Rescaling Algorithms for Linear Conic Feasibility
我们提出了简单的多项式时间算法的两个线性圆锥可行性问题。对于矩阵$A\in \mathbb{R}^{m\times n}$,核问题要求在$A$的核中有一个正向量,图像问题要求在$A^\top$的图像中有一个正向量。这两种算法都介于简单的一阶步骤和重新缩放步骤之间。这些重新标度改进了自然几何势。如果Goffin的条件测度$ρ_A$为负,则核问题是可行的,并且核算法的最坏情况复杂度为$O\left((m^3n+mn^2)\log{|ρ_A|^{-1}}\right)$;如果$ρ_A>0$,则图像问题是可行的,并且图像算法在时间上运行$O\left(m^2n^2\log{ρ_A^{-1}}\right)$。我们还扩展了图像算法的预言机设置。我们解决退化的情况下$ρ_A=0$通过扩展我们的算法,找到最大支持非负向量的核心$A$和图像中的$A^\top$。在这种情况下,运行时间边界以计算的位大小模型表示:对于具有整数条目和总编码长度$L$的输入矩阵$A$,最大支持核算法在时间上运行$O\left((m^3n+mn^2)L\right)$,而最大支持图像算法在时间上运行$O\left(m^2n^2L\right)$。标准的线性规划可行性问题可以很容易地简化为最大支持问题,从而产生线性规划的多项式时间算法。
2019-04-07 cs.DS math.OC
SOC-ICNN: From Polyhedral to Conic Geometry for Learning Convex Surrogate Functions
School of Future Technology(未来技术学院);School of Automation Science and Engineering(自动化科学与工程学院)
SOC-ICNN通过将优化问题从线性规划扩展到二次锥规划,引入平滑曲率提升表示能力,实验表明其在函数逼近和决策质量上表现优异。
2026-04-24 cs.LG math.OC stat.ML
Linear Optimization by Conical Projection
本文研究线性优化问题的投影算法数值效率,基于有界有限维问题可通过单次可行多面体投影求解的理论,进一步将问题简化为特殊点到凸多面锥的投影。
2023-09-06 math.OC
Calculus of convex polyhedra and polyhedral convex functions by utilizing a multiple objective linear programming solver
本文讨论定义在凸多面体或多面体凸函数上的运算。给定两个凸多面体,考虑Minkowski和、交、并的闭凸包等运算。对于一个凸多面体的基本操作是例如极坐标、圆锥壳和仿射变换下的图像。引入了凸多面体的P-表示的概念。它表明,许多多面体演算操作可以明确地表示在P-表示。我们指出,所有相关的计算工作的多面体微积分包括在计算凸多面体的投影。为了计算投影,我们使用最近的结果说,多目标线性规划(MOLP)是等价的多面体投影问题。基于MOLP求解器bensolve,开发了一个适用于Matlab和GNU Octave的多面体微积分工具箱。文中还讨论了一些数值试验。
2018-07-13 math.OC
Extended Formulations in Mixed Integer Conic Quadratic Programming
在本文中,我们考虑使用的LP为基础的算法的混合整数圆锥二次规划(MICQP)的扩展配方。Vielma、Ahmed和Nemhauser(2008)以及Hijazi、Bonami和Ouorou(2013)使用扩展公式来构建MICQP算法,这些算法可以提供显著的计算优势。第一种方法是基于Ben-Tal和Nemirovski(2001)的洛伦兹锥的扩展或提升的多面体松弛,这是非常经济的,但其近似质量不能迭代改进。第二种是基于欧几里得球的提升多面体松弛,可以使用Tawarmalani和Sahinhali(2005)介绍的技术来构建。这种松弛不太经济,但其近似质量可以迭代地改进。不幸的是,虽然Vielma,Ahmed和Nemhauser的方法适用于一般的MICQP问题,Hijazi,Bonami和Ouorou的方法只能用于MICQP问题的凸二次约束。在本文中,我们将展示如何均匀化过程可以结合技术Tawarmalani和Sahinyak,以适应扩展配方使用的Hijazi,Bonami和Ouorou一类圆锥混合整数规划问题,包括一般MICQP问题。然后,我们比较这种新的扩展配方对传统的和扩展配方为基础的算法MICQP的有效性。我们发现,这种新的配方可以用来改善各种LP为基础的算法。特别是,制定提供了一个易于实施的程序,在我们的基准测试,显着提高了商业MICQP求解器的性能。
