Locally Feasibly Projected Sequential Quadratic Programming for Nonlinear Programming on Arbitrary Smooth Constraint Manifolds
受非线性约束约束的高维非线性最优化问题可以出现在包括约束物理和动力系统、统计估计和其他数值模型在内的多种环境中。如果目标函数仅在可行集上定义，或者如果在使用不可行优化例程期间出现与价值函数或不可行终止相关的数值困难，则可行优化例程有时可能是有价值的。借鉴黎曼优化和序列二次规划的文献，构造了一个实用的算法进行可行优化的任意隐式定义的约束流形。具体地，利用$n$（潜在有界约束）变量和$m < n$非线性约束，每个外部优化循环迭代涉及单个$O(nm^2)$触发器因式分解，并且构造涉及$O(nm)$触发器内部循环迭代的计算上有效的撤回。使用Julia语言创建了一个软件包LFPSQP.jl，该软件包利用了自动微分和投影共轭梯度法，用于不精确/截断牛顿步骤。
2021-11-05 cs.MS math.OC
A User Manual for cuHALLaR: A GPU Accelerated Low-Rank Semidefinite Programming Solver
H. M. Stewart School of Industrial and Systems Engineering, Georgia Tech（H.M. 斯图尔特工业与系统工程学院，佐治亚理工学院）；School of Applied Mathematics, FGV（应用数学学院，FGV）；Department of Combinatorics and Optimization, University of Waterloo（组合优化系，滑铁卢大学）
本文介绍基于Julia的HALLaR与cuHALLaR求解器接口，支持SDPA及HSLR格式，便于用户加载数据、配置选项并求解大规模半定规划，附矩阵补全与最大稳定集示例。
2025-08-21 cs.LG cs.MS cs.NA
QUBO.jl: A Julia Ecosystem for Quadratic Unconstrained Binary Optimization
Federal University of Rio de Janeiro（里约热内卢联邦大学）；PSR；Davidson School of Chemical Engineering, Purdue University（普渡大学戴维森化学工程学院）；Pontifical Catholic University of Rio de Janeiro（里约热内卢天主教大学）；Research Institute of Advanced Computer Science, Universities Space Research Association（美国大学航天协会高级计算机科学研究所）；Quantum Artificial Intelligence Laboratory, NASA Ames Research Center（NASA艾姆斯研究中心量子人工智能实验室）
介绍QUBO.jl这个Julia包，可将JuMP中的优化问题转换为QUBO形式，用于多种物理及相关求解方法，能与硬件交互，通过JuMP/MathOptInterface层提供流畅建模体验。
2026-07-29 math.OC quant-ph
A Julia Framework for Graph-Structured Nonlinear Optimization
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Argonne National Laboratory（阿贡国家实验室）
本文提出一个Julia框架，用于解决图结构非线性优化问题，结合Plasmo.jl和MadNLP.jl，展示其在气体网络中的可扩展性。
2022-04-11 math.OC
Dynamic programming in convex stochastic optimization
本文研究了Rockafellar和Wets在[30]中提出的一般凸随机最优化问题的动态规划原理。我们通过放松紧性和有界性假设扩展了理论的适用性。在金融数学的背景下，放松的假设满足著名的无套利条件和合理的渐近弹性条件的效用函数。除金融数学外，我们还在线性和非线性随机规划以及随机最优控制方面得到了一些新的结果。
2022-03-31 math.OC
Dynamic Programming Principle for Stochastic Control Problems driven by General Lévy Noise
