重新制定的GP，然后鲁棒的方法，从强大的线性规划。这些新的方法，以及以前的文献中，被用来robustify两个飞机设计问题，这些不同的方法的结果进行了比较和讨论。
2018-08-22 math.OC
Technical Report: Distributed Asynchronous Large-Scale Mixed-Integer Linear Programming via Saddle Point Computation
我们通过分布式异步鞍点计算求解大规模混合整数线性规划。这是由于MILP能够在多代理自治中建模问题，例如，多机器人系统中具有避碰约束的任务分配和轨迹规划问题。为了解决MILP，我们放松它与非线性程序近似，其精度收紧代理的数量增加相对于耦合约束的数量。接下来，我们形成一个等价的拉格朗日鞍点问题，然后在原始空间和对偶空间中正则化拉格朗日，以创建一个正则化的拉格朗日是强凸-强凹的。然后，我们开发了一个并行算法来计算正则化拉格朗日的鞍点。该算法将问题划分为原始或对偶决策变量的标量或子向量块，并且在原始和对偶变量的计算和通信中显示出容忍冗余。给出了收敛到鞍点的次优界和收敛速度。次优性界包括（i）正则化拉格朗日量引起的正则化误差和（ii）原始MILP和其松弛形式的解之间的次优性间隙。仿真结果说明了这些理论在实践中的发展，并表明松弛和正则化一起得到的解决方案的质量只有轻微的影响。
2022-11-21 math.OC
Continuous-Time Robust Dynamic Programming
本文提出了一类连续时间动力系统的鲁棒动态规划理论。与传统的动态规划（DP）方法不同，该理论为分析DP算法的鲁棒性，特别是发展新的自适应最优控制和强化学习方法提供了基础性工具。为了证明这种新的框架的潜力，四个说明性的应用领域的随机最优控制和自适应DP。金融和工程行业产生的三个数值例子也给出了，随着几个可能的扩展所提出的框架。
2018-09-16 math.OC
Ergodic Approach to Robust Optimization and Infinite Programming Problems
在这项工作中，我们展示了一种方法的一致性，用于解决强大的最优化问题，使用遍历保测变换产生的子问题序列。本文的主要结果是子问题的极小值和最优值在某种意义下分别收敛于原问题的极小值和最优值。我们的结果特别暗示了情景方法对于非凸最优化问题的一致性。最后，我们表明，我们的方法也可以用来解决无限规划问题。
2020-09-10 math.OC
A Sequential Quadratic Programming Method for Optimization with Stochastic Objective Functions, Deterministic Inequality Constraints and Robust Subproblems
本文将鲁棒序列二次规划方法推广到随机目标函数与确定性约束问题，结合随机线搜索全局化步长，并证明算法几乎必然收敛到KKT点。
2024-10-04 math.OC
Characterization of the Robust Isolated Calmness for a Class of Conic Programming Problems
研究了一类有趣的锥规划问题（包括最常见的应用问题）的KKT解映射在局部最优解处的鲁棒孤立镇定性.在Robinson约束规格下，证明了KKT解映射是鲁棒孤立镇定的当且仅当严格Robinson约束规格和二阶充分条件都成立.这意味着，除其他外，在局部最优解的二阶充分条件是必要的KKT解映射具有Aubin性质。
2016-10-01 math.OC
Robust Approximate Dynamic Programming for Large-scale Unit Commitment with Energy Storages
考虑到可再生能源实现的不确定性，多阶段鲁棒机组组合（UC）对于实现可靠运行至关重要。典型的仿射决策规则方法和鲁棒可行域方法由于只依赖于当前阶段的信息，可能导致不经济的调度。通过对未来剩余成本函数的逼近，基于对偶动态规划的方法可以很好地解决多阶段鲁棒最优化问题，但存在较高的计算复杂性。因此，我们提出了鲁棒近似动态规划（RADP）方法，以提高计算速度和经济性能的大规模鲁棒UC问题。RADP算法首先确定候选点，保证值函数上界的可行性，然后求解基于线性McCormick松弛的双线性规划，得到最坏情况，最后将原始更新和对偶更新相结合，实现快速收敛。我们可以证明，RADP方法享有有限终止保证的多级鲁棒最优化问题获得次优解。对118节点和2383节点输电系统的数值试验表明，RADP可以在显著提高计算效率的情况下接近次优经济性能。
