Distributed Allocation and Resource Scheduling Algorithms Resilient to Link Failure
针对链路故障、丢包、时延和间歇连通问题，提出基于图论与网络渗流理论的弹性分布式资源分配算法，保证全程可行、鲁棒收敛并在一致连通网络下达到最优。
2025-10-21 cs.DC cs.MA cs.SY
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
Disturbance-resilient Distributed Resource Allocation over Stochastic Networks using Uncoordinated Stepsizes
研究了多智能体系统中的分布式资源分配问题，其中所有智能体在随机通信网络上合作最小化它们的费用函数之和.这个问题出现在许多实际领域，如智能电网中的经济调度，任务分配，机器人控制中的功率分配。现有的大多数工作不能收敛到最优解，如果状态偏离可行域，由于环境噪声，误操作，恶意攻击等造成的干扰，为了解决这个问题，我们提出了一种分布式偏差跟踪资源分配算法，并证明了它线性收敛到最优解与常数步长。我们进一步探讨了所提出的算法的弹性特性。最重要的是，在干扰注入和随机通信故障的情况下，算法仍然收敛到最优解。为了提高算法的收敛速度，建立了最快收敛速度的最优步长。我们还证明了该算法的线性收敛到最优解的均方，即使与不协调的步长，即，允许代理采用不同的步长。仿真结果验证了理论分析的正确性。
2021-04-25 math.OC
Online Multiple Resource Allocation Problems with Departures via the Primal-Dual Approach
针对带离开的在线多资源分配问题及其负载均衡、多维变体，提出原始-对偶算法，在温和假设下取得与现有阈值策略相当的竞争比，且可在不损失性能的前提下纳入额外约束。
2025-10-06 cs.DS math.OC
Resilient Energy Allocation Model for Supply Shortage Outages
University of the Philippines, Diliman（菲律宾大学迪利曼分校）；University of California, Berkeley（加州大学伯克利分校）
本文提出多目标优化调度模型，研究在电网韧性与成本之间权衡时如何最优分配未用能源以应对供不应求停电问题。
2017-07-25 cs.MA cs.SY eess.SY
Model-Free Learning of Optimal Ergodic Policies in Wireless Systems
University of Pennsylvania（宾夕法尼亚大学）；Intel Corporation（英特尔公司）
无线系统中的学习最优资源分配策略可以有效地实现通过制定有限维约束程序，这取决于系统配置，以及所采用的学习参数化。这里的兴趣是在系统模型不可用的情况下，提示使用候选策略探测无线系统的方法，然后使用观察到的性能来确定更好的策略。由于需要从这些有限的系统查询中挑选出准确的梯度估计，因此该通用过程是困难的。本文构造和利用平滑代理的约束遍历资源分配问题，前者的梯度被精确表示为有限差分的平均值，可以通过有限的系统探测。利用这一独特的属性，我们开发了一个新的无模型的原始-对偶算法学习最优遍历资源分配，而我们严格分析原始的政策搜索问题和他们的代理人之间的关系，在原始和对偶域。首先，我们证明了原始和对偶域代理是其相应的原始有限维对应物的一致一致近似。在进一步假设使用近普遍的政策参数化，我们还开发了明确的界限之间的差距初始，无限维资源分配问题的最优值，和他们的参数化平滑代理的对偶值。事实上，我们表明，这种对偶差距以线性速率相对于平滑和普适性参数。因此，它可以任意变小，也证明了我们提出的原始-对偶算法配方。数值模拟证实了我们的方法的有效性。
2019-11-10 cs.LG cs.SY eess.SP
Distributed Constraint-Coupled Optimization via Primal Decomposition over Random Time-Varying Graphs
