Maximum Principle of Stochastic Optimal Control Problems with Model Uncertainty
本文在模型不确定性和马尔可夫机制切换框架下,通过变分不等式、线性化与弱收敛技术建立了随机最优控制的必要最大值原理及充分条件,并应用于风险最小化投资组合选择问题。
2025-04-13 math.OC
Relationship between MP and DPP for stochastic recursive optimal control problem under volatility uncertainty
本文研究了由$G$ -布朗运动驱动的随机递归最优控制问题的最大值原理与动态规划原理之间的关系。在值函数光滑的假设下,我们得到了MP和DPP在参考概率$P_{t,x}^{\ast}$下的联系。在黏性解的框架下,建立了数值函数的一阶超喷流、亚喷流与伴随方程的解之间的关系。
2022-10-11 math.OC
Regularized two-stage stochastic variational inequalities for Cournot-Nash equilibrium under uncertainty
将不确定性条件下的凸两阶段非合作多智能体博弈表示为两阶段随机变分不等式(SVI)。在标准假设下,给出了两阶段SVI解存在的充分条件,并提出了求解该问题的正则化样本平均逼近方法,证明了当正则化参数趋于零和样本量趋于无穷大时,该方法的收敛性.此外,我们的方法被应用到一个两阶段的随机生产和供应计划问题的同质商品在寡头垄断市场。基于原油市场历史数据的数值计算结果表明,两阶段SVI在描述采油剂的市场份额的有效性。
2019-07-17 math.OC
Solving Two-Stage Stochastic Programs with Endogenous Uncertainty via Random Variable Transformation
本文提出基于随机变量变换的通用方法,将具有内生不确定性的两阶段随机规划转化为决策无关不确定性的等价规划,并在网络设计与设施防护问题中验证其可得到混合整数线性规划且性能优于直接求解原始规划。
2025-07-05 math.OC
Comparison Between Robust and Stochastic Optimisation for Long-term Reservoir Operations Under Uncertainty
长期水库管理经常使用水库水位的界限,操作员可以在这些界限之间工作。然而,这些界限并不总是与水库流域的最新知识保持最新,因此变得过时。边界计算的主要困难是正确考虑水库入流的高度不确定性。在这篇文章中,我们提出了一种方法来获得最小界限,同时提供正式的保证所获得的解决方案的质量。不确定性嵌入使用随机或鲁棒编程模型预测控制框架。我们比较这两种范式的现有解决方案的案例研究,发现所获得的解决方案有很大的不同。通过结合随机和鲁棒的方法,我们也分配一个置信水平的解决方案得到的随机规划。所提出的方法被认为是有效的,易于实施。它依赖于健全的数学原理,确保在所有情况下都能达到全局最优值。
2018-01-26 math.OC
Modelling and analysis of multi-timescale uncertainty in energy system planning
本文利用REORIENT模型全面建模并分析能源系统规划中的短期与长期不确定性,提出并行稳定化Benders分解方法,证明多时间尺度不确定性提升随机解价值且该方法比串行版本快最多7.5倍。
2024-08-30 math.OC
A note on the strong formulation of stochastic control problems with model uncertainty
考虑一类具有模型不确定性的马尔可夫随机控制问题。控制器(智能玩家)只观察状态,因此使用反馈(闭环)策略。对收益没有直接兴趣的不利参与者(自然)选择开环控制,使不确定性参数化。这在反馈策略和开环控制上创建了两步最优化问题(就像游戏的一半)。主要结果是表明,在某些假设下,这提供了相同的价值(一半)的零和对称对策,其中不利的球员也发挥反馈策略,并积极地试图最大限度地减少回报。价值函数独立于不利参与者可访问的过滤。除了建模问题之外,本说明是[S] 3b的技术伴侣。
2014-04-08 math.OC
Stochastic Approach for Price Optimization Problems with Decision-dependent Uncertainty
针对需求不确定性依赖于价格的价格优化问题,提出一种通用非凸随机优化方法,通过推导无偏随机梯度估计器并结合投影随机梯度下降寻找稳定点,实验证明其能获得比基线更高的总收入。