2023-03-06 math.OC
Robust Quadratic Programming with Mixed-Integer Uncertainty
研究了鲁棒凸二次规划问题，其中不确定性问题的参数可以包含连续和整数分量。在不确定性集的自然有界性假设下，我们证明了一般性问题是适合于多项式大小的确切的共正规划重构。这些凸优化问题是NP难的，但承认保守的半定规划（SDP）的近似，可以有效地解决。我们证明了流行的近似S-引理方法-这是有效的，只有在连续的不确定性的情况下-是弱于我们的近似。我们还表明，所有的结果可以推广到两阶段的鲁棒二次优化设置，如果问题有完全追索权。我们评估了我们提出的SDP重新制定的有效性，并证明了它们的优越性，在最小二乘法，项目管理和多项报童问题的情况下，国家的最先进的解决方案。
2018-12-18 math.OC
Integer Programming Approaches for Distributionally Robust Chance Constraints with Adjustable Risks
本文研究Wasserstein模糊性下具有可调风险容差的分布鲁棒机会约束规划，针对由此产生的NP-hard问题，为左右侧不确定性推导了混合整数规划重构及有效不等式，并通过多规模实例验证了方法有效性。
2024-07-24 math.OC
Improved Decision Rule Approximations for Multi-Stage Robust Optimization via Copositive Programming
本文研究一般多阶段鲁棒线性最优化问题的决策规则近似。我们考虑线性决策规则的情况下，目标系数，追索矩阵，和右手边是不确定的，并考虑二次决策规则的情况下，只有右手边是不确定的。由此产生的最优化问题是NP-难的，但服从共正规划重新制定，产生严格的保守近似。我们进一步提高这些近似通过新的分段决策规则计划。最后，我们证明了我们提出的近似比国家的最先进的计划，并通过数值实验证明其优越性。
2021-05-01 math.OC
Data-driven distributionally robust optimization over a network via distributed semi-infinite programming
研究了一个数据驱动的分布式鲁棒最优化问题。代理人的目标是最小化最坏情况下的预期成本计算的Wasserstein模糊集，集中在经验分布。不确定性的样本分布在代理之间。我们的方法包括重新制定的问题作为一个半无限的程序，然后设计一个分布式算法，解决了一个通用的半无限的问题，具有相同的信息结构的重新制定的问题。特别是，决策变量包括本地的代理人是自由的，以优化和全球的地方，他们需要agreeon.We的分布式算法是一个迭代过程，结合分布式ADMM和切割面方法的概念。我们表明，迭代渐近收敛到任何预先指定的精度的分布鲁棒问题的解决方案。模拟结果说明了我们的结果。
2022-08-22 cs.SY eess.SY math.OC
Energy Aware Architecture for Coordinated Mobility: An Approximate Dynamic Programming Approach
我们的目标是设计分布式协调策略，使代理实现全球性能保证，同时最大限度地减少能源成本，他们的行动，强调实时实施的可行性。作为一个激励的情况下，说明了在代理级别引入能源意识的重要性，我们认为一个团队的移动节点被分配的任务，建立两个基站之间的通信链路，以最小的能量消耗。我们制定这个问题作为一个动态的程序中，每个代理的总成本是移动性和通信成本的总和。为了确保解决方案是分布式的，实时可执行的，我们提出了多个次优政策的基础上近似动态规划的概念。为了提供性能保证，我们计算上界的性能差距建议的次优政策和全球最优政策。最后，我们讨论了所提出的政策的优点和缺点，并使用模拟比较它们的性能。
2016-07-25 math.OC
Joint Planning of Distributed Generations and Energy Storage in Active Distribution Networks: A Bi-Level Programming Approach