本文解决了大规模的，凸优化问题，需要解决一个分布式的方式，根据一个随机时变图的代理通信。具体来说，网络的目标是最小化本地成本的总和，同时满足本地和耦合约束。代理根据时变模型进行通信，其中底层连通图的边在每次迭代时以一定的非均匀概率活跃。通过依赖于一个原始的分解方案应用到一个等价的问题重新制定，我们提出了一种新的分布式算法，其中代理商谈判的本地分配的总资源只有邻居与积极的通信链路。该算法被研究为一个次梯度方法与块式更新，其中块对应于在每次迭代中活跃的图边缘。由于这种分析方法，我们表明几乎必然收敛的最佳成本的原始问题和几乎必然渐近原始恢复，而不诉诸平均机制通常采用对偶分解方案。显式的次线性收敛速度的假设下，提供了减少和恒定的步长。最后，一个广泛的数值研究插入式电动汽车充电问题证实了理论结果。
2020-10-27 cs.SY eess.SY math.OC
Walrasian Equilibrium and Centralized Distributed Optimization from the point of view of Modern Convex Optimization Methods on the Example of Resource Allocation Problem
我们考虑资源分配问题及其数值解。论证了以下结构：1）确定均衡的瓦尔拉斯价格调整机制; 2）价格的分散作用; 3）斯莱特的价格限制方法（双拉格朗日乘数）; 4）确定均衡价格的新机制，其中价格不是由中央（政府）完全控制，而是由经济主体--节点（工厂）控制。在经济文献中，所考虑的方法的收敛性仅被证明。与此相反，本文提供了一个准确的分析的收敛速度所描述的程序，以确定平衡。分析是基于原始对偶性质的建议算法。更准确地说，在这篇文章中，我们提出了经济的解释以下数值原始-对偶方法的凸优化：二分法和次梯度投影方法。最后进行了数值实验。
2019-02-11 math.OC
Solving the continuous nonlinear resource allocation problem with an interior point method
资源分配问题通常利用其一般稀疏性和特定于问题的代数结构来解决。我们表明，稀疏结构单独产生一个封闭形式的牛顿搜索方向的通用原始-对偶内点方法。计算测试表明，内点方法始终优于最好的专门的方法时，没有额外的代数结构。
2013-09-26 math.OC
On the performance analysis of resilient networked control systems under replay attacks
研究了离散线性定常系统在状态和输入约束下的弹性控制问题。状态测量和控制命令通过通信网络传输，并且可能被对手破坏。特别是，我们认为重放攻击者恶意重复从操作员发送到执行器的消息。我们提出了一种变化的滚动时域控制律来处理重放攻击，并分析了由此产生的系统性能下降。竞争力（Resp.）合作）资源分配问题的弹性网络控制系统进行了研究。
2013-07-10 math.OC
A Safe First-Order Method for Pricing-Based Resource Allocation in Safety-Critical Networks
针对安全关键网络中只能通过价格影响需求且无实时双向通信的资源分配问题，提出 SPNUM 一阶算法，通过收缩可行集投影梯度与价格响应估计保证全程可行，并取得 O(log(T)) 次线性静态遗憾。
2024-05-17 cs.SY eess.SY math.OC
Distributed Constraint-coupled Resource Allocation: Anytime Feasibility and Violation Robustness
本文针对带耦合约束的实时分布式资源分配问题，结合原始-对偶方法与控制障碍函数设计DanyRA算法，保障全时刻约束可行，引入虚拟队列提升干扰下的违规鲁棒性，还扩展至等式约束场景并证明线性收敛性。
2025-08-04 cs.SY eess.SY math.OC
Resilient Edge Service Placement under Demand and Node Failure Uncertainties
本文针对资源需求与节点失效不确定性，提出两阶段自适应鲁棒模型优化边缘服务部署与工作负载分配，并开发高效迭代算法与仿射决策规则近似方法求解，帮助服务提供商主动减轻不确定性影响。
2023-06-27 cs.DC math.OC
Function Design for Improved Competitive Ratio in Online Resource Allocation with Procurement Costs
University of Washington（华盛顿大学）