本文将动态规划原理（DPP）的证明推广到一般Lévy噪声驱动的标准随机最优控制问题.在适当的假设下，它表明，民进党仍然成立时，国家过程没有任何时刻。
2016-03-24 math.OC
A risk-aversion approach for the Multiobjective Stochastic Programming problem
多目标随机规划是一个很好的领域，以解决在紧急情况下出现的问题，因为不确定性和多个目标通常存在于这样的问题。本文提出了一种新的解的概念，特别是针对风险规避问题的解。提出了一种求解该问题的线性规划模型。
2020-08-27 math.OC
Penalty Methods with Stochastic Approximation for Stochastic Nonlinear Programming
本文提出了一类解随机非线性规划问题的具有随机逼近的罚方法。我们假设只有噪声梯度或目标函数的函数值是通过调用随机一阶或零阶预言。在所提出的方法的每次迭代中，我们最小化的精确罚函数，这是非光滑和非凸的，只有随机的一阶或零阶信息。随机逼近算法解决这个特殊的子问题。最坏情况下的复杂性的随机一阶（或零阶）预言的建议的惩罚方法获得一个$ε$ -随机临界点进行了分析。
2016-05-19 math.OC
Stochastic Dynamic Linear Programming: A Sequential Sampling Algorithm for Multistage Stochastic Linear Programming
多阶段随机规划处理的经营和规划问题，涉及一系列的决策随着时间的推移，同时响应实现是不确定的。多阶段随机线性规划（MSLP）问题的算法通常依赖于场景树来表示底层的随机过程。当这一过程表现出阶段独立性，抽样为基础的技术，特别是随机对偶动态规划（SDDP）算法，已得到广泛接受。然而，这些基于采样的方法仍然使用所谓的样本平均近似的问题的确定性表示。在这项工作中，我们提出了一个序贯抽样的方法，允许决策过程吸收新的采样数据递归MSLP问题。我们把这种方法称为随机动态线性规划（SDLP）算法。由于我们使用序贯抽样，该算法不需要先验表示的不确定性，无论是通过一个场景树或样本平均近似，这两个都需要知识/估计的基础分布。在这方面，SDLP是解决MSLP问题的序贯抽样方法。该方法构成了两阶段SLP模型的随机分解（SD）的推广。我们采用二次正则化的最优化问题的非终端阶段。此外，我们引入了基本可行的政策，提供了一个分段仿射的解决方案发现计划，这是嵌入在优化算法，以确定用于正则化现任解决方案的概念。最后，我们证明了SDLP算法提供了一个序列的决定和相应的价值函数估计沿一系列的状态轨迹，渐近收敛到他们的最佳对手，概率为1。
2020-10-23 math.OC
Tropical Dynamic Programming for Lipschitz Multistage Stochastic Programming
本文提出了一种称为热带动态规划（TDP）的算法，它建立了风险中性多阶段随机规划（MSP）中Bellman值函数的上下近似，具有有限支撑的独立噪声。为了解决维数灾难，近似动态规划的流行参数变体将贝尔曼值函数近似为基函数的线性组合。在这里，热带动态规划建立了上层（分别为。较低的）近似的给定值函数作为最小加线性（分别）。最大加线性）组合。在每次迭代中，TDP都会根据Baucke，Downward和Zackeri在2018年为随机对偶动态规划的变体引入的确定性标准向当前组合添加一个新的基本函数。我们证明了，对于每一个Lipschitz MSP，生成的逼近函数的TDP的Bellman值函数的兴趣集上的渐近收敛。我们用线性动力学和多面体代价在MSP上说明了这个结果。
2020-10-20 math.OC
New extremal principles with applications to stochastic and semi-infinite programming
本文发展了新的极值原理的变分分析的动机应用到约束问题的随机规划和半无限规划没有光滑性和/或凸性假设。这些极值原理涉及值在有限维空间中的可测集值映射/多值函数，并以近似和精确形式建立。所得到的原则是有助于通过变分方法获得整表示和上估计的定期和限制法线锥的基本交叉定义的可测多功能，这反过来又是至关重要的新的应用程序随机和半无限规划。
2020-07-22 math.OC
Weak continuity of risk functionals with applications to stochastic programming