2024-01-03 math.OC
A scenario-based framework for supply planning under uncertainty: stochastic programming versus robust optimization approaches
在本文中,我们分析了两种建模方法的效果不确定性下的供应计划问题:两阶段随机规划(SP)和鲁棒优化(RO)。两种方法之间的比较是通过一个基于神经网络的框架方法,它可以适用于任何最优化问题受不确定性的影响。对于SP,我们根据与一组场景相关的不确定参数的特定概率分布计算最小预期成本。对于RO,我们考虑静态方法,其中随机参数属于箱或椭球不确定性集,符合用于生成SP场景的数据。还考虑了通过可调节的鲁棒对应物的概念来实现RO的动态方法。该方法的效率已被说明为供应规划问题,以优化车辆租赁和采购运输活动涉及的不确定性的需求和购买额外的车辆的成本。数值实验,通过基于的框架,允许在真实情况下的实例进行公平的比较。讨论了RO和SP的优缺点。
2016-11-20 math.OC
The Value of Multi-stage Stochastic Programming in Risk-averse Unit Commitment under Uncertainty
日前发电计划或机组组合问题是电力系统中一个重要且具有挑战性的最优化问题。可再生能源技术的日益普及所产生的净负荷的变化,激发了各种类型的随机机组组合模型的研究。在两阶段模型中,全天的发电计划是固定的,而调度是适应的不确定性,而在多阶段模型中的发电计划也允许动态地适应不确定性的实现。多阶段模型在发电调度方面提供了更大的灵活性,然而,它们需要比两阶段模型高得多的计算工作量。为了证明这一额外的计算工作,我们提供了理论和实证分析的价值,多阶段解决方案的风险规避多阶段随机机组组合模型。多阶段解决方案的价值衡量多阶段解决方案相对于两阶段解决方案的相对优势。结果表明,机组组合模型的多阶段解的价值随不确定性水平和周期数的增加而增加,随决策者风险规避程度的增加而减小。
2018-08-02 math.OC
A Stochastic Lookahead Approach for Hurricane Relief Logistics Operations Planning under Uncertainty
飓风过后,人道主义后勤在及时向受灾地区运送救济物品方面发挥着关键作用。本文提出了一种新的随机前瞻框架,实现了一个两阶段的随机规划模型在滚动时域的方式,以解决不断变化的不确定性的物流系统状态在飓风后的人道主义物流行动。两阶段随机规划模型,在这个滚动时域框架中执行制定为一个混合整数规划问题。该模型旨在最大限度地减少运输和社会成本的总和。社会成本是作为一个函数来衡量的剥夺未满足的需求。我们广泛的数值实验结果和灵敏度分析表明,所提出的方法在减少飓风后的救援物流业务的总成本相比,在静态方法中实施的两阶段随机规划模型的有效性。
2020-08-02 math.OC
Robust pointwise second order necessary conditions for singular stochastic optimal control with model uncertainty
School of Mathematics and Statistics, Beijing Institute of Technology(北京理工大学数学与统计学院)
本文提出了一种针对具有模型不确定性的奇异随机最优控制问题的鲁棒点wise二次必要条件,结合凸变分方法和极小极大定理,通过例子验证了方法的有效性。
2025-12-06 math.OC
Maximum principle for stochastic recursive optimal control problem under model uncertainty
本文考虑模型不确定性下的随机递归最优控制问题。在这个框架中,费用函数被描述为一个家庭的向后随机微分方程的解决方案。借助于线性化技巧和弱收敛方法,我们导出了相应的随机最大值原理。此外,还研究了线性二次型鲁棒控制问题。
2020-04-15 math.OC math.PR
A stochastic MPC scheme for distributed systems with multiplicative uncertainty
本文提出了一种分布式随机模型预测控制算法,用于状态和控制输入具有局部机会约束的具有乘性不确定性的线性系网络。通过Cantelli不等式,利用期望值和协方差来逼近机会约束.该算法基于乘法器的分布式交替方向法,使得控制器完全分布式可实现,递归可行,并保证状态的逐点收敛。通过适当选择的分布不变集和分布终端的平均值和协方差的约束,保证上述属性。本文结束了一个例子,突出的机会约束满意度,数值特性和可扩展性,我们的方法。