我们研究了在线资源分配问题，多个客户顺序到达，卖方必须合理地分配资源给每个传入的客户，同时也面临着采购成本的总分配。假设资源采购遵循一个先验已知的边际递增费用函数，目标是最大化从满足客户的要求获得的回报，而不累积采购成本。我们分析了原始对偶法在这种情况下的竞争比，并开发了一个优化框架来合成一个代理函数的采购费用函数的算法所使用的，以提高竞争比的原始对偶法。我们的第一种设计方法侧重于多项式采购费用函数，并使用最佳代理函数，以提供一个更精细的约束比最先进的状态。我们的第二种设计方法使用拟凸优化，以找到最优设计参数为一般类的采购费用函数。数值例子被用来说明设计技术。最后，我们通过扩展分析来设计一个发布的定价机制，该算法不需要客户的偏好被揭示。
2020-12-23 cs.LG math.OC stat.ML
Asynchronous and Stochastic Distributed Resource Allocation
针对异步随机场景下的分布式资源分配问题，提出异步随机原始-对偶（Asyn-PD）算法，证明其以O(1/t)速率收敛，数值实验验证其优于同步算法。
2025-09-01 math.OC stat.ML
Safe Dual Gradient Method for Network Utility Maximization Problems
在本文中，我们介绍了一种新的一阶双梯度算法解决网络效用最大化问题，出现在网络的资源分配方案与安全关键的约束。受客户需求只能通过公布的价格而无法与客户进行实时双向通信的应用程序的启发，我们需要一种算法来生成\textit{safe prices}。这意味着在任何迭代中，响应于公布价格的已实现需求都不应该违反网络的安全约束。因此，与现有的一阶方法相比，我们的算法，称为安全的双梯度法（SDGM），保证在所有迭代产生可行的原始迭代。我们确保原始的可行性，1）增加了一个递减的安全裕度的约束，2）使用基于符号的双重更新方法与不同的步长的正负方向。此外，我们证明了由SDGM产生的原始迭代实现了${\cal O}(\sqrt{T})$的次线性静态遗憾。
2022-08-08 cs.SY eess.SY math.OC
A Multi-Agent Primal-Dual Strategy for Composite Optimization over Distributed Features
Kuwait University（科威特大学）；Michigan State University（密歇根州立大学）；Ecole Polytechnique Federale de Lausanne（洛桑联邦理工学院）
本文研究了多智能体共享最优化问题，其目标函数是光滑局部函数加上一个耦合所有智能体的凸（可能是非光滑）函数的和。这种情况出现在许多机器学习和工程应用中，例如分布式特征和资源分配的回归。我们将这个问题转化为一个等价的鞍点问题，这个问题可以用分散的方法解决。然后，我们提出了一个近似的原始对偶法，并建立了它的线性收敛的最优解的局部函数是强凸的。据我们所知，这是第一个线性收敛的分散算法的多智能体共享问题的一般凸（可能是非光滑的）耦合函数。
2020-06-15 cs.LG math.OC
Composite optimization for the resource allocation problem
本文将资源分配问题描述为一个带线性约束的凸极小化问题。为了解决这个问题，我们使用梯度和加速梯度下降适用于对偶问题，并证明了收敛速度的原始迭代和对偶迭代。我们获得更快的收敛速度比文献中已知的。并对这两种方法进行了经济学解释。这意味着算法的迭代自然对应于价格和生产调整的过程，以获得经济中所需的生产量。总的来说，我们展示了经济主体的这些行为如何导致整个系统达到均衡。
2019-09-29 math.OC
Numerical methods for the resource allocation problem in networks
在本文中，我们考虑的资源分配问题，在网络中有大量的连接，使用的用户数量巨大。所讨论的资源分配问题是一个带有线性不等式约束的最大化问题。为了解决这个问题，我们构造了对偶问题，并建议使用以下数值最优化方法来解决对偶问题：快速梯度法、随机投影子梯度法、椭圆体法和随机梯度外推法。一个特别的重点是对这些方法的原始-对偶分析。对于每种方法，我们估计了收敛速度。我们还提供了一些修改这些方法在分布式计算的设置，考虑到它们的应用程序的网络。
2021-02-08 math.OC
Optimal Resource Allocation over Networks via Lottery-Based Mechanisms