2016-07-13 math.OC
The Role of Level-Set Geometry on the Performance of PDHG for Conic Linear Optimization
该研究分析了重启原始-对偶混合梯度法(rPDHG)在锥线性优化中的性能,揭示水平集几何与收敛速度的关联,提出基于中心路径的线性变换方法以提升收敛速度,为超大规模线性优化提供更高效的求解思路。
2024-07-15 math.OC
On strong duality, theorems of the alternative, and projections in conic optimization
圆锥规划是在一个闭凸锥上优化一个线性函数的问题,该凸锥具有另一个锥的仿射原像。我们分析了三个约束规格,即封闭性CQ,斯莱特CQ和有界性CQ(也称为克拉克-达芬定理),这是足以实现强对偶性,并表明,第一个意味着第二个意味着第三个,也给出了更一般的形式的第三个CQ锥问题。此外,强对偶的两个后果,第一个是一个定理的替代几乎可行性(也称为弱不可行性),第二个是一个明确的描述投影锥集到线性子空间,类似于使用投影锥多面体集。
2021-11-16 math.OC
Extended Formulations in Mixed-integer Convex Programming
我们提出了一个统一的框架,用于生成混合整数凸规划(MICP)算法中使用的多面体外近似的扩展配方。扩展的公式可以减少外部逼近算法的迭代次数,并且通常可以缩短求解时间。首先,我们观察到MINLPLIB2基准库中的所有MICP实例都可以用标准对称和非对称圆锥表示。圆锥曲线重构被证明是有效的扩展配方本身,因为它们编码可分性结构。对于混合整数圆锥可表示的问题,我们提供了第一个外近似算法与有限时间收敛保证,打开一个路径使用圆锥解连续松弛。然后,我们连接流行的建模框架的纪律凸规划(DCP)的存在独立的圆锥曲线表示的扩展配方。我们提出的证据表明,我们的方法可以在实践中产生显着的收益,从MINLPLIB2基准库的一些开放实例的解决方案。
2016-03-15 math.OC
Guaranteed Accuracy for Conic Programming Problems in Vector Lattices
本文给出了线性圆锥曲线最优化问题的严格前向误差界。误差界是在一个相当一般的框架,基本的向量空间不需要是有限维的,定义的偏序的凸锥不需要是多面体。在线性规划、二阶锥规划和半定规划的情况下,导出了保证精度的专用公式。所有计算的界限是完全严格的,因为所有舍入误差由于浮点运算考虑在内。数值结果,应用和软件的线性和半定规划问题进行了说明。
2007-07-30 math.FA math.OC
A Convergent 3-Block Semi-Proximal Alternating Direction Method of Multipliers for Conic Programming with $4$-Type of Constraints
本文的目的是设计一个有效的和收敛的交替方向法的乘数(ADMM)的解决方案,中等精度的圆锥规划问题的约束条件包括线性等式,线性不等式,非多面体锥和多面体锥。对于这类问题,可以将直接扩展的ADMM应用于其对偶,其可以写成目标函数中具有四个可分离块和耦合线性方程约束的凸规划的形式。事实上,直接扩展的ADMM,虽然可能在理论上发散,往往表现得更好的数值比它的许多变种理论收敛保证。理想情况下,人们应该找到一个收敛的变种,它至少是一样有效的直接扩展ADMM在实践中。我们实现了这一目标,通过设计一个收敛的半邻近ADMM(称为sPADMM 3c方便)的凸规划问题有三个可分离的块的目标函数的第三部分是线性的。在每次迭代时,所提出的sPADMM 3c采用一个特殊的块坐标下降(BCD)循环,其阶为$1 \rightarrow 3 \rightarrow 2 \rightarrow 3$,而不是在非收敛的直接扩展的$3$ -块ADMM中使用的通常的$1 \rightarrow 2 \rightarrow 3$ Gauss-Seidel BCD循环,用于更新可变块。对一类重要的带线性等式和/或不等式约束的双非负半定规划(SDP)问题的数值试验表明,对于绝大多数约为$550$的大规模问题,我们的收敛方法至少比单位步长的直接扩展ADMM快$20%$.