衡量和管理风险已成为随机不确定性下现代决策的关键。在两阶段随机规划中，均值风险模型本质上是由一个参数补偿问题和一个风险量化问题定义的。从定性鲁棒性理论的角度，我们讨论了所得到的目标函数的连续性的充分条件关于扰动的基本概率测度。我们的方法涵盖了一个相当全面的类随机编程相关的风险措施和相关的追索权模型。这不仅统一了以前的方法，但也扩展了已知的两阶段随机规划的稳定性结果的模型与混合整数二次追索和混合整数凸追索，分别。
2016-11-25 math.OC
Primal-dual mirror descent for the stochastic programming problems with functional constraints
针对带函数约束的凸优化问题，提出了原始-对偶随机镜像下降算法。我们得到的收敛速率的大偏差的概率。
2017-07-30 math.OC
Risk Neutral Reformulation Approach to Risk Averse Stochastic Programming
本文的目的是表明，在某些情况下，风险厌恶的多阶段随机规划问题可以重新制定的形式的风险中性设置。这是通过改变参考概率测度来实现的，使"坏”（极端）情况更加频繁。作为一个数值例子，我们证明了这种变化的测量方法应用到巴西互联电力系统运行规划问题的优势。
2020-01-06 math.OC
Inexact cuts for Deterministic and Stochastic Dual Dynamic Programming applied to convex nonlinear optimization problems
本文将对偶动态规划（DDP）推广到求解凸非线性动态规划方程。我们称之为不精确的DDP（IDDP）这种扩展适用于一些或所有的原始和对偶子问题，以解决沿迭代的方法解决有界误差的情况。我们证明了决策序列的任何聚点都是动态规划方程的近似解。当这些错误趋于零的迭代次数趋于无穷大，我们表明，IDDP解决了动态规划方程。我们扩展的分析随机凸非线性动态规划方程，引入不精确随机对偶动态规划（ISDDP），SDDP的不精确的变种对应的情况下，一些或所有的问题要解决的前向和向后传递的SDDP近似解决。我们还证明了ISDDP在误差消失时的几乎必然收敛。
2017-11-22 math.OC
Dynamic programming principle for stochastic optimal control problem under degenerate G-expectation
本文研究了退化G-期望下的随机最优控制问题。利用隐分划方法，证明了对于容许控制的近似结果仍然成立。在此基础上，证明了价值函数是确定性的，并得到了动态规划原理。进一步证明了在退化情形下，该值函数是相应的HJB方程的唯一黏性解。
2022-10-18 math.OC
Dynamic Programming Principle for Stochastic Recursive Optimal Control Problem under G-framework
本文研究了一类随机递归最优控制问题，其中代价泛函由G-布朗运动驱动的倒向随机微分方程的解描述。在标准假设下，建立了G-期望框架下的动态规划原理和相应的完全非线性HJB方程。最后，我们证明了该值函数是所得到的HJB方程的黏性解。
2014-10-13 math.OC
Multistage stochastic programs with a random number of stages: dynamic programming equations, solution methods, and application to portfolio selection
我们引入了一类具有随机数阶段的多阶段随机最优化问题。对于此类问题，我们展示了如何编写动态规划方程，并详细介绍了求解这些方程的随机对偶动态规划算法。最后，我们考虑了一个随机持续时间的优化期上的投资组合选择问题。对于这个问题的几个实例，我们显示了使用一个策略获得的收益，该策略考虑了阶段数的随机持续时间，而不是考虑了固定阶段数（即阶段的最大可能数量）的策略。
2019-07-17 math.OC
Adaptive dynamic programming-based algorithm for infinite-horizon linear quadratic stochastic optimal control problems
研究了一类连续时间随机系统的无限时域线性二次型随机（LQS）最优控制问题。利用自适应动态规划（ADP）技术，提出了一种新的无模型策略迭代（PI）算法。该PI算法不需要系统系数矩阵的所有信息，仅利用在固定时间间隔上采集的输入和系统状态数据进行迭代。最后，通过数值算例验证了算法的可行性.