我们表明，在资源分配问题中，事先累积前景理论的偏好的球员的总效用可以增加确定性分配通过实施彩票。我们制定了一个优化问题，称为系统问题，找到最佳的彩票分配。该系统的问题表现出一个两层结构，包括一个置换配置文件和最优分配给定的置换配置文件。对于任何固定的置换配置文件，我们提供了一个基于市场的机制来找到最优配置，并证明了均衡价格的存在性。我们表明，该系统的问题有一个对偶差距，在一般情况下，和原始问题是NP-困难的。然后，我们考虑放松的系统问题，并得出一些定性的最佳彩票结构的特点。
2018-12-03 cs.GT cs.NI econ.TH
An Online Algorithm for Chance Constrained Resource Allocation
Cainiao Network（菜鸟网络）
研究了具有机会约束的在线随机资源分配问题。在线RAP是一个0-1整数线性规划问题，其中资源消耗系数与相应的收入系数一起逐列显示。当一列被显示时，相应的决策变量被立即确定，而不需要未来的信息。此外，在在线应用中，资源消耗系数通常通过预测来获得。为了模拟它们的不确定性，我们考虑了机会约束。据我们所知，这是第一次在在线RAP问题中引入机会约束。假设不确定变量具有已知的高斯分布，随机RAP可以转化为一个确定性的，但非线性的整数二阶锥约束问题。接下来，我们线性化这个非线性问题，并分析了香草在线原始对偶法的性能来解决线性化的随机RAP。在温和的技术假设下，最优性缺口和约束违反都是$\sqrt{n}$的数量级。然后，为了进一步提高算法的性能，提出了几种带有启发式修正的在线原始对偶法。最后，大量的数值实验上的合成和真实数据证明了我们的方法的适用性和有效性。
2023-03-06 cs.LG math.OC stat.ML
Distributed Nonsmooth Robust Resource Allocation with Cardinality Constrained Uncertainty
研究了具有基数约束不确定性的分布式非光滑鲁棒资源分配问题。全局目标由局部目标组成，局部目标是凸的但非光滑的。每个智能体被约束在其私有凸集中，并且只具有其对应的局部目标的信息。资源分配条件受基数约束的不确定集约束。利用凸优化的对偶理论，给出了鲁棒资源分配问题的对偶问题。针对这一对偶问题，提出了一种分布式原始-对偶投影算法。在理论上，利用微分包含的稳定性理论，进行了收敛性分析。仿真结果表明，该算法能够引导多智能体系统在满足资源分配条件的情况下达到最优解。最后，一个非平凡的仿真结果表明，所提出的算法的有效性。
2019-04-25 math.OC
A distributed scheme for secondary frequency control with stability guarantees and optimal power allocation
University of Cambridge（剑桥大学）；University of Groningen（格罗宁根大学）
本文提出了一种新的分布式二次频率控制方案，解决了传统方法中对不可控需求的依赖和静态模型的限制，通过利用发电测量实现稳定性和最优功率分配的保证。
2020-08-11 cs.SY eess.SY math.OC
Resource-Adaptive Primal-Dual Learning for One-Warehouse Multi-Store Systems with Censored Demand
School of Management, Fudan University（复旦大学管理学院）
针对带删失需求的单仓库多门店系统，提出资源自适应原始对偶学习框架，获对数级预期悔值，优于现有策略，且经数值实验验证性能良好。
2026-08-17 cs.LG math.OC
A distributed ADMM-like method for resource sharing over time-varying networks
我们考虑合作的多智能体资源共享问题在时变通信网络，只允许本地通信。我们的目标是最小化的总和代理特定的复合凸函数受到圆锥约束，耦合代理的决定。我们提出了一个分布式的原始对偶法DPDA-D解决鞍点公式的共享问题的时变（非）有向通信网络，我们表明，原始对偶序列收敛到一个点定义的原始最优解和一个共识的双重价格的耦合约束。此外，我们提供了收敛速度的次优，不可行性和共识违反代理的双重价格评估;检查底层网络拓扑结构的影响，建议分散算法的收敛速度;并比较DPDA-D与集中式方法的基础上追求去噪和多通道功率分配问题。
2019-08-25 math.OC