2022-02-11 math.OC
Two-Stage Stochastic Optimization Frameworks to Aid in Decision-Making Under Uncertainty for Variable Resource Generators Participating in a Sequential Energy Market
在能源市场中,可变可再生资源发电机承诺的决策通常是在可获得的关于风力可用性和市场价格的信息很少时提前做出的。已经发表了许多研究报告,提出了解决这一问题的各种框架。然而,这些框架是有限的,因为它们没有考虑到生产者可以参与的所有市场。此外,当前的随机规划模型不允许随着更准确的信息变得可用而更新不确定性数据。这项工作提出了两个决策框架的风力发电机参与日前,当天,储备,平衡市场。第一个框架是一个两阶段的随机凸优化的方法,其中两个独立的和依赖的决策是同时进行的。第二个框架是一系列四个两阶段的随机最优化模型,其中每个模型的结果输入到每个后续模型中,允许随着决策者获得更多信息而更新场景。在仿真实验中,多阶段框架在每次运行中的性能都优于单阶段框架,平均利润增加了7%。拟议的优化框架有助于更好的决策,同时解决与可变资源生成器相关的不确定性,并最大限度地提高投资回报。
2021-03-06 math.OC
A stochastic method of moving asymptotes for topology optimization under uncertainty
本文将 MMA 与基于样本的随机积分及历史梯度自适应重组结合,提出渐近无偏的 sMMA,以低成本求解不确定性下的机会约束拓扑优化问题。
2024-10-25 math.OC
Optimal Design of Networks of Positive Linear Systems under Stochastic Uncertainty
本文研究了具有时不变和随机不确定性的正线性系网络。我们提出的线性矩阵不等式检查的稳定性,整个网络的原点与指定的概率和衰减率。在此基础上,我们给出了一种基于几何规划的求解描述不确定性的概率分布的最优参数的有效方法。我们通过分析随机不确定性存在下的病毒传播过程的稳定性来说明我们的结果。
2015-09-29 math.DS math.OC
Diffusion-Based Stochastic Operator Networks for Uncertainty Quantification in Stochastic Partial Differential Equations
Department of Mathematics, Florida State University(佛罗里达州立大学数学系);Computer Science and Mathematics Division, Oak Ridge National Laboratory(橡树岭国家实验室计算机科学与数学 division)
本文提出了一种新的框架,用于随机偏微分方程(SPDEs)解算子的不确定性量化。尽管SPDEs在建模具有不确定性的复杂物理系统中起着核心作用,但其实际应用通常需要指定模型不确定性的幅度和结构,而这些通常是未知且难以从噪声测量中推断出来的。为此,本文开发了一种随机算子学习框架,直接从噪声数据中学习,并输出均值解场和不确定性量化。所提出的方法,即随机算子网络(SON),通过结合深度算子网络(DeepONet)的结构与随机神经网络(SNNs)来建模随机性并实现概率预测。训练过程通过最小化一种哈密顿型损失并使用随机最大原理优化所得目标进行。在多个不确定性源下的基准SPDEs上的数值实验展示了所提出方法在捕捉解结构和量化预测不确定性方面的准确性和鲁棒性。
2026-10-19 cs.LG math.OC math.PR
Nonparametric Adaptive Bayesian Stochastic Control Under Model Uncertainty
本文提出了一种新的方法来解决模型不确定性下的离散时间随机马尔可夫控制问题。通过利用狄利克雷过程,我们模型的未知分布的潜在的随机过程作为一个随机概率测度,并实现在线学习的贝叶斯方式。我们的方法集成了优化和动态学习。在处理模型不确定性时,非参数框架使我们能够避免通常发生在其他经典控制方法中的模型误设定。然后,我们开发了一个数值算法来处理无限维的状态空间,在这种设置,并利用高斯过程代理,以获得贝尔曼递归的值函数的函数表示。我们还为最优控制构建了单独的代理,以消除样本外路径上的重复优化,并提高计算速度。最后,我们证明了非参数贝叶斯框架的财务优势相比,参数的方法,如强大的鲁棒性和时间一致的自适应。
2022-03-27 math.OC q-fin.MF