为了提高可再生能源在配电网中的渗透率，采用双层规划方法，提出了一种有源配电网分布式电源与储能联合规划模型。在该模型中，上层的目标是寻求最佳的位置和容量的DG和能量存储，而下层的优化运行的能量存储设备。为求解该模型，提出了一种基于混沌优化的改进二进制粒子群优化算法（IBPSO），通过两层之间的交替迭代实现最优联合规划。PG & E 69节点配电系统的仿真结果表明，该方法能够有效地减小分布式电源出力不确定性引起的规划偏差，显著改善配电系统的电压分布和运行经济性。
2022-01-15 cs.SY eess.SY math.OC
Multi-Tier Adaptive Memory Programming and Cluster- and Job-based Relocation for Distributed On-demand Crowdshipping
随着电子商务的快速增长，按需城市交付的时间很长，特别是食品，杂货和零售，通常需要在下订单后很短的时间内交付。这给传统的车辆运输方法带来了重大的财务和业务挑战。众包，雇用普通人与低工资率和有限的时间可用性，已成为一个有吸引力的替代方案。本文提出了一种多层自适应内存编程（M-TAMP），以解决按需分配的请求与空间分布的请求的起源和目的地和众包的起点众包。M-TAMP从多个初始解决方案开始，这些解决方案是基于向众包分配请求时的不同合理假设构建的，并通过波浪、阶段和步骤来组织解决方案搜索，模仿海浪和人类记忆功能，同时寻求最佳解决方案。通过主动地重新定位空闲众包来进一步执行分配，为此设计了计算高效的基于集群和作业的策略。数值实验表明，MTAMP优于一些现有的方法，和搬迁可以大大提高众包请求分配的效率。
2021-05-14 cs.DC math.OC
On the Convergence Analysis of Asynchronous Distributed Quadratic Programming via Dual Decomposition
Department of Aerospace Engineering, Texas A&M University（德克萨斯农工大学航空航天工程系）
本文通过切换系统框架分析异步分布式二次规划的收敛性与收敛速率，提出异步更新对偶变量以减少同步延迟，探讨速度与精度的权衡。
2015-06-19 cs.SY eess.SY math.OC
Efficient Stochastic Programming in Julia
我们提出了StochasticPrograms。jl，一个用户友好的和强大的开源框架，随机规划编写的Julia语言。该框架包括建模工具和结构开发优化算法。随机规划模型可以有效地制定使用表达语法和模型可以实例化，检查和分析交互式。该框架可无缝扩展到分布式环境。模型的小实例可以在本地运行以确保正确性，而较大的实例则以节省内存的方式自动分布到超级计算机或云上，并使用并行优化算法进行求解。这些结构开发求解器是基于经典的L形和渐进对冲算法的变化。我们为框架中可用的各种工具和结构提供了一个简洁的数学背景，以及示例它们用法的代码清单。这两个软件的创新有关的框架和算法的创新结构化求解器的实施突出显示。最后，我们展示了强大的缩放性能的分布式算法的数值基准在多节点设置。
2021-01-12 cs.MS math.OC
On Degeneracy Issues in Multi-parametric Programming and Critical Region Exploration based Distributed Optimization in Smart Grid Operations
针对智能电网运行中多参数规划的退化问题，提出融合多参数线性互补问题性质等的退化处理方法，还改进临界区域探索方法并整合加速策略，提升分布式优化效率且通过多区域测试验证。
2023-09-02 cs.SY eess.SY math.OC
Multi-Intersection Traffic Management for Autonomous Vehicles via Distributed Mixed Integer Linear Programming
本文扩展了我们以前在[1]，[2]中关于交叉口自动车辆到达的最优调度的工作，从一个交叉口扩展到交叉口网格。设计了一种可扩展的分布式混合线性规划算法（MILP）来求解交叉口网格调度问题。计算控制节点被分配到每个交叉口，并定期接收来自订阅车辆的位置和速度信息。每个节点通过求解一个局部MILP来为每一辆预约车辆分配一个交叉口访问时间。相邻的交叉口将通过共享车辆访问时间的解决方案来实时相互协调。我们所提出的方法被应用到一个网格的9个交叉口，其对交通流量和车辆的燃油经济性的积极影响，证明在传统的交叉口控制方案相比。