Survey of Distributed Algorithms for Resource Allocation over Multi-Agent Systems
该综述聚焦多智能体系统分布式资源分配问题，梳理其数学表述、多领域应用、各类现有分布式算法方案及算法核心特性，为理解该交叉领域的挑战与解法提供全面参考。
2024-01-28 cs.DC cs.SY eess.SP
Distributed Optimization with Coupled Constraints over Time-Varying Digraph
Gwangju Institute of Science and Technology（光州科学技术院）
本文提出一种分布式算法，用于解决具有耦合约束的分布式凸优化问题，通过分解和对偶方法实现隐私保护的完全分布式求解，保证了强凸性下的O(1/k)收敛性。
2026-04-12 cs.SY eess.SY math.OC
Social Shaping of Competitive Equilibriums for Resilient Multi-Agent Systems
在本文中，我们研究了具有分散资源分配的多智能体系统。代理人有本地的需求和资源供应，并通过一个旨在支持共享本地资源的网络互连;该网络没有外部资源供应。古典福利经济学理论认为，通过对资源流动进行定价，可以实现资源需求与供给的平衡。代理人决定消耗的资源，也许进一步的交易资源，以最大限度地提高他们的收益，同时考虑消费的效用，和交易的收入。当网络供求平衡时，如果所有代理人都最大化他们的个人收益，则实现竞争均衡;如果代理人的总效用最大化，则实现社会福利均衡。首先，我们考虑了具有静态局部分配的多智能体系统，并从对偶理论证明了在一般凸性假设下，竞争均衡和社会福利均衡存在并一致。与文献中基于KKT参数的类似结果相比，对偶理论为连接这两个概念和更一般（例如非光滑）的效用函数类提供了一种直接的方法。接下来，我们表明，代理效用函数可以规定在一个家庭的社会容许的功能，在竞争均衡的资源价格保持在一个阈值以下。最后，我们将研究扩展到动态多智能体系统，其中智能体与来自线性过程的动态状态相关联，并且我们证明了动态竞争均衡和社会福利均衡继续存在并且彼此重合。
2021-03-24 math.OC
Resilient Critical Infrastructure: Bayesian Network Analysis and Contract-Based Optimization
在水坝或电网等关键基础设施中注入复原力是未来城市和社区面临的一项重大挑战。在这里，复原力涉及CI适应或从破坏性事件中快速恢复的能力。本文研究了配置项弹性的优化和管理问题。特别是，提出了一个全面的双重框架，以提高CI弹性，同时考虑个人CI和他们的集体贡献，整个系统的多个CI。为此，提出了一种新的分析弹性指数，以衡量每个CI的物理组件对其故障概率的影响。特别是，一个马尔可夫链定义每个CI的性能状态和贝叶斯网络建模的故障概率被引入到推断每个CI的弹性指数。然后，为了最大限度地提高CI系统的弹性，提出了一种分配资源（如无人机或维护人员）的新方法。特别是，一个全面的资源分配框架，合同理论的工具的基础上，提出了使系统运营商能够最佳地分配资源，如冗余组件或监控设备，以每个单独的CI基于其对整个系统的经济贡献。利用动态规划，解析推导了基于契约的弹性资源分配问题的最优解。建议的框架，然后评估使用的案例研究有关的水电大坝及其相互依赖的电网。仿真结果表明，在案例研究中，系统运营商可以从经济上受益于分配的资源，而大坝有一个60%的平均改善，其初始弹性指数。
2017-08-30 math.OC
Solving A Class of Nonsmooth Resource Allocation Problems with Directed Graphs though Distributed Smooth Multi-Proximal Algorithms
针对一类分布式非光滑资源分配问题，提出了两种分布式多邻近原始对偶法。在这些问题中，全局费用函数是局部凸函数和非光滑费用函数之和，每个代价函数由一个二次可微函数和多个非光滑函数组成。底层多智能体系统的通信图是有向和强连接的，但不一定是加权平衡的。多邻近分裂的设计是为了解决这些非光滑函数求和的不可逼近性所带来的困难。此外，它还可以保证所提出的算法的光滑性。在多邻近分裂中引入辅助变量，估计非光滑函数的次梯度。在理论上，利用李雅普诺夫稳定性理论和积分输入状态稳定性（iISS）理论进行了收敛性分析。结果表明，所提算法能使状态收敛到满足资源分配条件的最优点。
2020-03-16 math.OC