Stochastic Economic Dispatch Considering Demand Response and Endogenous Uncertainty
本文针对需求响应承诺带来的内生不确定性,建立SED-DR-EnU优化模型,并提出耦合学习驱动的优化算法,在IEEE 14节点和39节点系统上验证了考虑内生不确定性的重要性。
2023-05-31 math.OC stat.ME
Stochastic Finite Volume Method for Uncertainty Management in Gas Pipeline Network Flows
针对燃气发电机电力负荷间歇性导致的天然气网络流不确定性,开发了基于双曲型PDE的随机有限体积表示方法,用于稳态天然气流概率约束优化,并通过单管道和测试网络验证了计算与价格分布分析。
2024-03-26 math.OC stat.CO
A Backward SDE Method for Uncertainty Quantification in Deep Learning
Oak Ridge National Laboratory(橡树岭国家实验室);Florida State University(佛罗里达州立大学);Auburn University(奥本大学);Jilin University(吉林大学)
本文提出了一种概率机器学习方法,通过随机最优控制问题来构造一类随机神经网络。在随机最大值原理框架下,提出了一种有效的随机梯度下降算法。随机神经网络的应用进行了数值实验,以验证我们的方法的有效性。
2021-04-04 cs.LG math.OC stat.ML
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
Uncertainty propagation of stochastic hybrid systems: a case study for types of jump
该研究针对三类一维随机混合系统构建随机Koopman/Frobenius-Perron算子,通过概率密度传播分析不确定性在连续流与离散跳跃相互作用中的作用,并经蒙特卡洛模拟验证,揭示了不同系统的独特动态特性。
2024-12-13 cs.SY eess.SY math.OC
Multi-Area Interchange Scheduling under Uncertainty
研究了系统不确定性条件下的多区域立交调度问题。提出了一种基于随机最优化的多代理总线系统的调度方法,该方法捕捉了可再生能源发电和随机负荷的不确定性。特别是,所提出的算法迭代优化的接口流使用多维的需求和供应功能。最优性和收敛性保证同步和异步调度下标称假设。
2016-11-15 math.OC stat.AP
Stochastic Model Predictive Control for tracking of distributed linear systems with additive uncertainty
本文针对具有附加随机不确定性的分布式线性定常系统的参考跟踪问题,提出了一种机会约束随机模型预测控制方案。机会约束的均值方差信息的基础上重新解析,我们设计合适的概率可达集约束收紧。此外,机会约束被证明是满足闭环操作。不变集跟踪的设计补充了控制器,并确保收敛到任意容许的参考点,而有条件的初始化方案提供了递归可行性的基本属性。本文最后用一个数值例子,突出了收敛到不断变化的输出参考和经验约束的满足。
2023-03-06 cs.SY eess.SY math.OC
Optimal participation of energy communities in electricity markets under uncertainty. A multi-stage stochastic programming approach
Universitat Politècnica de Catalunya(加泰罗尼亚理工大学)
本研究提出多阶段随机规划模型以优化能源社区的电力市场参与,通过场景约简处理含34阶段的大规模优化问题,结合真实数据案例分析欧洲监管框架及随机性的附加价值。
2025-10-06 cs.SY eess.SY math.OC
Corrigendum for "Second-order reflected backward stochastic differential equations" and "Second-order BSDEs with general reflection and game options under uncertainty"
这篇短文的目的是填补我们早期关于具有反射的2BSDES的论文[16]中的空白,并解释如何纠正第二篇论文[15]中的后续结果。根据最近在所谓的$G-$框架中的贡献[13,23],我们还提供了对2RBSDES属性的更多见解。