2022-10-10 math.OC
Stochastic viability and dynamic programming
本文研究有限维空间中具有状态和控制约束的不确定离散动态非线性系统的随机控制问题。在确定性的情况下，可行性内核是已知的，这些问题的分析和可行的控制反馈的设计发挥了基本作用。在本文中，我们展示了如何一个随机的可行性内核和可行的反馈依赖于概率（或机会）的约束，可以定义和计算的动态规划方程。一个例子说明了大多数断言。
2010-02-05 math.OC
The Relationship between Maximum Principle and Dynamic Programming Principle for Stochastic Recursive Control Problem with Random Coefficients
本文旨在探讨具有随机系数的随机递归控制问题的最大值原理与动态规划原理之间的关系。在系数正则的条件下，得到了随机系数Hamilton系统与随机Hamilton-Jacobi-Bellman方程之间的关系。随机Hamilton-Jacobi-Bellman方程是一个倒向随机偏微分方程，其解是一对随机场而不是确定性函数，这与确定性系数的情形有很大的不同。基于这种关系，给出了一个线性二次递归效用最优化问题的例子。
2020-12-09 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
Relationship between Maximum Principle and Dynamic Programming Principle for Risk-Sensitive Stochastic Optimal Control Problems with Applications
本文揭示风险敏感随机最优控制中最大值原理与动态规划原理在值函数光滑条件下的内在联系，并应用于金融市场的线性二次投资组合优化。
2025-07-09 math.OC
Benchmarking Large-Scale ACOPF Solutions and Optimality Bounds
我们提出了一个全面的基准测试的结果，旨在评估和比较国家的最先进的开源工具，用于解决交流最优潮流（ACOPF）的问题。我们的数值实验包括公共图书馆PGLIB中的所有实例，网络大小高达30，000个节点。基准测试工具涵盖多种编程语言（Python、Julia、Matlab/Octave和C $++$）、非线性最优化求解器（Ipopt、MIPS和INLP）以及不同的数学建模工具（JuMP和Gravity）。我们还提出了国家的最先进的最优性界限，使用稀疏开发半定规划方法和相应的计算时间。
2022-03-21 math.OC
Relationships Between the Maximum Principle and Dynamic Programming for Infinite Dimensional Non-Markovian Stochastic Control Systems
School of Mathematics, Sichuan University（四川大学数学学院）
本文研究了无限维非马尔可夫随机控制系统中Pontryagin最大值原理与动态规划原理的关系，建立了动态规划表述与HJB方程，并揭示了光滑与非光滑情形下两者的显式及逐样本联系。
2025-11-04 math.OC
Adaptive Partition-based SDDP Algorithms for Multistage Stochastic Linear Programming
本文将求解两阶段固定资源随机规划问题的自适应划分方法推广到多阶段随机规划问题。该算法通过不同的树遍历策略，将自适应划分策略与求解多阶段随机规划的随机对偶动态规划方法相结合，以提高其计算效率.对水火电联合发电规划问题的数值实验表明了所提算法的有效性。
2019-08-29 cs.CE math.OC
Regularized Stochastic Dual Dynamic Programming for convex nonlinear optimization problems
我们定义了一个正则化的变形的对偶动态规划算法称为REDDP（正则化对偶动态规划）来解决非线性动态规划方程。我们将该算法推广到求解非线性随机动态规划方程。相应的算法，称为SDDP-REG，可以被看作是一个扩展的正则化的随机对偶动态规划（SDDP）算法最近推出的线性问题，研究较少的一般性中心。我们展示了REDDP和SDDP-REG的收敛性。我们评估了REDDP和SDDP-REG在具有直接交易成本和市场影响成本的投资组合模型上的表现。特别地，我们提出了一个风险中性的投资组合选择模型，它可以被视为一个多阶段的随机二阶锥规划。该公式的动机是市场影响成本对大型投资组合再平衡操作的影响。数值模拟表明，REDDP是快得多DDP的所有问题的情况下考虑（高达184倍快于DDP），SDDP-REG是更快的情况下，投资组合选择问题的市场影响成本测试和更快的风险中性的多阶段随机线性规划的情况下实施（8.2倍快）。
2020-05-01 math.OC
Team problems and stochastic programming
本文通过将凸随机规划的新方法引入随机团队决策问题，重点研究了凸随机团队问题中信息与物质约束的拉格朗日松弛。
2025-09-21 math.OC math.PR
A Stochastic Conjugate Subgradient Algorithm for Two-stage Stochastic Programming