Distributed Constraint-Coupled Optimization over Lossy Networks
本文研究了有损网络中的分布式资源分配和保和约束优化问题，其中链路是不可靠的，并受到丢包的影响。我们定义的条件下，以确保收敛的数据包丢弃和链路删除集中在我们的分配算法的两个主要属性：（i）在典型的共识计划的权重随机条件减少到平衡的权重，没有必要重新调整的权重，以满足随机性。(ii)该算法不需要所有时间的连通性，而是在一些非重叠的有限时间间隔上的一致连通性。首先，我们证明了我们的算法在每一步迭代中都提供原始可行分配，并且在条件（i）-（ii）和其他一些非线性迭代动力学的温和条件下收敛。这些非线性解决了实际应用中由于例如饱和或量化等而可能的实际约束。然后，使用（i）-（ii）和键渗流理论的概念，我们将丢包率和网络渗流阈值与（有限）次迭代相关联，以确保均匀连通性，从而收敛到最佳值。
2022-08-30 cs.MA cs.SY eess.SY
Distributed Asynchronous Primal-Dual Optimization for Supply-Chain Networks
针对不可靠通信和无界延迟下的分布式供应链流分配问题，提出全异步原始-对偶算法 DAPD-SCO，证明其 $O(K^{-1/2})$ 鞍点收敛速率，并在仿真中展现更低开销与更强鲁棒性。
2025-05-29 math.OC
Huge-Scale Assortment Optimization with Customer Choice: A Parallel Primal-Dual Approach
The Institute of Statistical Mathematics（统计数学研究所）；The University of Tokyo（东京大学）；Institute of Operations Research and Analytics, National University of Singapore（新加坡国立大学运筹与分析研究院）；Department of Industrial Systems Engineering and Management, National University of Singapore（新加坡国立大学工业系统工程与管理系）；ZOZO Next, Inc.（ZOZO Next公司）
本文提出了一种并行对偶法 SPFOM，用于解决大规模 assortment 优化问题，通过高效算法提升计算效率和实际应用效果。
2026-02-25 math.OC
Algorithms for the continuous nonlinear resource allocation problem---new implementations and numerical studies
Patriksson（2008）对具有单一资源约束的连续、可分、可微和凸资源分配问题进行了最新的研究。自从那篇论文发表以来，人们对这个问题的兴趣越来越大：已经出现了几个新的应用程序，其中手头的问题构成了一个子问题，并且已经开发了几个新的算法来解决它的有效解。因此，本文件有三个目的。首先，它提供了该领域文献调查的最新扩展，用20多本书和文章补充了Patriksson（2008）的调查。其次，它有助于改进这些算法中的一些，特别是与改进的挂钩（即变量固定）过程中的松弛算法，并改进手段来评估子解。第三，它数值评估几个松弛（原始）和断点（双重）算法，结合各种钉住战略，以及一个拟牛顿法。我们的结论是，我们的松弛算法的修改执行最好的。至少对于高达3000万个变量的问题大小，断点和松弛算法的实际时间复杂度是线性的。
2015-01-28 math.OC
Network Resource Allocation via Stochastic Subgradient Descent: Convergence Rate
本文考虑了无线网络、认知无线电、网络、智能电网通信和跨层设计中广泛存在的一般随机资源分配问题。该问题的制定涉及的期望与未知分布的随机变量的集合，代表外源量，如信道增益，用户密度，或频谱占用。我们考虑的恒定步长随机对偶次梯度下降（SDSD）方法，已被广泛用于在线资源分配网络。该问题在对偶域中求解，在每个时刻产生一个原始资源分配子问题。这里的目标是在几乎必然的意义上描述这种随机资源分配的非渐近行为。众所周知，在步长为$ε$的情况下，{SDSD}收敛到最优值的$\mathcal{O}(ε)$大小的邻域。然而，在实践中，在收敛速率和$ε$的选择之间存在折衷。本文建立了一个收敛速度的SDSD算法的结果，准确地描述了这种权衡。{为此，一个新的随机界之间的差距目标函数和最佳的开发。在几乎必然意义下刻画了随机项的渐近行为，从而推广了{随机次梯度}方法的已有结果。对于随机资源分配问题的手，结果明确的速率与分配的资源变得接近最优。作为应用，在设备到设备网络中的功率和用户分配问题，制定和使用{SDSD}算法解决。从正则性条件的验证和伴随的仿真结果中获得了速率结果的进一步直观。