2020-09-10 math.OC math.PR q-fin.MF
BISTRO -- A Bi-Fidelity Stochastic Gradient Framework using Trust-Regions for Optimization Under Uncertainty
University of Michigan(密歇根大学);NASA Langley Research Center(美国国家航空航天局兰利研究中心)
BISTRO通过结合信任区域和双保真方法,实现不确定性下的高效随机优化,提供$\mathcal{O}(1/n)$收敛率并显著降低计算成本。
2025-12-09 math.OC stat.CO
Scenario Aggregation using Binary Decision Diagrams for Stochastic Programs with Endogenous Uncertainty
在随机规划中对决策相关的场景概率进行建模是困难的,并且通常会导致非常难以求解的大且高度非线性的MINLP。在本文中,我们开发了一种新的方法来获得一个紧凑的表示的追索功能使用一组二进制决策图(BDD),编码的嵌套覆盖的场景集。由此产生的BDD然后可以被用来有效地表征决策相关的情况下的概率由一组线性不等式,这基本上是因式分解的概率分布,从而允许重新制定整个问题作为一个小的混合整数线性规划。该方法适用于一个大类的随机规划与多变量二进制场景集,如随机网络设计,网络可靠性,或随机网络阻断问题。计算结果表明,基于BDD的场景表示减少了问题的大小,因此,计算时间,显着相比,以前的方法。
2017-01-17 cs.DM math.OC
Stochastic Processes under Parameter Uncertainty
本文研究了参数不确定性下的非线性期望随机过程,提出了基于 Stroock 和 Varadhan 鞅问题方法的通用框架,并应用于建模非线性 Lévy 过程及随机偏微分方程,同时证明了动态规划原理与强 Markov 选择原理。
2023-08-03 math.AP math.OC math.PR
Efficient Representation of Uncertainty for Stochastic Economic Dispatch
随机经济调度模型通过考虑从随机过程模型中提取的有限数量的实现,通常通过蒙特卡洛采样,来解决可再生能源发电输出预测中的不确定性。对感兴趣的量的期望值或高阶矩的准确评估,例如,产生成本,可能需要大量的样本。我们提出了一种替代Monte Carlo抽样的多项式混沌展开的基础上。这些表示是基于稀疏正交方法,并使模型参数的不确定性的准确传播。我们还研究了一种基于Karhunen-Loeve展开的方法,该方法使我们能够有效地表示可再生能源发电中的不确定性。考虑到预期的生产成本,我们表明,所提出的方法可以产生几个数量级的计算成本降低解决随机经济调度相对于蒙特卡洛抽样,对于给定的目标误差阈值。
2015-08-21 cs.CE math.OC
A Stochastic Gradient Method with Mesh Refinement for PDE Constrained Optimization under Uncertainty
包含不确定输入(如随机力或材料参数)的模型在偏微分方程约束优化中受到越来越多的关注。本文研究了一类带随机系数和盒约束的线性偏微分方程的凸光滑跟踪型泛函的有效数值极小化问题。我们采取的方法是基于随机逼近,而不是一个真正的梯度,随机梯度是使用一个样本从一个已知的概率分布。通过在每次迭代中执行投影来维护可行性。在应用这种方法的不确定性下的偏微分方程约束优化,新的挑战出现。我们观察到的离散化误差近似的随机梯度使用有限元。分析PDE离散和随机误差之间的相互作用,我们开发了一个网格细化策略加上减少步长。此外,我们开发了一个网格细化策略的修改后的算法,使用平均值和更大的步长。该方法的有效性证明了不同的随机场的选择数值。
2020-06-25 cs.NA math.NA math.OC
Data-Driven Nonparametric Robust Control under Dependence Uncertainty
考虑了多周期随机控制问题,其中系统的多元驱动随机因子具有已知的边缘分布和不确定的相关结构。为了解决这个问题,我们提出了实现非参数自适应鲁棒控制框架。我们的目标是找到最优控制对最坏的情况下copulae在一系列收缩的不确定性集,这是从不断观察的数据。然后,我们使用随机梯度下降上升算法数值处理相应的高维动态inf-sup最优化问题。我们提出的数值结果的效用最大化的背景下,并表明控制器的好处,知道更多的信息不确定模型。
2022-09-12 math.OC q-fin.MF
