双时间尺度随机递归包含及其在拉格朗日对偶问题中的应用
Stochastic recursive inclusion in two timescales with an application to the Lagrangian dual problem
AI总结：
本文提出分析双时间尺度随机逼近算法渐近行为的框架，包括具有多值均值场的算法，并应用于优化理论中的拉格朗日对偶问题分析。
摘要：
本文提出一个框架，用于分析包含多值均值场的双时间尺度随机逼近算法的渐近行为。该框架基于Borkar和Perkins及Leslie的工作，比Perkins & Leslie的同步双时间尺度框架更一般，但所涉及的假设易于验证。作为应用，本文使用该框架分析优化理论中拉格朗日对偶问题对应的双时间尺度随机逼近算法。
英文摘要：
In this paper we present a framework to analyze the asymptotic behavior of two timescale stochastic approximation algorithms including those with set-valued mean fields. This paper builds on the works of Borkar and Perkins & Leslie. The framework presented herein is more general as compared to the synchronous two timescale framework of Perkins \& Leslie, however the assumptions involved are easily verifiable. As an application, we use this framework to analyze the two timescale stochastic approximation algorithm corresponding to the Lagrangian dual problem in optimization theory.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