2017-12-10 math.OC
Stochastic Resource Allocation via Dual Tail Waterfilling
针对无线系统随机资源分配的现有策略缺陷，研究基于CV@R的风险感知建模，推导闭式解并提出纯对偶尾部注水方案，实现更快速稳定的收敛，经数值仿真验证有效。
2024-01-30 eess.SP math.OC
Online Allocation of Throughput-Constrained Resources Using Proxy Assignments
研究吞吐量受限的在线资源分配问题，提出一种基于代理分配的原始-对偶算法，通过模拟未来到达影响实现最优遗憾界，并在合成与真实数据集上验证了有效性。
2025-09-15 math.OC
Input-Output Performance of Linear-Quadratic Saddle-Point Algorithms with Application to Distributed Resource Allocation Problems
鞍点或原始-对偶方法作为一种系统化的设计分布式算法来解决凸优化问题的技术，最近吸引了新的兴趣。当在线实现流数据或作为动态反馈控制器时，这些算法会受到干扰和噪声的影响;收敛速度提供不完整的性能信息，量化输入输出性能变得更加重要。我们分析了应用于线性约束二次规划的连续时间鞍点方法的输入输出性能，在相关的输入输出配置下提供了鞍点H2范数的显式表达式。然后，我们继续得到类似的结果，正则化和增广版本的鞍点算法。我们观察到一些相当特殊的效果-适度的正则化显着提高了瞬态性能，而增强并不一定提供改进。然后，我们提出了一个分布式的双重版本的算法，克服了一些增强所施加的性能限制。最后，我们将我们的研究结果应用到资源分配问题，比较各种集中式和分布式鞍点实现的输入输出性能，并表明分布式算法可能会执行以及他们的集中式同行。
2018-11-07 math.OC
Multi-Robot Pickup and Delivery via Distributed Resource Allocation
University of Bologna（博洛尼亚大学）
在本文中，我们考虑了一个大规模的经典的皮卡和交付车辆路径问题（PDVRP），必须解决的移动协作机器人网络的情况。机器人必须自我协调和自我分配一组拾取/交付任务，同时最小化给定的成本数字。这导致了一个大的，具有挑战性的混合线性问题，必须在没有中央协调器的情况下合作解决。我们提出了一个分布式算法的基础上的原始分解方法，提供了一个可行的解决方案，在有限的时间内的问题。该方案的一个有趣的特点是，每个机器人只计算自己的解决方案块，从而保护敏感信息的隐私。该算法还表现出有吸引力的可扩展性，保证即使在大型网络的问题的可解性。据我们所知，这是第一次尝试提供一个可扩展的分布式解决方案的问题。首先在ROS~2平台上通过Gazebo仿真对算法进行了测试，验证了算法的有效性。最后，一个真正的测试平台上的地面和空中机器人团队的实验。
2022-11-19 cs.RO math.OC
Online Inference of Constrained Optimization: Primal-Dual Optimality and Sequential Quadratic Programming
本文提出了一种全新的在线序列二次规划方法，用于解决具有等式和不等式约束的随机优化问题，实现了对偶渐近最小最大最优性，无需投影运算。
2025-11-27 cs.LG math.OC math.ST
New Lagrangian dual algorithms for solving the continuous nonlinear resource allocation problem
针对两类连续非线性资源分配问题，提出利用当前与既往迭代信息更新 Lagrange 乘子的对偶算法，并证明有限步收敛，实验显示其计算效率显著优于现有求解器与算法。
2025-01-09 math.OC
Is Deadline Oblivious Scheduling Efficient for Controlling Real-Time Traffic in Cellular Downlink Systems?