Stochastic MPC with Offline Uncertainty Sampling
University of Stuttgart(斯图加特大学)
本文提出一种基于采样的随机模型预测控制算法,通过离线采样而非在线场景生成,提高了计算效率并增强了约束鲁棒性,同时保证了渐近稳定性。
2016-06-20 cs.SY eess.SY math.OC
Distributed Q-Learning for Stochastic LQ Control with Unknown Uncertainty
本文研究了无限时域上具有线性二次型准则的离散时间随机控制问题。研究一类控制系统,其系统矩阵与随机参数有关,且随机参数具有未知的统计特性。特别是,我们设计了一个分布式的Q学习算法来解决Riccati方程,并推导出稳定系统的最优控制器。其关键技术是将求解Riccati方程的问题转化为求解矩阵方程的零点问题,并设计了一种计算零点估计的分布式随机逼近方法。收敛性分析证明了分布式Q学习算法最终收敛到正确值。数值算例表明,分布式Q学习算法是渐近收敛的。
2022-01-14 cs.SY eess.SY math.OC
Data-Driven Stochastic Robust Optimization: A General Computational Framework and Algorithm for Optimization under Uncertainty in the Big Data Era
Robert Frederick Smith School of Chemical and Biomolecular Engineering, Cornell University(罗伯特·弗雷德里克·史密斯化学与生物分子工程学院,康奈尔大学)
本文提出了一种数据驱动的随机稳健优化框架,通过双层优化结构基于数据驱动的不确定性模型,结合两阶段随机规划和自适应稳健优化,解决大数据时代下的不确定性优化问题。
2017-12-29 cs.AI cs.LG cs.SY
Plant Performance in Precision Horticulture: Optimal climate control under stochastic uncertainty
本文提出一种时变随机反馈控制算法用于温室作物生产,通过随机马尔可夫决策过程最大化预期净收入,实验证明其在收益和状态精度上均优于静态与确定性控制器且具稳健性。
2023-07-28 cs.SY eess.SY math.OC
Stochastic Uncertainty Propagation in Power System Dynamics using Measure-valued Proximal Recursions
我们提出了一个近似算法,执行联合概率测度的空间上的变分递归传播的随机不确定性在高维状态空间的电力系统动态。该算法充分利用了网络化电力系统暂态过程中的精确非线性结构,具有非参数特性。将动态提升到概率测度的空间允许我们设计一种可扩展的算法,该算法避免了计算上禁止的底层高维状态空间的网格化。近端递归实现了广义无穷维梯度流,并演化概率加权的散乱点云。我们澄清的理论细微差别和算法的细节,具体到电力系统的非线性,并提供说明性的数值例子。
2022-08-24 cs.SY eess.SY math.OC
Stochastic Data-Driven Predictive Control: Chance-Constraint Satisfaction with Identified Multi-step Predictors
提出一种数据驱动随机MPC框架,通过辨识多步预测器、代理状态空间模型量化不确定性并进行约束收紧,在含噪测量下保证机会约束并降低保守性。
2025-03-15 cs.SY eess.SY math.OC
Nonintrusive Uncertainty Quantification of Dynamic Power Systems Subject to Stochastic Excitations
连续时间随机干扰(也称为随机激励),由于不断增加的可再生能源发电对电力系统动态的影响越来越大,但是,除了从蒙特卡洛模拟,大多数现有的方法来量化这种影响是侵入性的,这意味着他们不是基于商业仿真软件,因此很难使用的电力公司。为了填补这一空白,本文提出了一种有效的和非侵入性的方法来量化随机激励下的动态电力系统的不确定性。首先,高斯或非高斯随机激励与伊藤过程建模为随机微分方程。然后,用独立的高斯随机参数谱表示伊藤过程,并采用自适应稀疏概率配置法计算系统动力响应的多项式混沌展开(PCE).最后,对系统动态响应和性能指标的概率分布和高阶矩进行了准确、高效的量化。所提出的非侵入式方法是基于商业仿真软件,如PSS/E精心设计的输入信号,这确保了电力公司的易用性。通过IEEE 39节点和118节点测试系统的案例研究,所提出的方法进行了验证。