2020-07-13 cs.SY eess.SY math.OC
A New Distributed DC-Programming Method and its Applications
我们提出了一种新的分解框架的分布式优化的差异凸（DC）型不可分的和效用函数的耦合凸约束。本文的一个主要贡献是第一次开发了一类（不精确）最佳响应类算法，可证明收敛，其中一个适当的convexified版本的原始DC程序迭代求解。建议的连续凸逼近方法的主要特点是其分解结构的用户，这自然导致分布式算法在原始和/或对偶域。建议的框架是适用于各种多用户DC问题在不同的领域，从信号处理，通信和网络。作为一个案例研究，在本文的第二部分中，我们集中在两个例子，即：i）一个新的资源分配问题的合作物理层安全的新兴领域; ii）和著名的MIMO认知无线电网络的和速率最大化。我们在这方面的贡献是设计一类易于实现的分布式算法，可证明收敛到固定的解决方案，这样的问题。数值结果表明，所提出的分布式计划达到性能接近（有时更好）的集中式方法。
2013-09-20 cs.IT math.IT math.OC
A core-set approach for distributed quadratic programming in big-data classification
Università del Salento（萨伦托大学）
本文提出一种异步分布式算法，通过计算局部核心集并交换以达成共识，解决高维大数据分类问题中的二次优化。
2017-02-15 cs.SY eess.SY math.OC
Robust Integer Programming
我们提供了一个复杂性分类的四个变种的强大的整数规划时，底层的Graver基础。我们讨论的应用程序，强大的多商品流和多维运输，并描述了一个有效的参数化的强大的整数规划。
2014-02-13 cs.DM cs.DS math.CO
A Primal Decomposition Method with Suboptimality Bounds for Distributed Mixed-Integer Linear Programming
Università del Salento（萨伦托大学）；University of Bologna（博洛尼亚大学）
本文提出了一种分布式混合整数线性规划方法，通过定制的分解方法处理具有耦合约束的分布式问题，并建立了次优界。
2018-11-08 cs.DC cs.MA cs.SY
Distributed Linear Programming on GPU Clusters at Extreme Scale
SHARDLP是一种分布式GPU线性规划求解器，通过全流程分区和通信优化，在极端规模下显著提升求解效率，并在基准测试中大幅超越现有CPU方法。
2026-11-10 cs.DC math.OC
Two-stage Distributed Variational Quantum Eigensolver Software for QUBO and Quadratic Programming
Louisiana State University（路易斯安那州立大学）
提出两阶段分布式变分量子本征求解器软件解QUBO和有界约束二次规划问题，用两阶段过程改进训练，还开发QQP框架将约束连续问题转化为QUBO子问题，数值实验验证其有效性。
2026-07-07 cs.SY eess.SY math.OC
Robust Differential Dynamic Programming
微分动态规划是一种常用于轨迹生成的最优控制技术。在文献中已经开发了该算法的许多变体，包括用于随机动态或状态和输入约束的算法。在这方面的贡献，我们开发了一个强大的版本的微分动态规划，使用广义植物和乘数松弛的不确定性。为此，我们研究了一个版本的贝尔曼原则，并使用凸松弛占动态程序中的不确定性。所得到的算法可以被看作是一个强大的轨迹生成工具的非线性系统。
2022-05-25 cs.SY eess.SY math.OC
Randomized Constraints Consensus for Distributed Robust Mixed-Integer Programming