针对两阶段随机规划，提出随机共轭次梯度（SCS）框架，系统解决样本量、搜索方向和步长选择问题，并证明新算法的收敛性及收敛速度，初步实验验证理论。
2025-03-26 math.OC
Inexact cuts in Deterministic and Stochastic Dual Dynamic Programming applied to linear optimization problems
本文将对偶动态规划（DDP）推广到求解线性动态规划方程组。我们称之为扩展IDDP-LP，它适用于一些或所有的原始和对偶子问题的情况下，要解决沿迭代的方法解决有界误差（不准确）。我们提供收敛定理的情况下，误差有界和渐近消失的错误。我们扩展的分析随机线性动态规划方程，引入不精确随机对偶动态规划线性规划（ISDDP-LP），SDDP适用于线性规划的不精确的变种对应的情况下，一些或所有的问题要解决的SDDP的向前和向后通过近似解决。我们还提供了收敛定理ISDDP-LP有界和渐近消失的错误。最后，我们提出了比较SDDP和ISSDP-LP的直接交易成本建模为一个多阶段随机线性最优化问题的投资组合问题的数值实验结果。在这些实验中，ISDDP-LP允许我们比SDDP更快地获得好的策略。
2019-07-07 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
Benders, Nested Benders and Stochastic Programming: An Intuitive Introduction
这篇文章的目的是解释嵌套Benders算法的解决方案的大规模随机规划问题的方式是理解的人来它的第一次。在这样做的时候，它给出了一个解释的本德斯分解和它的应用程序的两阶段随机规划问题（也称为在这种情况下的L形方法），然后扩展到多阶段的问题作为嵌套的本德斯算法。这篇文章是针对读者与一些知识的线性和可能的随机规划，但目的是发展大多数概念，从简单的原则，在一个可以理解的方式。重点是直观的理解，而不是严格的证明。
2013-12-11 cs.DS math.OC
Sequential Convex Programming For Non-Linear Stochastic Optimal Control
本文介绍了一个非线性、有限维随机最优控制的序贯凸规划框架，其中不确定性由多维Wiener过程建模。证明了序列凸规划生成的迭代序列的任一聚点都是原问题在随机Pontryagin最大值原理意义下的候选局部最优解。此外，我们提供了至少存在一个这样的聚点的充分条件。然后，我们利用这些属性来设计一个实用的数值方法来解决非线性随机最优控制问题的基础上确定性转录的随机序列凸规划。
2022-09-26 cs.SY eess.SY math.OC
Dynamic Programming of Stochastic Burgers Equation Driven by Levy Noise
本文研究了受高斯型和Levy型噪声干扰的随机Burgers方程的最优控制问题，其中分布控制过程作用于状态方程.本文用动态规划方法求解二阶Hamilton-Jacobi- Bellman（HJB）方程，该方程由带Levy测度的积分-微分算子组成，并与随机控制问题相联系.利用随机Burgers方程对应的转移半群的正则化性质和紧性论证，我们求解了HJB方程及其反馈控制问题.
2022-04-15 math.AP math.OC
Randomized Progressive Hedging methods for Multi-stage Stochastic Programming
渐进式套期保值是一种求解多阶段随机优化问题的常用分解算法。该算法的计算瓶颈是每次迭代都必须求解所有场景子问题。在本文中，我们介绍了随机版本的渐进对冲算法能够产生新的迭代，只要一个单一的场景子问题得到解决。基于渐进式套期保值和单调算子之间的关系，我们利用最近的随机不动点方法的结果来推导和分析所提出的方法。最后，我们发布了相应的代码作为一个易于使用的Julia工具箱和报告计算实验显示的实际利益的随机算法，特别是在并行上下文中。在整个论文中，我们特别注意陈述，强调主要思想，避免额外的技术细节，以使随机方法在运筹学界的广泛受众。
2020-09-25 cs.DC math.OC
Dynamic programming principle for one kind of stochastic recursive optimal control problem and Hamilton-Jacobi-Bellman equations
本文研究了一类费用函数函数为一个反射倒向随机微分方程的解的带障碍约束的随机递归最优控制问题。我们将给出这类最优控制问题的动态规划原理，并证明其值函数是相应的Hamilton-Jacobi-Bellman方程的障碍问题的唯一黏性解。
2007-04-28 math.OC math.PR
Step size adaptation in first-order method for stochastic strongly convex programming
提出了一种求解随机强凸优化问题的一阶方法，该方法具有$O(1/n)$收敛速率，分析表明，该方法简单，易于实现，在最坏情况下，渐近收敛速度是同类方法的4倍.我们从几个直观的观察，从现有的一阶最优化方法推广得到这种方法。
2011-10-13 cs.LG math.OC
Stochastic First- and Zeroth-order Methods for Nonconvex Stochastic Programming