2020-07-05 cs.SY eess.SY math.OC
An Input-Output Approach to Structured Stochastic Uncertainty in Continuous Time
University of California, Santa Barbara(加州大学圣塔芭芭拉分校)
本文通过输入输出方法研究连续时间线性时不变系统在反馈下的随机不确定性,提出基于矩阵算子谱半径的均方稳定性条件,涵盖无限维系统和时滞系统。
2018-06-24 cs.SY eess.SY math.OC
Trajectory Optimization of Chance-Constrained Nonlinear Stochastic Systems for Motion Planning Under Uncertainty
California Institute of Technology(加州理工学院);Jet Propulsion Laboratory(喷气推进实验室)
我们介绍gPC-SCP:基于广义多项式混沌序列凸规划计算连续时间机会约束随机非线性最优控制(SNOC)问题的次优解。该方法使机器人系统的运动规划的不确定性。gPC-SCP方法包括两个步骤。第一步是利用gPC展开和机会约束的分布鲁棒凸子集,推导出具有凸约束的\emph{deterministic}非线性最优控制(DNOC)的代理问题。第二步是使用序列凸规划来求解DNOC问题,以用于轨迹生成和控制。我们证明了在无约束的情况下,DNOC的最优值渐近收敛到SNOC的最优值,并且约束DNOC的任何可行解都是机会约束SNOC的可行解。我们还提出了预测-校正扩展(gPC-SCP $^\mathrm{PC}$)的实时运动轨迹生成随机不确定性的存在。在gPC-SCP $^\mathrm{PC}$方法中,我们首先使用gPC方法预测不确定性,然后优化运动计划以适应不确定性。我们经验性地证明了gPC-SCP和gPC-SCP $^\mathrm{PC}$方法对于以下两个测试用例的有效性:1)在致动和物理参数的不确定性下的碰撞检查和2)3DOF和6DOF机器人系统的随机障碍物模型的碰撞检查。在三自由度机器人航天器试验平台上验证了gPC-SCP方法的有效性。
2022-03-26 cs.AI cs.RO cs.SY
Exploiting Uncertainty of Loss Landscape for Stochastic Optimization
University of Toronto(多伦多大学)
我们引入新的变种的动量,将方差的随机损失函数。方差表征跨i.i.d.的平均损失表面的局部特征的置信度或不确定性。由小批量定义的训练数据的子集。我们展示了损失函数的方差梯度的两个应用。首先,作为对常规动量更新的偏置,以鼓励跨小批量的损失函数的局部特征(例如,局部最小值)的一致性,以改进泛化和每个时期的累积训练进度。第二,作为在参数空间中“探索”的另一个方向,特别是对于非凸目标,在面对不确定性时,利用损失函数的乐观和悲观观点。我们还引入了一种新的数据驱动的随机正则化技术,通过参数更新规则,是模型不可知的,与任意架构兼容。我们进一步建立连接到概率分布的损失函数和增强策略梯度更新与RL中的基线。最后,我们将提出的动量的新变体纳入Adam,并根据我们在MNIST和CIFAR-10数据集上的实验,实证表明我们的方法提高了训练的收敛速度。
2019-05-30 cs.LG math.OC stat.ML
Bayesian Optimization under Uncertainty for Training a Scale Parameter in Stochastic Models
University of Houston(德克萨斯大学休斯敦分校)
针对随机模型中的尺度参数调优,提出一种贝叶斯优化框架,利用统计替代模型和闭式采集函数优化器,将数据点需求减少40倍,计算成本最多降低40倍。
2026-10-14 cs.CE cs.LG math.OC
Application of Progressive Hedging to Var Expansion Planning Under Uncertainty
本文介绍了渐进式套期保值(PH)算法的最小成本无功规划的不确定性。方法PH是用于求解随机规划的基于神经网络的分解技术,即,它将一个大规模随机问题分解成s个确定性子问题,并将s个确定性子问题的决策耦合起来,形成原随机问题的解。所提出的方法的有效性和计算性能将说明与IEEE 24总线系统(5个操作场景),200总线玻利维亚系统(1,152个操作场景)和1,600总线哥伦比亚系统(180个场景)的无功规划研究。
2020-04-17 cs.CE cs.SY eess.SY