2014-12-01 math.OC
A Schur Complement Based Semi-Proximal ADMM for Convex Quadratic Conic Programming and Extensions
本文设计了一种高效收敛的乘子{半近似}交替方向法(ADMM),用于求解凸二次圆锥规划及相关问题的中低精度解.对于这类问题,收敛的两块半近似ADMM可以直接求解其原始形式。然而,它是已知的,它是更有效的应用直接扩展的多块半邻近ADMM,虽然它的收敛性不能保证,这些问题的对偶形式。自然地,人们可能会问以下问题:可以构造比直接扩展的半邻近ADMM更有效的收敛的多块半邻近ADMM吗?事实上,对于具有4块约束的线性圆锥规划,这在Sun,Toh和Yang的最近论文中已经被证明是可以实现的[arXiv预印本arXiv:1404.5378,(2014)]。受上述工作的启发,结合凸二次锥规划,我们提出了一种基于Schur补的收敛半近似ADMM,用于求解具有耦合线性等式约束的凸规划问题,其目标函数是两个真闭凸函数加上任意数量的凸二次或线性函数的和.我们的收敛半近似ADMM是特别适合于解决凸二次半定规划(QSDP)的约束组成的线性等式,一个半正定锥和一个简单的凸多面体集。我们所提出的算法的效率证明了各种例子,包括QSDP的数值实验。
2014-09-09 math.OC
A Near-Optimal Total Complexity for the Inexact Accelerated Proximal Gradient Method via Quadratic Growth
The University of British Columbia(不列颠哥伦比亚大学)
本文研究了优化问题的总复杂度,证明在ω为锥形多面体函数时,双循环结构的不精确加速近端梯度法在函数值ε-最优性上具有O(ln(1/ε)/√ε)的复杂度。
2026-04-06 math.OC
Finding a maximal element of a convex set through its characteristic cone: An application to finding a strictly complementary solution
为了将多面体表示为多面体和多面体锥的(Minkowski)和,Motzkin(1936)从多面体过渡到多面体锥。在此基础上,我们用一个特征锥来表示一个集合。通过使用这种表示,我们得到了四个主要结果:(i)将不含直线的闭凸集表示为其极值点的凸包与其端方向的锥壳的直和;(ii)建立基于凸规划(CP)的确定凸集的极大元(具有最大数目的正分量的元素)的框架;(iii)发展了一个寻找多面体相对内点的线性规划问题;(iv)提出了两个识别线性规划严格互补解的方法。
2015-03-31 math.OC
Robust Conic Satisficing
本文推广鲁棒满足框架至带补偿的锥优化问题,提出安全近似与视角投射技术,并在投资组合优化中验证其显著优于随机优化模型。
2025-01-27 math.OC
Restarted Accelerated Primal-Dual Algorithms with Adaptive Stepsizes for Nonlinear Conic Constrained Convex Optimization
Penn State University(宾夕法尼亚州立大学);University of Chicago(芝加哥大学)
针对非线性锥约束凸优化问题(含二次约束二次规划),提出带回溯的自适应步长重启加速原始-对偶算法,利用一阶信息和矩阵-向量乘积,在KKT映射度量次正则性下证明全局线性收敛,数值实验显示非单调自适应步长和GPU加速效果显著。
2026-09-30 math.OC
On the convex hull of convex quadratic optimization problems with indicators
Northwestern University(西北大学);University of California Berkeley(加州大学伯克利分校);University of Southern California(南加州大学)
研究了具有任意约束的凸二次最优化问题。我们证明,在具有二次数量的附加变量的扩展空间中,相关混合整数集的凸包描述由单个半正定约束(显式声明)和线性约束组成。特别是,这类问题的凸化减少到描述一个多面体集在一个扩展的配方。虽然这个多面体集的顶点表示是指数和一个明确的线性不等式的描述可能不容易在一般情况下,我们推导出一个紧凑的混合整数线性配方,其解决方案与多面体集的顶点重合。我们还在原始变量空间中给出了描述:我们提供了一个基于无穷多个圆锥-二次不等式的描述,这些不等式是``生成的。“特别地,可以表征给定的不等式是否需要描述凸包。本文提出的新理论统一了已有的几个结果,并为利用多面体方法分析混合整数非线性集的凸包铺平了道路。
2022-11-27 cs.LG math.OC