针对一类重要的非线性（可能非凸）随机规划（SP）问题，提出了一种新的随机逼近（SA）型算法，即随机化随机梯度（RSG）算法.我们建立了计算一个非线性规划问题的近似稳定点的方法的复杂性。我们还表明，这种方法具有接近最佳的收敛速率，如果问题是凸的。我们讨论了一个变体的算法，其中包括应用后优化阶段，以评估由几个独立运行的RSG方法产生的解决方案的短列表，并表明，这样的修改允许显着提高算法的大偏差属性。这些方法，然后专门解决一类基于模拟的最优化问题，其中只有随机零阶信息。
2013-09-22 cs.CC math.OC stat.ML
The Parametric Cost Function Approximation: A new approach for multistage stochastic programming
Department of Operations Research and Financial Engineering（运筹学与金融工程系）；University of Waterloo（滑铁卢大学）
在研究文献中，解决多阶段随机规划问题的最常见方法是使用价值函数（"动态规划"）或情景树（"随机规划"）来近似现在的决策对未来的影响。相比之下，通常的行业惯例是使用确定性的未来近似，这更容易理解和解决，但被批评为忽视不确定性。我们表明，一个确定性的优化模型的参数化版本可以是一种有效的方式来处理不确定性的复杂性，无论是随机规划或动态规划。我们提出了一个参数化的确定性最优化模型的想法，特别是一个确定性的前瞻模型，作为一个强大的战略，许多复杂的随机判定问题。这种方法可以处理复杂的、高维的状态变量，并且避免了与场景树或值函数近似相关联的通常近似。相反，它引入了设计和调优参数化的离线挑战。我们说明了使用一系列的应用程序设置的想法，并展示了它的使用在一个非平稳的能量存储问题与滚动预测。
2022-01-01 cs.AI math.OC
Perov's Contraction Principle and Dynamic Programming with Stochastic Discounting
本文证明了Perov收缩原理的实用性，它将Banach收缩原理推广到向量值度量，用于研究折扣因子可以是随机的动态规划问题。贴现条件$β<1$由$ρ(B)<1$代替，其中$B$是适当的非负矩阵，$ρ$表示谱半径。Blackwell的充分条件也推广到了这种情况。资产定价和最优储蓄的应用进行了讨论。
2021-09-07 econ.TH math.FA math.OC
Fast Algorithms for Online Stochastic Convex Programming
Microsoft Research（微软研究院）
我们介绍了在线随机凸规划（CP）问题，一个非常一般的版本的随机在线问题，允许任意凹目标和凸可行性约束。在线随机包装与覆盖、在线随机匹配等问题是在线随机CP的一个特例。我们提出了快速算法，这些问题，实现了近最佳的遗憾保证的i.i.d.以及随机输入的随机置换模型。当应用到特殊情况下的在线包装，我们的想法产生一个更简单，更快的原始-对偶算法，这个研究问题，实现了最佳的竞争比。我们的技术明确的连接原始-对偶范式和在线学习在线随机CP。
2014-10-28 cs.DS cs.LG math.OC
Interval constraint programming for globally solving catalog-based categorical optimization
提出一种区间约束规划方法，通过基于目录的收缩器保证分类属性与目录项一致，从而精确、严密地全局求解任意规模和维度的分类优化问题。
2024-01-22 cs.NA math.CO math.NA
A Weak Dynamic Programming Principle for Zero-Sum Stochastic Differential Games with Unbounded Controls
我们分析了两个竞争玩家之间的零和随机微分对策谁可以选择无界控制。博弈的收益通过后向随机微分方程定义。我们证明了每个玩家的优先级值满足弱动态规划原则，从而解决了相关的完全非线性偏微分方程的粘性。
2013-03-13 math.AP math.OC math.PR
Max-affine estimators for convex stochastic programming
University of Alberta（阿尔伯塔大学）；Imperial College London（帝国理工学院）
本文研究了具有凸结构的两个序列决策问题，提出了一种基于最大仿射估计的近似动态规划方法，用于解决能源存储优化和多产品组装问题。
2016-09-18 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
A stochastic approximation algorithm for stochastic semidefinite programming
受多天线无线网络应用的启发，我们提出了一个分布式和异步算法的随机半定规划。该算法是一个连续时间矩阵指数格式正则化的随机逼近，通过在问题的目标函数中加入类熵项来实现.我们表明，所得到的算法几乎肯定收敛到一个$\varepsilon$近似的最优解只需要一个无偏估计的梯度问题的随机目标。当应用于无线多输入多输出（MIMO）系统中的吞吐量最大化，该算法保持其收敛性能下的广泛的移动性障碍，如用户更新的灵活性，随机延迟和/或遍历变化的信道。我们的理论分析是补充广泛的数值模拟，说明了所提出的方法在现实网络条件下的鲁棒性和可扩展性。
2015-07-07 cs.GT cs.IT math.IT