5G网络中带宽密集型延迟关键业务（如虚拟现实）的出现激发了对具有硬截止期限的流的无线资源分配问题的兴趣。试图解决这个问题带来了两个挑战：（i）流到达和信道状态对于基站（BS）是先验未知的，因此，需要在线做出分配决策。(ii)尝试最大化回报的无线资源分配算法将可能是不公平的，导致对于某些用户不可接受的服务。我们建模的问题作为一个在线凸优化问题。我们提出了一个原始-对偶的最后期限不经意（DO）算法，并证明它是约3.6-竞争。此外，我们通过模拟表明，我们的算法非常密切地跟踪有先见之明的离线解决方案，显着优于现有的几种算法。在第二部分中，我们对分配施加随机约束，要求保证每个用户达到一定的及时吞吐量（在一段时间内的最后期限内交付的流量）。我们提出了长期公平截止日期不经意（LFDO）算法，该设置。我们结合李雅普诺夫框架与在线算法的分析，表明LFDO保留了DO的高性能，同时满足长期的随机约束。
2020-02-15 cs.NI math.OC
Competitive Online Algorithms for Resource Allocation over the Positive Semidefinite Cone
我们考虑了一个新的和一般的在线资源分配问题，其目标是最大化一个函数的半正定（PSD）矩阵与标量预算约束。问题数据在线到达，算法需要在每一步做出不可撤销的决定。特别感兴趣的是在线设置中的经典实验设计问题，该算法决定是否为每个实验分配预算，因为新的实验顺序可用。我们分析了两个贪婪的原始对偶法，并提供其竞争比的界限。我们的分析依赖于目标函数的平滑代理，该代理需要满足新的收益递减（PSD-DR）属性（其梯度相对于PSD锥是反序的）。利用Löwner定理给出的PSD锥上单调映射的表示，得到了满足PSD-DR的函数族的一个凸参数化，然后构造了一个凸优化问题来直接优化在此集合上的竞争比界.这个设计问题可以在数据开始到达之前离线解决。使用所设计的平滑的在线算法被定制到给定的费用函数，并且享有至少与我们的优化界限一样好的竞争比。我们提供了计算D-最优和A-最优试验设计的光滑代理的例子，并展示了定制设计的算法的性能。
2018-06-12 cs.DS math.OC
Zeroth-Order primal-dual Alternating Projection Gradient Algorithms for Nonconvex Minimax Problems with Coupled linear Constraints
Department of Mathematics, College of Sciences, Shanghai University（上海大学数学系）；Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院）；Newtouch Center for Mathematics of Shanghai University（上海大学数学中心）；State Key Laboratory of Mathematical Sciences, Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院数学科学国家重点实验室）；School of Mathematical Sciences, University of Chinese Academy of Sciences（中国科学院大学数学科学学院）
本文提出两种零阶算法，用于解决带有耦合线性约束的非凸极小极大问题，首次在确定性和随机设置下提供了迭代复杂度保证。
2026-03-05 cs.LG math.OC stat.ML
A Unified Distributed Method for Constrained Networked Optimization via Saddle-Point Dynamics
本文将最优一致性与非相同集合约束资源分配问题统一为鞍点框架，提出基于 OGDA 和 EG 的投影原始-对偶分布式算法，证明 O(1/k) 遍历收敛并通过数值算例验证。
2023-07-14 math.OC