在本文中，我们考虑一个网络的处理器，旨在合作解决混合整数凸规划的不确定性。每个节点只知道一个共同的费用函数和它的局部不确定约束集。我们提出了一个随机的，分布式算法工作在异步，不可靠和定向通信。该算法是基于本地计算和通信范式。在每个通信回合，节点执行两个更新：（i）验证，其中它们以随机方式检查候选最佳点的鲁棒可行性，以及（ii）优化步骤，其中它们与邻居交换其候选基础（定义解的最小约束集）并本地解决最优化问题。作为主要的结果，我们表明，处理器可以停止算法后，有限数量的通信轮（无论是因为验证已成功的足够数量的轮或因为一个给定的阈值已达到），使候选人最优解是一致的。共同的解决方案被证明是-具有高置信度-可行的，因此，除了具有任意小的概率测度的子集的不确定性的整个集合的最佳。我们使用两个例子：一个随机的，不确定的混合整数线性规划和无线传感器网络中的分布式定位所提出的分布式算法的有效性。分布式算法在多核平台上实现，其中节点异步通信。
2019-07-09 cs.DC cs.SY eess.SY
Generalized Geometric Programming for Rate Allocation in Consensus
分布式平均（英语：Distributed average），或分布式平均共识（英语：Distributed average consensus），是一种计算分散在网络节点中的数据样本均值的常用方法。通过与邻居迭代地交换消息，网络的节点可以收敛到其初始状态的样本均值的一致性。在实际场景中，这些消息受到带宽和功率约束，这促使设计有损压缩策略。很少有现有的工作考虑的角度来看，约束优化，这提供了一个原则性的方法，设计的有损压缩计划的速率分配问题，允许放宽某些假设，并提供性能保证。我们表明，高斯分布的初始状态与熵编码的标量量化和矢量量化的编码率分布平均可以通过广义几何规划进行优化。在没有来自过去状态的边信息的情况下，该方法找到在有限运行时间内实现目标均方误差所需的最小化聚合编码速率的节点和迭代上的速率分配。我们的速率分配相比，通过数值模拟的一些现有技术。结果激励边信息通过差分或预测编码，以提高率失真性能的结合。
2017-10-25 cs.IT math.IT math.OC
Deep Distributed Optimization for Large-Scale Quadratic Programming
Georgia Institute of Technology（佐治亚理工学院）
本文提出深度分布式优化架构DeepDistributedQP，结合OSQP与共识方法并引入深度学习策略加速求解，在大规模二次规划问题上实现了数量级的速度提升与强大泛化能力。
2025-01-25 cs.LG cs.MA math.OC
Unsupervised Machine Learning Hybrid Approach Integrating Linear Programming in Loss Function: A Robust Optimization Technique
UC Berkeley（加州大学伯克利分校）
本文提出一种将线性规划（LP）集成到无监督机器学习模型损失函数中的混合方法，通过封装LP约束和目标指导学习过程，兼具LP的可解释性与机器学习的灵活性，适用于复杂优化问题。
2025-04-18 cs.AI cs.LG math.OC
Computationally Tractable Robust Nonlinear Model Predictive Control using DC Programming
University of Oxford（牛津大学）
本文提出一种基于DC编程的鲁棒非线性MPC框架，通过数据驱动方法构建DC模型并实现递归可行性与鲁棒稳定性。
2026-10-01 cs.SY eess.SY math.OC
Corruption Robust Phase Retrieval via Linear Programming
我们考虑从损坏的幅度观测相位恢复的问题。特别是，我们表明，一个固定的$x_0 \in \mathbb{R}^n$可以完全恢复损坏的幅度测量$|\langle a_i, x_0 \rangle | + η_i, \quad i =1,2\ldots m$与高概率$m = O(n)$，其中$a_i \in \mathbb{R}^n$是i.i.d标准高斯和$η\in \mathbb{R}^m$有固定的稀疏支持，否则是任意的，通过使用一个版本的PhaseMax算法增加松弛变量受到惩罚。这种线性规划公式，我们称之为RobustPhaseMax，在自然参数空间中运行，我们的证明依赖于使用浓度不等式的最优性条件的直接分析。
2016-12-12 cs.IT math.IT math.OC
